跳轉到

DeerFlow 研究筆記

資料來源

項目 連結
GitHub Repo bytedance/deer-flow
官方網站 deerflow.tech
DEV Community 深度分析 DeerFlow 2.0: What It Is, How It Works
VentureBeat What enterprises should know about DeerFlow
DeepWiki bytedance/deer-flow
SitePoint Managing Long-Running Autonomous Tasks
MarkTechPost（v1） ByteDance Open-Sources DeerFlow

專案概述

項目 內容
開發公司 ByteDance（字節跳動）
全名 Deep Exploration and Efficient Research Flow
Stars 53.2K（截至 2026-03-30）
Forks 6.4K
語言 Python 3.12+ / Node.js 22+
授權 MIT
版本 v2.0（2026-02-28 發布，完全重寫，與 v1 不共用程式碼）

DeerFlow 是一套開源 SuperAgent 執行框架（harness），能編排 sub-agent、記憶體、沙箱來處理從幾分鐘到數小時的複雜任務——研究、寫程式、產生內容。

關鍵定位：DeerFlow 不是「框架」（framework），而是「執行框架」（harness）——batteries included, fully extensible。不需要自己接線，開箱就是一個完整的 agent runtime。

v2.0 發布當天（2026-02-28）登上 GitHub Trending 全語言 #1。

版本演進

版本 時間 定位
v1.0 2025-05 Deep Research 框架 — 專注自動化資料收集與摘要，multi-agent 深度研究
v2.0 2026-02-28 SuperAgent Harness — 完全重寫，從研究工具進化為通用執行框架

為何重寫：v1 做研究做得好，但開發者開始把它硬掰去做資料管線、建 dashboard、自動化內容工作流。ByteDance 團隊意識到 DeerFlow 不只是研究工具，而是一個等待被完善的「執行框架」。

v1 仍在 1.x branch 維護，但主力開發已完全轉向 v2。

核心架構

使用者輸入（Web UI / IM Channel / API）
    │
    ▼
┌──────────────────────────────────┐
│  Lead Agent（單一 LangGraph agent）│
│  make_lead_agent(config)          │
│  ├─ 動態模型選擇（thinking + vision）│
│  ├─ 9 個 Middleware chain         │
│  └─ Tool 系統                     │
│     ├─ Sandbox tools              │
│     ├─ MCP tools（OAuth 支援）     │
│     ├─ Community tools            │
│     └─ Built-in tools             │
└────────────┬─────────────────────┘
             │  分解任務、決定並行策略
             ▼
    ┌────────┼────────┐
    ▼        ▼        ▼
Sub-Agent  Sub-Agent  Sub-Agent
（scoped context, 獨立 tools, 終止條件）
    │        │        │
    ▼        ▼        ▼
┌─────────────────────────┐
│  Sandbox（隔離執行環境）   │
│  ├─ Local                │
│  ├─ Docker container     │
│  └─ Kubernetes pod       │
│  每個任務有完整 filesystem：│
│  skills/ workspace/      │
│  uploads/ outputs/       │
└─────────────────────────┘
             │
             ▼
    結構化結果彙整
    （報告 / 網站 / 簡報 / 程式碼）

設計哲學

DeerFlow 與 LangGraph、CrewAI、AutoGen 的差異在於：那些是積木，DeerFlow 是成品。它內建了預設執行模型、Skills、沙箱和記憶體層，開發者用 YAML 設定就能啟動，不需要寫 orchestration 程式碼。代價是繼承了框架的架構約束。

六大核心能力

1. Skills & Tools

Skills 是 Markdown 格式的結構化工作流定義，描述最佳實踐和支援資源。漸進式載入，只在需要時載入相關 skill，維持 context window 可控。

內建 Skills： - Deep web research - Report generation - Slide deck creation - Web page generation - Image/video generation

支援 Claude Code 整合。

2. Sub-Agents

Lead agent 可即時 spawn 多個特化 sub-agent，每個有： - 獨立 scoped context（避免 context 互相汙染） - 專屬 tools - 明確終止條件

可並行執行，適合 fan-out / fan-in 模式（例：研究任務分散 12 個 sub-agent 各探索不同角度，最終匯總成一份報告）。

3. Sandbox Execution

每個任務在隔離環境中執行：

模式 說明
Local 直接在本機執行
Docker 隔離容器，完整 filesystem + bash terminal
Kubernetes 透過 provisioner 建立 pod

這是真正的程式碼執行，不是模擬——agent 產生的是可下載、可使用的輸出物。

4. Context Engineering

9 個 middleware chain 處理 cross-cutting concerns： - 動態模型選擇 - Thinking / vision 支援 - Prompt 管理

5. Long-Term Memory

  • 以 memory.json 儲存事實，帶 confidence score
  • 短期 + 長期記憶，跨 session 建立使用者 profile
  • 更新透過 debounced queue 非同步處理，不阻塞主執行緒
  • Gateway 管理記憶體存取

注意：agent memory 仍是未解問題。不要假設它會在正確時機回憶正確的事——需要針對特定場景測試驗證。

6. IM Channels（訊息閘道）

平台 模式
Telegram Long-polling
Slack Socket Mode
Feishu / Lark WebSocket

原生整合，不需額外開發 bot。

安裝與設定

Docker（推薦）

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config        # 生成 config.yaml + .env
make docker-init
make docker-start  # 自動偵測 sandbox 模式

本機開發

make check    # 驗證 Node.js 22+, pnpm, uv, nginx
make install  # 安裝依賴
make dev      # 啟動所有服務

存取：http://localhost:2026

模型設定（config.yaml）

models:
  - name: gpt-4
    display_name: GPT-4
    use: langchain_openai:ChatOpenAI
    model: gpt-4
    api_key: $OPENAI_API_KEY

支援 OpenAI、Claude、DeepSeek、Doubao、Kimi、OpenRouter 等。

ByteDance 推薦模型：Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5。

可觀測性

  • LangSmith 整合（選用）：啟用 tracing 即可

典型使用場景

場景 說明
自動化研究 並行 sub-agent 探索不同角度，匯總成結構化報告
資料管線 在沙箱中執行 ETL script
內容產生 從 prompt 生成完整簡報 / 網頁 / 影片
全端 scaffolding 從需求描述建立完整應用骨架
競品分析 多 sub-agent 並行研究不同競品

與其他框架比較

面向 DeerFlow 2.0 LangGraph CrewAI AutoGen
定位 成品 harness（batteries included） 底層積木（build your own） 角色扮演多 agent 對話式多 agent
沙箱 內建（Local/Docker/K8s） 無 無 有（code executor）
記憶體 內建長期記憶 + confidence score 需自建 有 需自建
Skills Markdown-based，漸進載入 無 無 無
IM 整合 Telegram/Slack/Feishu 原生 無 無 無
部署 Docker/K8s，make 一鍵啟動 需自行包裝 需自行包裝 需自行包裝
LLM 支援 多廠商 YAML 設定 多廠商 多廠商 多廠商
彈性 中（繼承架構約束） 高 中 高

限制與注意事項

  • 安全：生產環境需容器加固、網路 egress 限制；沙箱預設信任度高
  • 模型要求：任務分解需要強指令遵循能力，小型本地模型可能無法勝任 orchestration
  • ByteDance 背景：在某些地區/企業可能觸發額外合規審查
  • 記憶體可靠性：架構設計周全但實際表現不穩定，需逐案驗證
  • v2 成熟度：2026-02 才發布的完全重寫，生態和文件仍在快速演進中
  • 資源消耗：多 sub-agent + 沙箱 = 較高的運算和 token 成本

成長數據

時間點 Stars
2026-02-28（v2 發布） GitHub Trending #1
30 天後（~2026-03-30） 53.2K

研究價值與啟示

關鍵洞察

  1. Harness > Framework：DeerFlow 最重要的設計決策是選擇做「成品」而非「積木」。開發者不想從零組裝 agent——他們想要一個能跑的系統，然後在上面客製化。這與 gstack/Superpowers 的「skill plugin」路線不同：DeerFlow 提供完整 runtime，gstack/Superpowers 強化已有的 agent。

  2. 沙箱是真正執行 agent 的必要條件：DeerFlow 給每個任務一台「虛擬電腦」（filesystem + bash + 隔離），這是從「建議程式碼」到「真正執行程式碼」的關鍵基礎設施。沒有沙箱，agent 只能停留在 suggestion 層。

  3. IM Channel 原生整合是差異化：直接透過 Telegram/Slack/Feishu 與 agent 對話，不需要開 Web UI。這對企業部署特別有價值——agent 就在團隊已有的溝通管道中。

  4. v1→v2 的演進說明了 agent 工具的通用化趨勢：從「研究專用」到「通用執行框架」，因為使用者會把工具推向它設計以外的用途。如果你的工具夠好，使用者會自己找到新場景。

  5. ByteDance 的開源策略：透過推薦 Doubao/DeepSeek/Kimi 等中國模型（同時支援 OpenAI/Claude），DeerFlow 同時服務中國和全球開發者市場。整合 InfoQuest（BytePlus 搜尋工具）也是生態綁定策略。

  6. 53K stars 的速度（1 個月）：與 gstack（19 天 56K）和 Superpowers（6 個月 124K）相比，DeerFlow 的成長介於兩者之間，反映了字節跳動的品牌效應和 agent runtime 的市場需求。

與 Fluffy 的潛在關聯

  • 架構參考：DeerFlow 的 Lead Agent → Sub-Agent fan-out 模式可參考用於 Fluffy Agent Core 的任務分解
  • 沙箱設計：Docker/K8s sandbox 模式可作為 Fluffy 執行不受信任程式碼的參考
  • IM 整合：Telegram/Slack/Feishu 的原生整合模式可參考用於 Fluffy 的客戶溝通管道
  • 記憶體系統：confidence score + debounced async update 的設計可參考