DeerFlow
子 Agent、记忆与沙箱协作,承接数小时研究和编码任务。
它是什么
DeerFlow 是一个开源 SuperAgent harness,用来执行可能持续数分钟到数小时的研究、编码和内容生产任务。用户给出目标后,它可以把工作拆给多个子 Agent,在隔离沙箱中运行命令、读写文件和调用工具,同时通过上下文压缩与长期记忆延续任务,最后交付报告、代码或其他成果。
一次典型操作是先配置模型、搜索服务和执行权限,再从网页或终端提交任务并等待各阶段完成。它与常见的一轮问答工具不同,重点不是立即生成一段回复,而是组织多步骤执行;2.0 已从早期 Deep Research 框架彻底重写,定位也转向完整任务编排。
怎么运行
仓库提供交互式配置向导。最短的本地启动流程是:
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup
make devmake setup 会生成 config.yaml,并将密钥写入 .env。正式部署也可使用 Docker,执行 make up 后访问 http://localhost:2026 进入网页界面。
核心机制
- 子 Agent 编排:主任务可拆分给多个子 Agent,并设置运行数量上限,控制资源消耗。
- 隔离执行:命令、文件和工具操作在沙箱中完成,配置时可以收紧权限。
- 上下文延续:会话目标、上下文压缩和长期记忆共同保存长任务状态。
- 技能扩展:技能和工具规定 Agent 可执行的工作,也可接入 MCP、消息渠道及不同模型服务商。
适合谁
DeerFlow 适合希望自行部署研究与编码 Agent 的团队,特别是需要生成报告、处理仓库或连续完成多阶段任务的场景。网页、终端工作台和嵌入式 Python 客户端分别覆盖人工操作与程序接入。
使用边界
项目采用 MIT 许可,但运行前仍需配置可用的大模型,外部模型和搜索服务可能收费。开发环境至少建议 4 vCPU、8 GB 内存和 20 GB 空闲磁盘;长期服务器更适合 Linux 与 Docker。Windows 本地开发仅支持 Git Bash,不支持原生 cmd.exe 和 PowerShell。
开放 Bash 或文件写入权限会增加沙箱风险,处理不可信任务时应限制权限。生产环境运行多个 Gateway worker,还依赖 Postgres、Redis 与额外的所有权配置。