1. 项目定位与用途
DeerFlow 是字节跳动开源的超级代理框架 2.0，定位为长时程任务自动化 harness。它通过 orchestrate 子代理、记忆和沙箱，配合可扩展技能系统，实现从研究、编码到创作的端到端自动化。项目强调“深度探索与高效研究流程”，适用于需要多步骤、长时间运行的复杂任务场景，如生成研究报告、开发代码项目、处理多格式文件等。作为开源项目，它提供完整的 Web 界面、REST API 和嵌入式客户端，支持开发者二次集成与扩展。
项目档案应用项目
DeerFlow 超级代理框架：字节跳动开源的长时程任务自动化解决方案（含 Docker 安装指南）
DeerFlow 是字节跳动开源的超级代理框架，专为自动化完成复杂长时程任务而设计。本文详细介绍其核心架构、安装部署步骤、使用方式及适用场景，涵盖研究、编码、文件处理等应用案例。
AI 总结
DeerFlow 是字节跳动开源的超级代理框架 2.0，通过协调子代理、长期记忆与沙箱环境，自动化完成从几分钟到几小时的复杂研究与开发任务。
中文项目介绍
DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的超级代理框架 2.0 版本，专为自动化完成需要几分钟到几小时的复杂长时程任务而设计。
传统 AI 代理通常只能处理短时交互，而 DeerFlow 通过协调子代理、长期记忆、沙箱执行环境和可扩展技能系统，实现端到端的任务自动化，涵盖深入研究、代码开发、文件处理等多种场景。
技术架构上，DeerFlow 采用前后端分离设计，后端以 Lead Agent 为核心，通过九层中间件链处理线程隔离、文件上传、沙箱获取等横切关注点；前端基于 Next.js 16 提供现代化交互界面。系统支持多 LLM 提供商（如 Doubao、DeepSeek、Kimi）、MCP 协议扩展，以及 Slack、Telegram、飞书等即时通讯渠道集成，可通过 Docker 或本地方式部署。
详细信息与使用说明
2. 解决的问题
DeerFlow 主要解决传统 AI 代理在长时程任务中的局限性。普通代理往往只能处理短时交互，难以应对需要持续数分钟甚至数小时的复杂工作流，如深度研究、代码项目开发、多文件处理等。DeerFlow 通过引入子代理分工协作、长期记忆持久化、沙箱安全执行环境以及可插拔技能系统，有效解决了任务分解、上下文保持、代码安全执行和功能扩展等核心问题，使得自动化系统能够真正完成端到端的复杂任务，而不仅仅是单轮对话。
3. 适用场景
DeerFlow 适用于多种长时程自动化场景：一是自动化研究与报告生成，利用搜索工具和信息提取技能进行深度调研并产出带引用的结构化报告；二是代码开发与调试，通过子代理编写、执行代码并在沙箱中测试迭代，支持完整项目开发；三是文件处理与转换，自动处理 PDF、PPT、Excel、Word 等文件上传与格式转换；四是跨平台 IM 智能助手，集成 Slack、Telegram、飞书等渠道，通过消息交互触发代理完成任务并异步通知。此外，还可用于数据分析、内容创作等需要多步骤推理与执行的领域。
4. 安装方式
根据仓库文档，DeerFlow 支持 Docker 推荐部署和本地开发两种方式。Docker 部署需先复制 .env.example 到 .env，填写所需 API 密钥（包括 TAVILY、JINA、INFOQUEST 及至少一个 LLM 提供商如 OPENAI、DEEPSEEK 等），然后运行 docker-compose up 或 make 命令启动所有服务。本地开发需安装 Python 3.12+ 和 Node.js 22+，依据 backend/pyproject.toml 和 Makefile 安装依赖，并运行后端与前端服务。仓库提供了详细的配置模板（如 config.example.yaml、extensions_config.example.json）和文档索引（backend/docs/README.md）指导完成安装。
5. 使用方式
DeerFlow 提供多种交互方式：通过浏览器访问 Web 界面（默认端口）与代理实时交互，查看任务进度与结果；使用 Embedded Python Client 将 DeerFlow 集成到自有应用，通过编程方式调用代理；通过 IM 渠道（如 Slack、Telegram、飞书）发送消息触发代理任务，并接收异步通知；直接调用 REST API 端点（如 /api/skills 管理技能、/api/memory 操作记忆、/api/threads/{id}/uploads 上传文件）进行系统控制。前端基于 Next.js 16 提供聊天列表、新建对话、工作区等页面，集成 LangGraph SDK 与 AI 元素组件。
6. 补充说明与实现特点
DeerFlow 2.0 是完全重写版本，与 v1 无代码共享。架构上采用 Nginx 反向代理，将 /api/langgraph/* 路由至 LangGraph Server（端口 2024），其余 /api/* 路由至 Gateway API（端口 8001）。核心 Lead Agent 整合动态模型选择、九层中间件链（包括线程隔离、文件注入、沙箱获取、上下文压缩、待办事项、自动标题、记忆队列等）和工具系统（沙箱执行、MCP 集成、社区工具）。系统支持多 LLM 提供商（推荐 Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5），并集成 InfoQuest 智能搜索爬虫。安全方面需注意，不当部署可能引入风险，建议遵循安全推荐。
思维导图
DeerFlow
Lead Agent
动态模型选择
中间件链集成
工具调用
子代理委托
Middleware Chain
线程隔离
文件上传
沙箱获取
上下文压缩
待办事项
自动标题
记忆队列
Tool System
沙箱执行
MCP 集成
社区工具
内置工具
Subagent Delegation
任务分解
并行执行
结果聚合
Memory Management
长期存储
检索机制
配置化重载
Message Gateway
统一消息总线
多渠道适配
异步通知
Frontend
Next.js 16
React 19
Tailwind CSS 4
Shadcn UI
常见问题
DeerFlow 是什么？主要解决什么问题？
DeerFlow 是字节跳动开源的超级代理框架 2.0，通过协调子代理、记忆、沙箱和技能系统，自动化完成需要几分钟到几小时的复杂长时程任务，解决传统 AI 代理只能处理短时交互的局限。
如何安装和部署 DeerFlow？
推荐使用 Docker 部署：复制 .env.example 到 .env 并填写 API 密钥后，运行 docker-compose up 或 make 命令。本地开发需安装 Python 3.12+ 和 Node.js 22+，依据 backend/pyproject.toml 和 Makefile 安装依赖并分别启动前后端服务。
DeerFlow 支持哪些 LLM 模型和工具？
支持多种 LLM 提供商，包括 Doubao、DeepSeek、Kimi、OpenAI、Gemini 等；工具系统涵盖沙箱代码执行、MCP 协议扩展（如 filesystem、github）、社区工具及内置搜索、网页浏览、文件操作等能力。
如何扩展 DeerFlow 的技能或工具？
通过可插拔技能系统扩展，支持从 .skill 归档安装；利用 MCP 协议动态接入外部服务（如 filesystem、github、postgres）；也可在工具系统中添加自定义工具，遵循现有接口规范。
DeerFlow 的安全性如何保障？
仓库包含安全通告，指出不当部署可能引入风险。建议遵循安全推荐，如妥善保管 API 密钥、限制沙箱权限、使用 HTTPS、定期更新依赖。生产环境需配置防火墙、访问控制及监控审计。