DeerFlow

字节跳动开源的超级 Agent 框架，支持动态 Sub-Agent 编排和多种输出格式

GitHub项目

https://github.com/bytedance/deer-flow

前往官网

深度报告

DeerFlow 是字节跳动开源的一款超级 Agent 框架，全称为 Deep Exploration and Efficient Research Flow（深度探索与高效研究流程）。该框架于 2025 年 5 月首次开源，在 GitHub 上迅速获得关注，截至 2026 年 3 月已收获超过 3.9 万颗星。DeerFlow 2.0 版本定位已从单纯的研究工具升级为真正的 Super Agent Harness，能够完成需要数十步甚至上百步骤的复杂任务。与传统 Agent 框架不同，DeerFlow 通过 Skills 系统、动态 Sub-Agent 编排、隔离沙箱执行环境和长期记忆等创新设计，为开发者提供了一套生产级的人工智能代理解决方案。
DeerFlow 由字节跳动研发推出，是中国头部科技公司在 AI Agent 领域的重要开源贡献。项目的诞生源于对传统 AI 助手局限性的洞察：当 ChatGPT 等 AI 模型能够生成人类级别的代码和文本时，更大的挑战是如何让 AI 完成需要多步骤、跨工具、长时间执行的复杂任务。传统的 AI 助手通常是单次交互模式，无法有效处理需要深度研究、代码编写、文件操作和多轮迭代的工作流程。字节跳动基于其在人工智能领域的深厚积累，于 2025 年 5 月 9 日正式在 GitHub 上开源 DeerFlow 项目。2026 年 3 月，DeerFlow 2.0 版本发布，定位从深度研究框架升级为超级 Agent 框架。
DeerFlow 的核心功能可以从五个主要维度来理解。第一个维度是 SKILLS & TOOLS 系统。这是 DeerFlow 最独特的创新之一。传统框架通常需要通过代码定义技能，而 DeerFlow 采用 Markdown 文件定义技能的方式，大大降低了扩展门槛。内置技能包括：research（深度研究）、report（生成结构化报告）、slide（创建幻灯片）、webpage（生成网页）、image（生成图片）和 video（生成视频）。核心工具集包括 web_search（网络搜索）、web_fetch（网页抓取）、file_operations（文件读写）和 bash（Shell 命令执行）。系统还支持 MCP Servers 集成和 Python 函数扩展。第二个维度是 Sub-Agent 架构。当用户提交复杂任务时，Lead Agent 会首先进行任务拆解，然后动态生成多个 Sub-Agent 并行执行。每个 Sub-Agent 有独立的上下文环境，避免了传统单一大模型方案的上下文污染问题。执行完成后，Lead Agent 负责整合所有结果并生成最终输出。第三个维度是沙箱与文件系统。DeerFlow 为每个任务提供隔离的执行环境，这是一个重要的安全特性。任务的工作目录包含三个主要子目录：uploads（用户上传文件）、workspace（工作空间，可读写）和 outputs（生成的输出文件）。系统支持三种执行模式：Local（本地直接执行）、Docker（容器隔离）和 Kubernetes（适合企业级集群部署）。第四个维度是 Context Engineering（上下文工程）。系统采用隔离的 Sub-Agent Contexts 设计，每个子代理有独立的上下文窗口和专用工具集，避免主 Agent 的上下文被污染。长期记忆功能支持跨会话持久化。第五个维度是多种输出格式。DeerFlow 支持超过 7 种输出格式，包括报告、幻灯片、网页、图片和视频等。
DeerFlow 是一个开源免费项目，采用 MIT 许可证。用户可以免费在 GitHub 上克隆仓库、部署使用。项目本身不收取费用。作为开源项目，DeerFlow 的商业模式主要通过以下方式实现：一是技术影响力，企业通过开源项目建立技术品牌和开发者社区；二是企业服务支持，字节跳动可能为企业提供付费的技术支持、定制开发和培训服务；三是人才吸引，开源项目是吸引优秀技术人才的重要渠道。从成本角度看，用户部署 DeerFlow 需要承担的成本主要包括：云服务器或物理机器（用于运行 Docker 容器）、模型 API 调用费用（如果使用 OpenAI、Anthropic 等付费模型），以及开发和维护人力成本。
从社区反馈来看，DeerFlow 获得了积极的用户评价。主要正面意见包括：框架设计先进，Skills 和 Sub-Agent 概念清晰易懂；部署相对简单，Docker 容器化方案降低了部署门槛；功能强大，能够处理复杂的实际任务；文档完善，README 和技术博客提供了详细的说明。主要负面反馈包括：需要一定的技术背景才能正确部署和配置；对硬件资源有一定要求，运行成本不可忽视；部分功能需要配置才能发挥最大效用；目前中文文档相对较少。典型使用场景包括：深度研究分析与内容生成、数据处理工作流、企业系统集成（支持 Telegram、Slack、飞书等 IM 渠道接入）、自动化流程编排等。
从行业角度看，DeerFlow 的发布标志着中国科技公司在 AI Agent 领域的开源竞争力。与国际主流框架相比，DeerFlow 在 Sub-Agent 动态生成、Markdown 技能定义、隔离沙箱等特性上有独特创新。技术博主和开发者社区对 DeerFlow 给予了较高评价。iTech 在博客园发表的技术解析文章详细介绍了 DeerFlow 的架构设计和实现细节。虾搞编程的技术文章深入分析了 DeerFlow 的企业级部署方案。从竞品格局看，DeerFlow 主要与 LangChain、AutoGPT、CrewAI 等框架形成竞争。DeerFlow 的优势在于动态 Sub-Agent、Markdown 技能定义和内置沙箱文件系统，更适合复杂的企业级应用场景。
DeerFlow 作为字节跳动的产品，可能面临以下争议和风险：地缘政治敏感度：作为中国公司的开源项目，部分海外用户可能出于数据安全考虑对部署持谨慎态度。安全挑战：虽然沙箱提供了隔离环境，但 Shell 命令执行等能力仍然需要谨慎配置白名单，企业用户需要评估安全风险。长期维护性：开源项目的长期维护依赖于公司的投入力度。学习曲线：虽然概念先进，但正确部署和使用仍然需要一定的技术背景。
DeerFlow 适合以下用户群体：技术团队需要构建 AI Agent 系统的企业开发者、对 AI 自动化有需求的个人开发者、进行 AI 研究和实验的研究人员、需要深度研究能力的内容创作者。对于不同的使用场景，建议如下：个人学习和实验可以直接使用 Docker Gateway Mode；企业生产环境建议使用 Standard Mode 并配置 Kubernetes 集群；需要 IM 渠道集成的场景可以配置 Telegram 或飞书接入。替代方案方面，如果 DeerFlow 不符合需求，可以考虑：LangChain（更成熟，文档更丰富）、LangGraph（更底层，适合深度定制）、CrewAI（更简单的 Agent 编排）。
DeerFlow 是字节跳动开源的一款生产级 Super Agent 框架，通过动态 Sub-Agent 编排、Markdown 技能定义、隔离沙箱执行环境和长期记忆等创新设计，为 AI Agent 的构建提供了新的思路。对于需要构建复杂 AI 自动化系统的企业和开发者，DeerFlow 是一个值得考虑的选择。随着 2.0 版本的发布，框架的能力得到了显著增强，未来发展值得持续关注。

用户评论

CosmosCris48

—

用了两周 DeerFlow，不得不说 Slabs 编排确实香，但文档太少了，很多功能得自己踩坑。

枫叶714

—

50K Star 不是吹的，2.0 版本比 1.0 强太多了！自动拆解任务并行执行，省了我不少事儿。

BenjaminBrownQ

—

实测 Sub-Agent 能力不错，但模型幻觉问题还是存在，需要加个校验流程。

Russell.Roberts369

—

部署是真的麻烦，文档写得不清不楚，建议官方出点视频教程。

Jennifer_BrooksZ

—

Docker 沙箱隔离这个设计很棒，安全有保障。

RRoss_2022418

—

比 LangChain 好上手多了，技能系统很直观。

RWalker_2022

—

mark 一下，等成熟了再用。

Harold_Nguyen_725

—

企业级应用还是算了吧，个人开发者玩一玩还行。

Nicholas_FloresII

—

yyds！终于有个能打的国产 Agent 框架了。

JClark520

—

GitHub Trending 第一！字节这次真的给力。

MBell_77

—

刚部署成功，界面挺干净的，希望能满足我的研究需求。

AAllen

—

长期记忆功能好用，跨会话能记住我之前的研究内容。

SandyFreier

—

skill 定义用 Markdown 确实方便，非程序也能改。

AlexaStewart

—

研究了一下午，发现这玩意儿还挺复杂，新手劝退。

TIalv

—

比 AutoGPT 稳定多了，期待后续更新。

掠影_12

—

多模型接入好评，能用 Claude 也能用 GPT。

MatthewNelsonK

—

生成的报告格式挺好看，直接能用。

David_WrightZ_196

—

官方 Demo 运行成功，但自定义 skill 一直报错，麻了。

NicoleJames520

—

从研究工具升级到 Super Agent，这波升级可以的。

Natalie.Kim_2020

—

并行执行 sub-agent 效率很高，复杂任务可以放心交给它。

DeerFlow

深度报告

用户评论

相关链接

同类产品