斩获 50K Star！字节开源 DeerFlow 2.0，近期霸榜 GitHub 的超级 AI 员工！

最近的 GitHub Trending 榜单，被一个来自字节跳动的项目霸屏了。

目前已经斩获了 50K Star，5800多个Fork，社区参与度爆炸式增长。

它就是 DeerFlow 2.0，一个超级 Agent 调度框架。

最近这段时间，AI Agent这个话题确实火得一塌糊涂。从OpenAI的Deep Research到各种开源框架，大家都在探索如何让AI不仅仅是聊天，而是能真正完成复杂的任务。

但说实话，大多数开源项目要么是概念验证，要么功能残缺不全，要么就是用起来太复杂，普通人根本玩不转。

DeerFlow 2.0的出现，似乎给这个领域带来了一些不一样的东西。

项目简介

DeerFlow 是一个开源的 super agent harness。它把 sub-agents、memory 和 sandbox 组织在一起，再配合可扩展的 skills，让 agent 可以完成几乎任何事情。

而且 DeerFlow 2.0 是一次彻底重写，它和 v1 没有共用的代码。

传统的 AI 工具，比如 GPT、Claude，它们的主要作用是「建议」——告诉你代码怎么写、报告怎么改，但执行还是得靠你自己。复制粘贴、手动拼接、反复调试，这就是所谓的手动交接问题（hand-off problem）。

DeerFlow 彻底颠覆了这个模式。

它是一个执行优先的 Agent 框架。你给它一个任务，它会：

1. 1. 分析需求 —— 理解你要做什么
2. 2. 拆解任务 —— 把复杂任务拆成多个子任务
3. 3. 派出子 Agent —— 每个子任务交给专门的 Agent 处理
4. 4. 并行执行 —— 多个 Agent 同时在 Docker 沙箱里工作
5. 5. 汇总交付 —— 最后整合所有结果，输出完整成果

整个过程完全自主，不需要你盯着。你可以去喝咖啡、开会、睡觉，回来就能看到成果。

核心硬核能力

DeerFlow 能这么快登顶 GitHub Trending，靠的不是营销，而是实打实的技术创新。

1、子 Agent 并行调度系统

DeerFlow 内置了多个专业子 Agent：

• • Researcher（研究员）：负责信息搜集、资料整理
• • Coder（程序员）：负责写代码、调试程序
• • Reporter（报告员）：负责撰写报告、生成文档

一个复杂的研报任务，可能会被拆成十几个子任务，每个子任务由一个专门的 Agent 处理。这些 Agent 可以并行工作，最后由主 Agent 汇总成一份完整的报告。

2、Docker 沙箱隔离执行

这是 DeerFlow 最硬核的设计之一。

每个任务都运行在独立的 Docker 容器里：

• • ✅ 有自己的文件系统，可以读写文件
• • ✅ 可以执行代码，安装依赖
• • ✅ 完全隔离，不会互相干扰
• • ✅ 可审计，所有操作都有记录

这意味着你可以放心让 AI 去执行代码，不用担心它搞坏你的系统。沙箱用完即毁，干净又安全。

3、跨会话记忆持久化

DeerFlow 支持长期记忆功能。它会记住：

• • 你之前的任务历史
• • 你的偏好设置
• • 项目相关的上下文信息

用得越多，它越懂你。 这种渐进式学习能力，让它在处理复杂项目时越来越顺手。

4、内置 Skill 技能系统

DeerFlow 自带一套「技能」系统，开箱即用：

而且 Skill 是可扩展的，你可以自己写新的 Skill，或者修改现有的。

5、多模型支持

DeerFlow 不绑定任何特定模型，你可以接入：

• • GPT-4 / GPT-5
• • DeepSeek V3.2
• • 豆包 Seed 2.0 Code
• • Kimi 2.5
• • Claude Sonnet
• • 任何 OpenAI 兼容的 API

官方推荐搭配 Doubao-Seed-2.0-Code、DeepSeek v3.2 或 Kimi 2.5 使用，效果最佳。

基于 LangGraph 的全栈设计

DeerFlow 2.0 是基于 LangGraph 1.0 完全重写的（与 1.x 版本零代码共享），采用全栈架构：

┌─────────────────────────────────────────────────────────┐
│                    Nginx (Port 2026)                     │
│                   统一入口/反向代理                        │
└─────────────────────────────────────────────────────────┘
                           │
           ┌───────────────┼───────────────┐
           ▼               ▼               ▼
┌─────────────────┐ ┌─────────────┐ ┌──────────────┐
│  Frontend       │ │  Gateway    │ │ LangGraph    │
│  (Next.js)      │ │  API        │ │ Server       │
│  Port 3000      │ │  Port 8001  │ │ Port 2024    │
└─────────────────┘ └─────────────┘ └──────────────┘
                           │
                    ┌──────┴──────┐
                    ▼             ▼
            ┌──────────┐   ┌──────────┐
            │ Sandbox  │   │ Memory   │
            │ Docker   │   │ System   │
            └──────────┘   └──────────┘

核心组件包括：

• • Lead Agent：主调度 Agent，负责任务分解和协调
• • Sub-Agent System：子 Agent 委派和执行引擎
• • Sandbox System：Docker 沙箱执行环境
• • Memory System：长期记忆和上下文管理
• • Skill Loader：技能发现和加载系统
• • MCP Integration：Model Context Protocol 支持

快速上手

说了这么多，你肯定想试试DeerFlow 2.0到底怎么用。放心，官方提供了两种方式，都很简单。

这里以 Docker（推荐）为例，本地部署可参考官方文档步骤。

这是最快的方式，环境都是配置好的，你只需要几个命令：

1. 1. 先克隆仓库：

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

1. 2. 生成配置文件：

make config

1. 3. 编辑config.yaml，配置你想用的模型：

models:
  - name: gpt-4
    display_name: GPT-4
    use: langchain_openai:ChatOpenAI
    model: gpt-4
    api_key: $OPENAI_API_KEY
    max_tokens: 4096
    temperature: 0.7

1. 4. 编辑.env文件，设置API密钥：

OPENAI_API_KEY=your-openai-api-key
TAVILY_API_KEY=your-tavily-api-key

1. 5. 初始化并启动：

make docker-init    # 只需要第一次运行，拉取沙箱镜像
make docker-start   # 启动服务

1. 6. 打开浏览器访问：http://localhost:2026

就这么简单！更多的进阶配置，比如Sandbox 模式、MCP Server、IM 渠道等可在官方文档中学习。

写在最后

DeerFlow 2.0这个项目，最让人兴奋的地方不在于它用了什么炫酷的技术，而在于它真的把"AI能做事"这件事落到了实处。

以前的AI工具，大多是"建议型"的——告诉你该怎么做，但真正动手的还是你。DeerFlow 2.0是"执行型"的——它直接帮你把事情做完。

对于开发者来说，这意味着可以把重复性工作交给 AI，自己专注于更有创造性的工作。

对于企业团队来说，这意味着可以用更少的人力完成更多的工作。

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

官方文档：https://deerflow.tech

如果本文对您有帮助，也请帮忙点个 赞👍 + 在看 哈！❤️

在看你就赞赞我！