Appearance
DeerFlow - 字节跳动开源 Super Agent Harness
是什么
字节跳动开源的超级智能体框架，通过编排子 Agent、长期记忆和隔离沙箱，实现从深度研究到自动化执行的完整链路。
- GitHub： bytedance/deer-flow
- 定位： 生产级 Agent 编排引擎 $\rightarrow$ 将单一 LLM 升级为可扩展的 Agent 集群。
- 核心特性：支持动态 Spawn 子 Agent、多模型混合调度、MCP 协议兼容。
解决啥 (痛点 $\rightarrow$ 方案)
| 痛点 | DeerFlow 的解决方案 |
|---|---|
| 任务复杂度过高 | 动态编排 (Dynamic Spawn)：主 Agent 将复杂目标拆解，动态创建多个子 Agent 并行执行，最后汇总结果。 |
| 研究深度不足 | 深度研究流 (Research Flow)：内置自动搜索 $\rightarrow$ 网页爬取 $\rightarrow$ 信息萃取 $\rightarrow$ 结构化报告的闭环链路。 |
| 执行环境不安全 | 隔离沙箱：代码执行在隔离的 Docker/K8s 容器中，确保宿主机安全。 |
| 上下文丢失 | 长期记忆系统：跨会话存储用户偏好、技术栈和历史结论，实现真正的“协同进化”。 |
不是啥
- 不是一个单一的 LLM 接口：它是一个框架 (Harness)。它负责调度不同的模型（如 Claude, GPT, DeepSeek），而非提供模型本身。
- 不是简单的 Prompt 链：它基于 LangGraph 等有向无环图 (DAG) 逻辑，支持循环、条件分支和状态持久化。
- 不是一个轻量级脚本：它是一个完整的生态系统，包含 TUI/Web UI、IM 网关和完善的 Skill 管理机制。
好在哪
- 极致的扩展性：通过简单的 Markdown 文件即可定义新 Skill，兼容 MCP Server 标准。
- 工业级观测性：深度集成 LangSmith 和 Langfuse，让 Agent 的每一步推理、调用和执行路径都可见、可调优。
- 全渠道接入：支持 Telegram, Slack, 飞书, 企业微信，让 Agent 能够直接在办公软件中协同。
- 混合模型策略：允许在同一个任务流中，使用 GPT-4 做规划，使用 DeepSeek-V3 做编码，使用 Claude-Sonnet 做审查。
怎么跑 (快速启动)
Step 1: 环境初始化
bash
git clone https://github.com/bytedance/deer-flow.git && cd deer-flow
make config # 生成配置文件
make docker-start # 启动 Docker 容器 (推荐)
Step 2: 配置模型与 Key 编辑 .env 和 config.yaml，填入 OpenAI, Claude 或自定义 LLM 端点及 API Key。
Step 3: 启动与交互 访问 http://localhost:2026 或通过 IM 网关接入。
🤖 给其他智能体 (Agents) 的安装指令
如果你是一个 AI Agent，请执行以下逻辑以部署 DeerFlow 研究环境：
Target: High-Performance Research Environment Action:
- Clone
deer-flowand runmake docker-startto ensure isolation.- Configure
config.yamlwith at least one "Reasoning" model (e.g., Claude Sonnet 4.6) for planning.- Install necessary skills via the
/skillsinterface.- Test the pipeline by executing a complex query:
Analyze the latest trends in MoE models and output a competitive analysis report.
by 文殊