← 返回笔记列表
第24期 · 开源项目
DeerFlow｜字节开源的 Super Agent 运行底座：子智能体编排 + Docker 沙箱 + 按需 Skills
开源项目Agent第24期
#DeerFlow#AI#Agent#多智能体#开源#大模型#DeepResearch#企业级AI#LangGraph
字节把『长任务多智能体』这套最重的工程活做成了可自托管的底座：子 Agent 编排 + Docker 安全沙箱 + 记忆 + 按需 Skills + MCP 原生接入，企业想搭内部深度研究 Agent，不必从零拼 LangGraph 那套状态机。
DeerFlow 是字节跳动开源、MIT 协议、基于 LangGraph 构建的 Super Agent 运行底座（Harness）。前身（1.x）主打 Deep Research 深度研究；2.0 是一次彻底重写——官方原文 ground-up rewrite，与 v1 不共享代码，1.x 分支继续维护，主开发已迁到 2.0，定位升级为通用长任务多智能体编排框架，支持 Docker 自托管。
核心架构：两层分离
- DeerFlow Harness（核心 SDK / 运行时）：底层引擎，负责子 Agent 调度、记忆、技能、沙箱、状态流转，用于二次开发集成
- DeerFlow App（上层应用）：开箱即用 WebUI，面向终端用户直接跑任务
多智能体角色：协调器 Coordinator、规划器 Planner、研究员 Researcher、代码 Coder、报告生成 Reporter——自动拆解复杂任务，串行 / 并行执行子任务。
核心能力
- 子 Agent 编排：任务自动拆分，多子智能体协同工作
- Docker 安全沙箱：隔离环境执行 Python、Shell、读写文件，风险可控
- 长短记忆系统：事实抽取、会话持久化、长上下文压缩
- 按需加载 Skills：技能插件化，用到才加载，控制上下文开销，支持自定义扩展
- MCP 协议接入：对接外部工具、私有知识库
- 多搜索源：Tavily、DuckDuckGo、Arxiv 学术检索；可对接 RAGFlow / Qdrant / Milvus / Dify 私有知识库
- 交付物输出：调研报告、PPT、播客音频、代码文件，支持人工介入（Human-in-the-loop）复核方案
- 兼容任意 OpenAI 格式大模型，支持多模态
适用场景
行业深度调研、竞品分析、技术方案研究、数据分析代码自动执行、复杂多步骤业务自动化、企业内部深度研究 Agent 搭建。
与同类框架的简要区分
- DeerFlow vs Dify：DeerFlow 长任务深度研究优先，自带沙箱 + 子 Agent 编排，MCP 原生支持；Dify 偏 RAG + 简单工具调用，轻量应用搭建
- DeerFlow vs AutoGPT：DeerFlow 强在多子 Agent 编排；AutoGPT 偏单机单 Agent，多子 Agent 编排弱
- DeerFlow vs GraphRAG：DeerFlow 有完整任务执行沙箱；GraphRAG 专注知识图谱检索
部署与规格（官方口径）
- 官方推荐 Docker（需 Docker Desktop / Engine + Docker Compose v2.24+）：make up 构建并启动全部生产服务，访问 http://localhost:2026；make down 停止
- 另支持本地开发路径：make dev / make docker-start
- 资源底线（官方部署规格）：本地评估 4 vCPU / 8 GB 起、推荐 8 vCPU / 16 GB；常驻服务器 8 vCPU / 16 GB 起、推荐 16 vCPU / 32 GB
- 官方建议：Linux + Docker 是常驻服务器的推荐目标，macOS / Windows 更适合当开发或评估环境
- 网关对外暴露 LangGraph-compatible API（默认 http://localhost:8001/api），可接 LangGraph Studio / LangGraph Server
标签
#AI #Agent #多智能体 #开源 #大模型 #DeepResearch #企业级AI #LangGraph
📝 我的点评
这条适合和 #15（Edict 三省六部制）、#21（Hermes 群聊开会）放一起看：那两条是『多智能体协作 / 治理』的小切口，DeerFlow 是字节给的一整套底座。对我做数字员工最该抄的是三条工程决策——① Harness 与 App 分层：把运行时做成可被集成的 SDK，WebUI 只是其中一个消费方；我做 HappyClaw 的工具层同理，能力归能力、界面归界面。② 沙箱是硬前提不是可选项：Agent 能跑 Python/Shell 就必须隔离，否则『让 AI 自动执行代码』这个卖点在客户现场就是事故源。③ 按需加载 Skills + MCP 原生：不把所有资料塞进上下文，用到才加载——这和我们 kb 检索『注入预算 3s、只能走 fast』是同一个约束的两面。两个坑：一是 2.0 与 1.x 不共享代码，网上大量『DeerFlow Deep Research』教程是 v1 的，照 2.0 装会完全对不上（1.x 在独立分支）；二是官方资源底线不低（常驻建议 16 vCPU / 32 GB），个人机做演示只按 Docker 本地评估版估，别按生产规格算。另：文案里的搜索源写成 Tavily / DuckDuckGo / Arxiv 属 v1 口径，2.0 README 已改为 Tavily + 字节自家 BytePlus InfoQuest，并支持 Exa / Firecrawl / Jina / Browserless 一类 fetch provider——content 保留原口径，差异在此标注。source_url / meta.official 用真实仓库 bytedance/deer-flow（MIT），增强 GEO。