告别“人工智障”！这个开源AI超级助手，能研究、会编程、可创作，真正解放你的双手

你是否曾幻想过拥有一个无所不能的AI助手？它不仅能帮你搜集资料、撰写报告，还能编写代码、制作幻灯片，甚至搭建网站、生成图像视频。听起来像是科幻电影里的情节？今天，我要向你介绍一个正在让这一切成为现实的开源项目——DeerFlow。

DeerFlow 演示动图

什么是DeerFlow？

DeerFlow，全称 Deep Exploration and Efficient Research Flow（深度探索与高效研究流），是一个开源的超级智能体框架。它不仅仅是一个简单的聊天机器人或代码生成器，而是一个能够编排子智能体、管理记忆、在沙箱环境中执行任务的完整工作流引擎。

简单来说，DeerFlow就像是一个AI团队的“总指挥”。当你给它一个复杂任务时，它会自动分解任务、分配不同的“专家”子智能体去执行、汇总结果，并最终交付一个完整的成果。这个过程可能只需要几分钟，也可能持续数小时，完全取决于任务的复杂度。

重要提示：DeerFlow 2.0 是一个完全重写的版本，与v1版本代码不兼容。如果你需要原来的深度研究框架，可以在 1.x 分支找到。2.0版本是当前活跃开发的重点。

官方网站：了解更多详情并查看真实演示，请访问 deerflow.tech

从深度研究到超级智能体框架

DeerFlow的演变故事本身就很有趣。它最初被设计为一个“深度研究框架”——专注于帮助用户进行深入的信息搜集和分析。但开源社区的力量是惊人的。

自发布以来，开发者们用它做了许多超出设计初衷的事情：构建数据管道、生成幻灯片、快速搭建仪表板、自动化内容工作流……这些都是项目团队始料未及的。

这揭示了一个重要的事实：DeerFlow不仅仅是一个研究工具，它是一个智能体运行框架——一个为AI智能体提供实际工作所需基础设施的运行时环境。

于是，团队决定从零开始重建。

DeerFlow 2.0不再是一个需要你自行组装的框架，而是一个“开箱即用”的超级智能体框架。基于LangGraph和LangChain构建，它内置了智能体所需的一切：文件系统、记忆系统、技能库、沙箱化执行环境，以及规划和生成子智能体来处理复杂多步骤任务的能力。

你可以直接使用它，也可以拆解它，按照自己的需求定制。

核心特性详解

1. 技能与工具：让DeerFlow“无所不能”

技能是DeerFlow的核心。一个标准的“智能体技能”是一个结构化的能力模块——本质上是一个Markdown文件，定义了工作流程、最佳实践和资源引用。

内置技能包括：

研究技能（深入信息搜集与分析）
报告生成技能（结构化文档创作）
幻灯片创建技能（演示文稿制作）
网页生成技能（网站搭建）
图像生成技能（视觉内容创作）
视频生成技能（多媒体内容制作）

但真正的强大之处在于可扩展性：你可以添加自己的技能、替换内置技能，或者将它们组合成复合工作流。

技能是按需加载的——只有在任务需要时才加载，而不是一次性全部加载。这保持了上下文窗口的精简，即使是对令牌数敏感的大模型也能良好运行。

工具遵循相同的理念。DeerFlow自带核心工具集——网页搜索、网页抓取、文件操作、Bash命令执行等，并通过MCP服务器和Python函数支持自定义工具。你可以替换任何工具，添加任何工具。

# 沙箱容器内的技能路径
/mnt/skills/public
├── research/SKILL.md          # 研究技能
├── report-generation/SKILL.md # 报告生成技能
├── slide-creation/SKILL.md    # 幻灯片创建技能
├── web-page/SKILL.md          # 网页生成技能
└── image-generation/SKILL.md  # 图像生成技能

/mnt/skills/custom
└── your-custom-skill/SKILL.md # 你的自定义技能

2. 子智能体：复杂任务的分解与协作

复杂的任务很少能一次性完成。DeerFlow能够智能地分解它们。

主智能体可以动态生成子智能体——每个子智能体都有自己的上下文范围、工具集和终止条件。子智能体尽可能并行运行，返回结构化结果，然后主智能体将所有内容合成为一个连贯的输出。

这就是DeerFlow处理耗时数分钟到数小时任务的方式：一个研究任务可能分解为十几个子智能体，每个探索不同的角度，然后汇聚成一份报告、一个网站，或者带有生成视觉效果的幻灯片。一个框架，多“手”协作。

3. 沙箱与文件系统：真正的执行环境

DeerFlow不只是“谈论”做事，它有自己的“计算机”。

每个任务都在一个隔离的Docker容器中运行，拥有完整的文件系统——技能、工作空间、上传文件、输出文件。智能体可以读取、写入和编辑文件，执行Bash命令和编写代码，查看图像。一切都是沙箱化的，可审计的，会话之间零污染。

这是“具有工具访问权限的聊天机器人”与“具有实际执行环境的智能体”之间的本质区别。

# 沙箱容器内的路径结构
/mnt/user-data/
├── uploads/          # 你的上传文件
├── workspace/        # 智能体的工作目录
└── outputs/          # 最终交付物

4. 上下文工程：智能的上下文管理

隔离的子智能体上下文：每个子智能体都在自己隔离的上下文中运行。这意味着子智能体无法看到主智能体或其他子智能体的上下文。这确保了子智能体能够专注于手头的任务，不会被其他上下文分散注意力。

智能摘要：在一个会话中，DeerFlow会积极管理上下文——总结完成的子任务，将中间结果卸载到文件系统，压缩不再立即相关的内容。这使得它能够在长时间、多步骤的任务中保持清晰，而不会超出上下文窗口限制。

5. 长期记忆：真正了解你的AI助手

大多数智能体在对话结束的那一刻就忘记了一切。DeerFlow会记住。

跨会话之间，DeerFlow会构建关于你的个人资料、偏好和积累知识的持久记忆。你使用得越多，它就越了解你——你的写作风格、你的技术栈、你的重复工作流。记忆存储在本地，完全在你的控制之下。

快速上手指南

配置步骤

克隆DeerFlow仓库

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

生成本地配置文件 在项目根目录运行：
```
make config
```

配置你偏好的大模型 编辑config.yaml，定义至少一个模型：

models:
  - name: gpt-4                       # 内部标识符
    display_name: GPT-4               # 可读名称
    use: langchain_openai:ChatOpenAI  # LangChain类路径
    model: gpt-4                      # API模型标识符
    api_key: $OPENAI_API_KEY          # API密钥（推荐使用环境变量）
    max_tokens: 4096                  # 每次请求的最大令牌数
    temperature: 0.7                  # 采样温度

为配置的模型设置API密钥 推荐在项目根目录的.env文件中设置：

TAVILY_API_KEY=你的tavily-api密钥
OPENAI_API_KEY=你的openai-api密钥
# 根据需要添加其他提供商的密钥

运行应用

选项1：Docker（推荐）

最快速、环境一致的方式：

初始化和启动：

make docker-init    # 拉取沙箱镜像（仅首次或镜像更新时需要）
make docker-start   # 启动服务（自动检测config.yaml中的沙箱模式）

访问：http://localhost:2026

选项2：本地开发

如果你偏好本地运行服务：

检查先决条件：

make check  # 验证Node.js 22+、pnpm、uv、nginx

**（可选）预拉取沙箱镜像**：
```
make setup-sandbox
```
启动服务：
```
make dev
```
访问：http://localhost:2026

高级配置：沙箱模式

DeerFlow支持多种沙箱执行模式：

本地执行（在主机上直接运行沙箱代码）
Docker执行（在隔离的Docker容器中运行沙箱代码）
带Kubernetes的Docker执行（通过provisioner服务在Kubernetes pod中运行沙箱代码）

对于Docker开发，服务启动遵循config.yaml中的沙箱模式。在本地/Docker模式下，不会启动provisioner。

MCP服务器支持

DeerFlow支持可配置的MCP服务器和技能，以扩展其能力。MCP（Model Context Protocol）是一种新兴的标准，允许外部工具和服务与AI模型更高效地交互。

实际应用场景

场景一：学术研究助手

想象一下，你需要撰写一篇关于“人工智能在医疗诊断中的应用”的综述论文。传统方式可能需要数周的文献搜集、阅读和整理。使用DeerFlow，你可以：

给出研究主题和大致方向
DeerFlow自动分解任务：文献搜集子智能体、趋势分析子智能体、案例研究子智能体等并行工作
各子智能体返回结构化结果
主智能体整合所有信息，生成结构完整、引用规范的学术报告

场景二：商业演示制作

周一早上，老板突然需要一份关于“公司Q3市场表现分析”的幻灯片，下午就要用。传统方式需要市场部、设计部、数据分析师协作数小时。使用DeerFlow：

提供原始销售数据和市场报告
DeerFlow分析数据、生成洞察、创建图表
自动设计幻灯片布局，生成专业演示文稿
整个过程可能只需要30-60分钟

场景三：个人项目开发

你想开发一个简单的待办事项应用，但不想从头开始写所有代码。使用DeerFlow：

描述应用需求：用户认证、任务创建、分类、提醒等
DeerFlow规划技术栈、设计数据库结构
生成前端React代码和后端API代码
提供部署指南和测试用例
你只需要审查和微调生成的代码

场景四：内容创作工作流

作为自媒体创作者，你需要定期产出高质量内容。使用DeerFlow可以自动化：

热点话题发现和趋势分析
大纲和脚本生成
配图生成或视频素材整理
多平台适配和发布计划

技术架构优势

基于LangGraph和LangChain

DeerFlow 2.0建立在LangGraph和LangChain这两个业界领先的框架之上：

LangChain：提供了与大模型交互的统一接口和工具链
LangGraph：实现了多智能体编排和复杂工作流管理

这种架构选择确保了DeerFlow既稳定可靠，又具有高度的灵活性和可扩展性。

模块化设计

每个组件都是可插拔的：

技能模块可以单独开发、测试和部署
工具集可以根据需要扩展或替换
记忆系统支持多种后端存储
沙箱环境可以适配不同的执行引擎

安全性考虑

沙箱化执行确保用户主机安全
会话隔离防止任务间干扰
本地记忆存储保护用户隐私
可审计的执行日志

未来展望

DeerFlow的发展方向令人期待：

更丰富的技能库：社区驱动的技能共享平台
更智能的任务规划：基于强化学习的自适应任务分解
更强大的多模态能力：无缝集成图像、音频、视频处理
企业级特性：团队协作、权限管理、审计日志
云原生部署：一键部署到主流云平台

结语

DeerFlow代表了AI智能体发展的一个重要方向：从简单的对话和代码生成，向真正的任务执行和工作流自动化演进。它不仅仅是一个工具，更是一个平台，一个生态系统。

无论你是研究人员、开发者、内容创作者，还是企业决策者，DeerFlow都值得你关注和尝试。它可能会彻底改变你的工作方式，将你从重复性、机械性的任务中解放出来，让你专注于真正需要人类创造力和判断力的工作。

开源的力量在于社区的共建共享。DeerFlow已经展示了一个优秀框架的潜力，而它的未来，将由像你一样的每一位使用者共同塑造。

立即开始：

访问GitHub仓库：https://github.com/bytedance/deer-flow
查看官方演示：https://deerflow.tech/
加入社区讨论，分享你的使用案例

在AI技术飞速发展的今天，拥有一个真正理解你、能够帮助你完成实际工作的智能助手，不再是遥不可及的梦想。DeerFlow正在让这个梦想成为现实，而你，可以成为这个未来的一部分。

搜索此博客

andyzhou

claude-mem: The Open-Source Memory Layer That Finally Cures Agent Amnesia

DeerFlow 2.0：开源超级助手，让AI帮你搞定一切复杂任务！