字节开源Deer-Flow 2登顶GitHub Trending：35.3k星超级智能体框架，开箱即用多智能体协同

字节跳动开源的 Deer-Flow 2 超级智能体管理框架，在发布后迅速登上GitHub Trending榜首，目前已收获35.3k Star。

Deer-Flow 2采用模块化多智能体架构，智能体之间通过LangGraph实现协同合作。框架主打 开箱即用 ，内置了Tavily、Brave Search、DuckDuckGo等多种搜索引擎，并集成了Jina等爬虫工具，提供了全面的信息收集能力。同时，框架也具备良好的扩展性，支持接入自定义API或模型。

在核心能力方面，Deer-Flow 2支持多智能体协同、沙箱安全执行、一键部署等功能，提供Docker快速部署和本地开发两种选择，并兼容主流大语言模型。

此外，框架原生适配飞书、Telegram、Slack等即时通讯渠道，无需公网IP即可运行。

核心能力与技术亮点

Deer-Flow在2.0版本中完成了彻底的架构升级。

1.0版本采用固定的5节点多智能体架构，能力边界明确，主要聚焦于 深度研究 场景。而2.0版本对整体结构进行了全面重构，从底层到上层实现了能力飞跃。

新版本采用 单一主智能体 + 11层中间件链 + 动态子智能体 的全新架构，将核心能力收敛到工具集与中间件链中，使系统更轻量、更灵活、更易扩展。相比1.0版本需要调整整体结构来新增能力，2.0版本只需添加新技能即可完成拓展，无需改动底层框架。原本作为核心的深度研究能力，也转变为框架内置的一项基础能力。

在框架层面，Deer-Flow 2.0已整合 子智能体调度、长期记忆、隔离沙箱执行环境、可扩展技能与工具 等关键模块，形成了一套完整、成熟的智能体运行能力体系。

可插拔Skill体系

为了让智能体快速适配不同场景，Deer-Flow 2.0搭建了一套可插拔的技能体系。框架出厂自带深度研究、数据分析、图表生成、音视频创作等十余种常用技能。系统会根据任务需求渐进式加载技能以控制token消耗，避免因上下文被过度占用而导致效率下降。

如果内置能力无法满足需求，用户还可以自行封装专属技能。配合官方提供的skill-creator工具，可在几分钟内为智能体扩展新能力。同时，系统提供MCP与Python接口，支持自定义工具的深度集成，甚至可接入Claude Code，让用户能在终端完成工具的下发、查看与管理操作。

隔离沙箱执行环境

Deer-Flow 2.0配备了独立隔离沙箱。每个任务都在专属沙箱中运行，拥有完整的文件系统与Bash执行权限，支持文件读写、脚本运行、命令操作等。

系统提供本地、Docker、Kubernetes三种运行模式。其中Docker模式采用字节开源的AIO Sandbox，隔离级别更高、运行更稳定。该模式会自动完成虚拟路径与物理路径的映射，确保开发环境与部署环境的一致性。

子智能体调度与上下文工程

面对复杂的长时任务，Deer-Flow 2.0通过调度机制与上下文工程协同处理。主智能体会先对任务进行结构化拆解，再按需调度最多3个子智能体并行执行。子智能体可选用通用能力或命令行专家型，每个子智能体都拥有独立的上下文，互不干扰。

在此基础上，框架通过多层中间件链、上下文自动摘要压缩、外部文件存储、子任务限流等设计，系统性解决长时任务中上下文窗口不足的问题。

以下是Deer-Flow 2.0的部分能力展示：

一键产出完整、可交付的足球联赛官网页面，实现从设计到代码的全流程自动化。

一句指令将复杂概念转化为儿童易懂的哆啦A梦漫画。

一句话生成液态玻璃风格的天气界面，鼠标悬停可触发3D形变效果。

如何部署

Deer-Flow主要提供Docker和本地两种部署方式。

Docker部署是最简单快捷的方式，只需几个命令即可在本地启动完整的DeerFlow服务。

1. 克隆仓库：
   bash
git clone https://github.com/bytedance/deer-flow.git

2. 进入项目根目录：
   bash
cd deer-flow
   

3. 生成本地配置：
   bash
make config
   系统会自动生成config.yaml配置文件和.env文件（若无make命令，Windows用户可安装MinGW）。

4. 在项目目录下的Config.yaml文件中填入模型相关配置。
   

5. 设置完成后，拉取沙箱镜像：
   bash
make docker-init
   此命令将自动拉取字节开源的AIO Sandbox沙箱镜像，首次拉取可能需要几分钟。
   

6. 镜像拉取完成后，启动服务：
   bash
docker-start
   服务启动后，访问 http://localhost:2026 即可进入Web界面。
   

如果需要进行深度定制或二次开发，可以选择本地部署方式。本地部署需要满足以下前置条件：Python 3.12+、Node.js 22+、pnpm、uv包管理器以及nginx。

满足环境要求后，可按以下步骤操作：

1. 检查依赖：打开终端进入deer-flow根目录，输入：
   bash
make check
   系统会自动校验上述依赖是否齐全，并提示补充缺失项。
   

2. 安装依赖：
   bash
make install
   系统会自动安装Python和Node.js的相关依赖包。
   

3. （可选）预拉取沙箱镜像，避免后续首次使用时等待：
   bash
make setup-sandbox

4. 启动服务：
   bash
make dev
   

本地部署方式适合需要修改源码、调试功能或贡献代码的开发者。

Deer-Flow原生支持从即时通讯应用接收任务，目前支持Telegram、Slack和飞书/Lark三个渠道，且均不需要公网IP。

△ config.yaml文件中channels相关配置示例

配置完成后，即可直接在聊天窗口中与Deer-Flow交互。

Deer-Flow的两位核心开发者是来自北京大学的Tao He和来自南京大学的Henry Li。

项目地址： https://github.com/bytedance/deer-flow
官方网站： https://deerflow.tech

关注“鲸栖”小程序，掌握最新AI资讯