DeerFlow：字節跳動 89K 星 SuperAgent，自動研究、寫程式、產出內容

單一 Agent 的瓶頸

想像你請一個人同時做這些事：研究一個主題、寫報告、做簡報、產生配圖、發佈網頁。就算是天才，也會被壓垮。在研究筆記和簡報排版之間跳來跳去，他丟失細節。在報告草稿和網頁程式碼之間切換，他忘記前面想好的東西。

這就是你把複雜請求丟給單一 AI agent 時發生的事。一次做一件事。一個 context window。對話越長，前面的推理越模糊。它沒辦法退後一步，協調多條平行工作線。

DeerFlow 是字節跳動的回答：別讓一個 agent 做所有事。改用協調的方式讓很多 agent 一起做。

DeerFlow 到底是什麼

DeerFlow（Deep Exploration and Efficient Research Flow）是一個開源的 SuperAgent 框架。不是單一 agent。是一個協調層，負責產生、管理、合成多個子 agent 的工作。2.0 版在 2026 年 2 月 28 日上線。幾小時內登上 GitHub Trending 第一名。至今超過 89,000 顆星。

「框架」（harness）這個字很重要。框架不做拉車的工作，馬才拉。DeerFlow 不直接幫你寫程式或做簡報。它決定該產生哪些子 agent、每個拿什麼工具、帶多少 context、結果怎麼合併成完整輸出。

用廚房來比喻：單一 AI agent 是一個廚師什麼都做。DeerFlow 是廚房經理，指派備料人員切菜、甜點師傅做甜點、爐台廚師煎主菜，然後把所有人的成果組合成最終上桌的那道菜。

建在 LangGraph 和 LangChain 之上。後端 Python、前端 React。MIT 授權。支援任何 LangChain 相容模型：GPT-4、DeepSeek v3.2、Gemini 2.5 Flash（透過 OpenRouter）、字節跳動自家的 Doubao-Seed 系列等。

架構：四個層次怎麼疊起來

四個核心層次，像建築物的樓層往上疊。理解每一層，就能看懂整個系統為什麼這樣設計。

主 Agent（Lead Agent）

最上面：主 agent。接收你的請求，拆解成子任務，決定產生哪些子 agent，合成所有輸出。主 agent 是唯一看到全貌的元件。它維護高層級計畫，根據子 agent 回報即時調整。

子 Agent

每個子 agent 拿到範圍明確的任務。研究一個特定問題。寫一段程式碼。產生一張圖。子 agent 只收到它需要的 context -- 不是完整對話歷史。這是刻意的。研究電池技術趨勢的子 agent 不需要知道簡報排版子 agent 偏好什麼字體。

任務彼此獨立時，子 agent 平行執行。子 agent A 需要子 agent B 的輸出時，主 agent 安排順序。所有子 agent 回報完畢。主 agent 把結構化結果合成最終輸出。

核心模式：扇出，然後扇入。研究任務產生十二個子 agent，各自探索不同角度，收斂成一份報告。建網站任務產生分別負責內容、樣式和部署的子 agent。

沙箱

每個任務在隔離環境中執行。三種執行模式：

1. 本地 -- 程式碼直接在主機跑。快。不用額外設定。沒有隔離。
2. Docker -- 程式碼在容器中跑。每個任務有專屬檔案系統 /mnt/user-data/，包含 uploads/、workspace/、outputs/。
3. Kubernetes -- 程式碼在 K8s pod 中跑，透過 provisioner 服務。適合規模化部署。

沙箱不是裝飾品。子 agent 讀寫檔案、執行 bash 指令、檢視圖片，全在沙箱裡。子 agent 的程式碼當掉？影響範圍限制在容器內。你的主機完全不受影響。

技能和記憶

技能（Skills） 是用 Markdown 定義的結構化能力模組，包含 YAML frontmatter。每個技能描述一套工作流程：怎麼寫研究報告、怎麼做簡報、怎麼建網頁。DeerFlow 用漸進式載入，子 agent 真正需要時才拉入技能定義。Context window 保持精簡，而不是一開始塞進所有能力。

內建技能涵蓋研究、報告、簡報、網頁、圖片/影片產生。外部技能透過 Gateway API 安裝 .skill 檔案。

記憶（Memory） 跨 session 持久保存。DeerFlow 自動從對話中萃取使用者背景、事實和偏好。本地存儲，帶信心分數。Debounce 機制減少 LLM 呼叫。一週後回來，DeerFlow 記得你的專案背景、偏好的輸出格式、之前累積的知識。

值得了解的主要功能

InfoQuest 搜尋整合

DeerFlow 整合 BytePlus 的 InfoQuest 智慧搜尋和爬蟲工具。不只是搜尋包裝。InfoQuest 處理結構化爬取、內容萃取和結果排序，專為研究任務調校。子 agent 需要回答事實問題時，拿到的是過濾和結構化的搜尋結果，不是原始網頁。

Claude Code 橋接

claude-to-deerflow 技能值得注意，特別是已經在用 Claude Code 的開發者。它讓你直接從終端跟運行中的 DeerFlow 實例互動。提交研究任務。檢查狀態。管理 thread。上傳檔案。完全不離開 Claude Code。

工作流程：你在深度編碼中。忽然需要 API 遷移策略的背景研究。不用切到 DeerFlow 的網頁 UI，直接從終端送出研究任務。DeerFlow 的子 agent 扇出、研究、整理報告。你繼續寫程式。報告完成？拉回 Claude Code session。

MCP Server 支援

DeerFlow 內建核心工具（搜尋、網頁擷取、檔案操作、bash 執行），透過 Model Context Protocol（MCP）擴展。接上任何 MCP 相容 server，加入額外能力：資料庫存取、API 整合、自訂資料來源。HTTP/SSE MCP server 支援 OAuth token 流程做認證存取。

即時通訊管道

DeerFlow 連接 Telegram、Slack、飛書（Feishu/Lark），透過長輪詢或 WebSocket。不需要公開 IP。從手機的 Telegram 送出任務。DeerFlow 的子 agent 工作一小時。收到完成的報告。指令：/new、/status、/models、/memory、/help。

安裝設定

前置需求

• Python 3.12+
• Node.js 22+
• pnpm
• Docker（建議，提供沙箱隔離）

Docker 安裝（建議）

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

# 產生設定檔和環境設定
make config

# 編輯 config.yaml 加入你的模型和 API key
# 模型設定範例：
# models:
#   - name: gpt-4
#     display_name: GPT-4
#     use: langchain_openai:ChatOpenAI
#     model: gpt-4
#     api_key: $OPENAI_API_KEY

# 拉取沙箱映像並啟動所有服務
make docker-init
make docker-start

在 http://localhost:2026 存取 DeerFlow。Docker 把所有東西打包（後端、前端、Nginx 反向代理、沙箱），不用個別安裝。

本地開發安裝

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

make config        # 產生設定檔
make check         # 驗證環境
make install       # 安裝依賴
make setup-sandbox # 選用：設定 Docker 沙箱
make dev           # 啟動所有服務（開發模式）

模型設定

DeerFlow 支援任何 LangChain 相容模型。config.yaml 接受模型列表，每個帶各自 provider 的參數。對 OpenAI 相容的 provider（包括透過 Ollama 或 vLLM 跑的本地模型），設定 base_url：

models:
  - name: deepseek-v3
    display_name: DeepSeek v3.2
    use: langchain_openai:ChatOpenAI
    model: deepseek-chat
    api_key: $DEEPSEEK_API_KEY
    base_url: https://api.deepseek.com

DeerFlow vs. 手動跑多個 CLI Agent

理論上，你可以開五個終端、跑五個獨立的 Claude Code 或 Codex CLI session，手動協調。2025 年多 agent 工作流變得可行以來，開發者一直這樣做。

問題在於協調。五個獨立 agent：

• 沒有共享計畫。 每個按自己的理解工作。你就是協調者，在它們之間傳遞資訊、解決衝突、決定下一步。
• 沒有 context 隔離。 每個累積完整對話歷史。沒有積極摘要。沒有中間結果卸載。Context window 填滿得更快。
• 沒有結構化合成。 把五個輸出合併成一份連貫交付物是人工勞動。DeerFlow 的主 agent 自動做這件事。
• 沒有持久記憶。 關掉終端，context 就沒了。DeerFlow 跨 session 保留記憶。

DeerFlow 的價值就是協調層本身。計畫。範圍化的 context 分配。平行執行。自動合成。五個音樂家在同一個房間各自演奏，和五個音樂家在交響樂團裡跟著指揮演奏的差別。

話說回來，DeerFlow 不是專職 CLI 程式碼 agent 的替代品。Claude Code 在深度單一 codebase 重構上仍然更強。Codex CLI 在快速沙箱化程式碼產生上仍然更快。DeerFlow 坐在它們上面，作為跨越研究、內容、程式碼的協調層。

監控平行子 Agent

DeerFlow 扇出多個子 agent，每個在自己的沙箱執行任務時，實際挑戰是可見度。哪個子 agent 在進展？哪個卡住了？每個現在在做什麼？

終端排版很關鍵。DeerFlow 的網頁 UI 在一個面板、後端 log 在另一個、個別子 agent 輸出在各自終端。即時調整面板大小 -- debug 時放大 log、穩定時縮小 -- 把混亂的多 process 工作流變成可管理的狀態。

限制和誠實的考量

資源需求

DeerFlow 不輕量。完整技術棧（LangGraph agent server、Gateway API、前端、Nginx、Docker 沙箱）需要相當資源。筆電上預期明顯的 CPU 和記憶體使用。Docker 比較乾淨但比單一 CLI agent 更重。

複雜度預算

DeerFlow 解決真實問題 -- 多 agent 協調。但增加一層抽象需要理解和維護。config.yaml、模型設定、技能系統、MCP server 設定、沙箱模式。都是可能壞掉的介面。簡單寫程式任務殺雞用牛刀。DeerFlow 在真正需要多個子 agent 平行做研究、產生內容、執行程式碼的任務上，才值得它帶來的複雜度。

字節跳動出品

MIT 授權開源。程式碼可完整審計。但它來自字節跳動，某些企業環境對字節跳動出品的軟體有政策限制。自行審閱原始碼並做評估。MIT 代表你可以 fork、修改、自架，完全沒有限制。

安全面

任何在沙箱裡執行程式碼、連接外部 MCP server、安裝第三方技能的系統，攻擊面都比單一 process 的 CLI agent 大。Docker 沙箱提供隔離。但技能安裝機制和 MCP OAuth 流程是值得在正式部署前審計的信任邊界。

模型成本

DeerFlow 放大模型用量。十個子 agent 就是十倍 LLM 呼叫。按 token 計費的方案下，複雜研究任務可能燒掉可觀的 API 額度。監控 token 用量，特別是在嘗試高子 agent 數量時。

誰該用 DeerFlow

DeerFlow 不是給所有人的。適合的開發者和團隊：

• 經常處理跨研究 + 程式碼 + 內容的任務。 調查主題、根據發現寫程式、產出報告或簡報 -- DeerFlow 的多 agent 協調確實省時間。
• 需要長時間任務的持久 context。 以小時計而非分鐘計。DeerFlow 的記憶和中間結果卸載處理單一 agent 會遇到的 context window 限制。
• 想把多個 AI 工具整合進同一個工作流。 MCP 支援和技能系統把搜尋、程式碼執行、圖片產生、自訂工具放在同一個協調器下。
• 團隊需要非同步 AI 任務提交。 Telegram/Slack/飛書管道讓成員不用進網頁 UI 就能提交任務和收到結果。

快速寫程式任務，用 Claude Code 或 Codex CLI 就好。跨越研究、程式碼和內容邊界的多步驟專案，DeerFlow 值得那個設定成本。