DeerFlow 2.0 和 1.0 最大的区别是什么？

1.0 仅是深度研究框架，专注于信息收集和报告生成。2.0 完全重构为 Super Agent Harness，新增了沙箱代码执行、持久化内存、消息应用集成和可扩展 Skills 系统，处理范围从研究扩展到数据分析、内容自动化等全链路任务。

DeerFlow 支持哪些 LLM 后端？

官方支持 OpenAI、Anthropic Claude、Google Gemini，并通过 Ollama 兼容本地模型（如 Qwen3、Mistral 等）。在 config.yaml 中修改 llm.model 字段即可切换，无需改动任何代码。

DeerFlow 的 Skills 系统是什么原理？

每个 Skill 是结构化的 Markdown 文件，定义任务工作流、最佳实践和工具引用。Skills 按需加载而非全量预加载，让 Context 保持精简。你可以添加自定义 Skill 文件或覆盖内置 Skill 来扩展 DeerFlow 的能力。

本地运行 DeerFlow 需要什么硬件配置？

使用云端 API 时对本机硬件要求极低，普通 8GB 内存的笔记本即可。若使用 Ollama 本地模型，运行 8B 量化模型建议至少 16GB 内存和 8GB 显存；运行 32B 以上模型建议 M2 Pro 以上或 RTX 4090 级别显卡。

DeerFlow 和 Manus AI 相比有什么优势？

Manus 是商业闭源产品，DeerFlow 是 MIT 开源项目，代码完全可审计，数据不离开本机。Skills 系统使 DeerFlow 更易于扩展和定制，且可搭配任意模型（包括本地模型），长期总成本更低。

DeerFlow 2.0 实战：ByteDance 开源 Super Agent Harness 本地部署与自定义

引言：从研究工具到 Agent 运行时的进化

2026 年 2 月，bytedance/deer-flow 一夜之间冲上 GitHub Trending 第一，单日新增 Star 破万，最终稳定在 47000+ 颗。彼时它还是一个偏向深度研究（Deep Research）的 Python 工具——给一个问题，自动搜索、整理、生成报告，像极了 OpenAI 的 Deep Research 功能的开源替代。

但 2.0 版本的方向彻底变了。官方将其重新定位为 Super Agent Harness：一个通用的 AI Agent 执行运行时，而不只是报告生成器。新版引入了沙箱代码执行、持久化内存、消息应用集成和可扩展的 Skills 系统，让 DeerFlow 从”研究助理”进化成了”能干活的 Agent 基础设施”。

本文以 workshop 风格展示完整的本地部署流程，以及如何通过自定义 Skill 让 DeerFlow 完成你业务场景中的专属任务。

架构解析：DeerFlow 2.0 的五层能力模型

DeerFlow 2.0 的架构基于 LangGraph + LangChain，多个 Agent 节点在有向无环图中协作，由 Planner 统一调度。整体可以分为五层：

第一层：多 Agent 编排

核心 Agent 包括：

Planner Agent：任务分解器，接收用户指令后拆解为子任务，分配给下游 Agent
Searcher Agent：负责 Web Search 和 Web Crawling，获取外部信息
Coder Agent：在沙箱 Python 环境中运行代码，处理数据分析、图表生成等需要计算的步骤
Report Generator：整合所有 Agent 输出，生成结构化报告（支持 PDF/PPT）

第二层：工具层

每个 Agent 都可以按需调用工具。内置工具包括：Web Search（支持 Tavily/Bing/Google）、Web Crawling、Python Code Executor、文件读写。MCP Server 集成允许挂载第三方工具服务。

第三层：Skills 系统

Skills 是本次 2.0 最核心的新设计，详见下文专节介绍。

第四层：持久化内存与 Context 压缩

DeerFlow 2.0 内置了跨会话的持久化内存（基于向量检索），支持长任务执行时的状态保存。Context 压缩机制会对历史消息做摘要，避免长对话把 Token 窗口撑爆。

第五层：前端与集成层

官方提供了基于 Next.js 的 Web UI，支持实时流式输出、任务进度展示和结果下载。消息应用集成层支持 Slack、飞书等接入，可以作为企业内部 Bot。

💡 选型提示： 如果你只需要”问答 + 搜索”，DeerFlow 可能过重。它的价值在于需要跨工具、跨步骤、有代码执行需求的复杂任务自动化。

快速部署

环境准备

确认本机已安装：

Python 3.11+（推荐 3.12，避免部分依赖兼容问题）
Node.js 20+ 和 pnpm（前端依赖管理）
uv（可选，比 pip 快很多）
Git

# 验证版本
python --version   # Python 3.12.x
node --version     # v20.x 或更高
pnpm --version     # 9.x

如果本机还没有 uv，一行安装：

curl -LsSf https://astral.sh/uv/install.sh | sh

克隆仓库

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

初始化配置

DeerFlow 提供了 Makefile 快捷命令，一步生成配置文件模板：

make config

这条命令会在项目根目录生成 .env 和 config.yaml 两个文件。.env 存放 API Key，config.yaml 是主配置文件。

⚠️ 注意： .env 已在 .gitignore 中，不会被提交。但如果你 fork 了仓库，请务必再次确认 .env 未被跟踪。

配置模型

打开 config.yaml，核心字段如下。

方案一：使用 OpenAI / Claude / Gemini 云端 API

llm:
  model: "gpt-4o"          # 或 "claude-opus-4-5"、"gemini-2.5-pro"
  api_key: "${OPENAI_API_KEY}"  # 从 .env 读取
  max_tokens: 8192

search:
  provider: "tavily"        # 推荐 Tavily，质量最稳定
  api_key: "${TAVILY_API_KEY}"

对应的 .env：

OPENAI_API_KEY=sk-...
TAVILY_API_KEY=tvly-...

方案二：使用 Ollama 本地模型（零 API 费用）

先确保 Ollama 已安装并拉取模型：

# 安装 Ollama（macOS）
brew install ollama

# 拉取 Qwen3 8B 量化版（约 5GB）
ollama pull qwen3:8b

然后修改 config.yaml：

llm:
  model: "ollama/qwen3:8b"
  base_url: "http://localhost:11434"
  max_tokens: 8192

search:
  provider: "tavily"
  api_key: "${TAVILY_API_KEY}"

💡 提示： 搜索工具仍然需要 Tavily API Key（免费 tier 每月 1000 次）。如果你只想完全离线，可以把 search.provider 改为 duckduckgo，但结果质量会下降。

安装依赖并启动

# Python 后端依赖（推荐用 uv，快 10 倍）
uv sync

# 或者用 pip
pip install -e ".[dev]"

# 前端依赖
cd web && pnpm install && cd ..

两个终端分别启动后端和前端：

# 终端 1：启动后端
python main.py

# 终端 2：启动前端
cd web && pnpm dev

浏览器访问 http://localhost:3000，看到 DeerFlow 的 Chat UI 即为部署成功。后端默认监听 8000 端口，前端通过 Next.js 代理转发 API 请求。

第一个任务：竞品分析报告

部署完成后，我们来跑一个实际任务：生成一份 AI 代码助手的竞品分析报告。

在 Web UI 的输入框输入：

请对主流 AI 代码助手工具（Cursor、GitHub Copilot、WindSurf、Augment Code）进行竞品分析，
重点对比：定价模式、上下文窗口大小、离线能力、企业版功能。
最终生成一份结构化报告，包含对比表格和选型建议。

DeerFlow 会自动展开以下流程（可在 UI 的任务视图中实时观察）：

Planner 将任务拆解为 4 个子任务（每个产品各一个搜索子任务 + 1 个汇总子任务）
Searcher 并发搜索各产品的官网文档、定价页面和用户评测
Coder 用 Python 整理原始数据，生成 Markdown 对比表
Report Generator 将所有输出合并为完整报告，提供 PDF 下载链接

整个过程在 GPT-4o 下通常耗时 3-5 分钟，Qwen3:8b 本地模型约 10-15 分钟。报告质量与模型能力正相关，复杂分析任务建议使用 70B 以上的模型。

💡 技巧： 在任务描述里加上”以 Markdown 表格形式对比”或”生成 PDF”等格式指令，Report Generator 会优先遵循这些约束。

自定义 Skill 扩展

DeerFlow 的 Skills 系统是其最具差异化的特性。每个 Skill 是一个 Markdown 文件，存放在 skills/ 目录下，告诉 Agent “如何完成这类任务”——包括工作流步骤、最佳实践、应该调用哪些工具。

内置的 skills/research.md 大致结构如下：

# Research Skill

## Description
Conduct thorough research on a given topic using web search and crawling.

## Workflow
1. Decompose the research question into 3-5 sub-questions
2. Search each sub-question independently
3. Crawl top 3 results per search query
4. Synthesize findings into a structured summary

## Best Practices
- Prefer primary sources (official docs, papers) over secondary sources
- Cross-validate facts from at least 2 sources
- Note publication dates for time-sensitive information

## Tools
- web_search: initial discovery
- web_crawl: full content extraction

现在我们来写一个财务报告分析的自定义 Skill。在 skills/ 目录下新建 financial_analysis.md：

# Financial Analysis Skill

## Description
Analyze financial reports (10-K, 10-Q, earnings calls) and extract
key metrics, trends, and risks.

## Workflow
1. Identify the company and reporting period from the user request
2. Locate the source document (URL or uploaded file)
3. Extract key financial metrics:
   - Revenue, gross margin, operating income, net income
   - YoY growth rates
   - Free cash flow
   - Debt-to-equity ratio
4. Run Python code to calculate derived metrics and generate charts
5. Identify top 3 risks mentioned in the report
6. Produce a structured summary with a one-paragraph investment thesis

## Best Practices
- Always note the fiscal year end date
- Convert all figures to the same currency (USD default)
- Flag any restatements or accounting changes
- Include page/section references for key claims

## Tools
- web_crawl: fetch the SEC filing or IR page
- python_executor: calculate ratios and plot charts

保存后，重启 DeerFlow 后端（或等待热重载），即可在任务中直接引用这个 Skill：

请使用 Financial Analysis Skill 分析 NVIDIA 2026 Q1 财报，
重点关注数据中心业务增速和毛利率变化趋势。

Planner 会自动识别并加载 financial_analysis.md，按其定义的工作流执行任务，而不需要在 System Prompt 中塞入冗长的分析步骤说明。这就是按需加载的精髓——Context 只在需要时才膨胀。

💡 进阶用法： 你也可以在 Skill 文件里引用 MCP Server，例如 - mcp://your-server/tool-name，让 Skill 调用你自己部署的内部 API 工具。这种方式适合企业内网数据的私有 Agent 场景。

生产部署注意事项

如果你打算在团队内部或生产环境使用 DeerFlow，以下几点需要提前规划：

1. 沙箱安全

Coder Agent 默认在本机 Python 环境执行代码，没有额外隔离。生产环境建议使用 Docker 沙箱：在 config.yaml 中设置 sandbox.type: docker，DeerFlow 会把代码执行限制在一次性容器内，避免恶意指令影响宿主机。

2. API 限速与成本控制

多 Agent 并发搜索会快速消耗 Search API 配额。建议在 config.yaml 的 search.max_results 字段限制每次搜索的返回条数（默认 5，生产可设为 3），同时在 llm.max_tokens 设置合理上限，防止单任务超支。

3. 持久化存储

默认的内存后端是 SQLite，适合单机测试。多实例或高并发场景需要切换到 PostgreSQL，在 config.yaml 的 memory.backend 字段指定连接字符串即可。

4. 反向代理

前端 Next.js 开发服务器不适合生产。建议 pnpm build && pnpm start 跑生产构建，前面挂 Nginx 做 HTTPS 终止和访问控制。

总结

DeerFlow 2.0 的核心价值在于：把分散的 Agent 能力统一成一个可观测、可扩展、可本地化的运行时。它不是 ChatGPT 的替代品，而是一套基础设施，适合需要跨工具、多步骤、有代码执行需求的复杂任务自动化。Skills 系统让它在不同业务场景之间切换变得廉价——写一个 Markdown 文件，而不是修改底层 Prompt 或重新训练模型。

如果你的团队有大量重复性分析工作（竞品调研、财报整理、数据清洗），DeerFlow 2.0 值得认真评估。起点是 git clone，代价只是几小时的部署时间。