AI早知道
快讯

DeerFlow 2.0 深度解读：字节跳动的 SuperAgent runtime 实战

DeerFlow 2.0 是字节跳动开源的 SuperAgent harness，GitHub 星数超 3.5 万。它基于 LangGraph，采用单主 Agent + 11 层中间件 + 动态子 Agent 架构，内置沙盒执行、长期记忆和 Skills 扩展机制。与传统框架不同，DeerFlow 提供开箱即用的运行时，让 Agent 真正执行代码而非仅返回建议。

Ross · 2026.03.31

DeerFlow 2.0 深度解读：字节跳动的 SuperAgent runtime 实战

2026 年 2 月 27 日，字节跳动在 GitHub 开源了 DeerFlow 2.0。不到 24 小时，它便冲上 GitHub Trending 第一，最终累计超过 35,000 颗星。这个数字在开源 Agent 框架中极为罕见。DeerFlow 究竟是什么？它解决了什么问题？工程实现有哪些亮点？本文从工程视角全面解析。

从研究工具到 Runtime

DeerFlow 最初是字节内部的自研研究框架，1.0 版本采用固定的五节点结构，本质上是一个"深度研究"工具。团队很快意识到一个问题：随着任务复杂度提升，固定结构无法应对多步骤、多分支的工作流。

2.0 版本因此进行了完全重写，与 1.0 没有任何共享代码。新的定位非常明确——SuperAgent Harness，即一个开箱即用、可扩展的 Agent 运行时。

这里的关键词是"运行时"（Runtime）而非"框架"（Framework）。大多数 Agent 框架（LangGraph、CrewAI、AutoGen）提供的是构建块，开发者需要自己组装、配置、调试。而 DeerFlow 2.0 提供的是一个已经能跑的系统，带默认值、带 UI、带沙盒、带记忆层。开发者可以直接使用，也可以按需拆解定制。

架构解析

整体设计

DeerFlow 2.0 的架构围绕三个核心概念展开：

  1. 单主 Agent（Lead Agent）：负责任务分解和全局协调
  2. 11 层中间件链（Middleware Chain）：处理请求预处理、结果后处理、安全检查等横切关注点
  3. 动态子 Agent：根据任务需求动态生成和调度

这种设计与传统的"固定 Agent 组合"不同。DeerFlow 的主 Agent 会根据任务性质自主决定需要多少子 Agent、每个子 Agent 负责什么、它们之间如何协作。

flowchart TB subgraph User["用户输入"] U[复杂任务] end subgraph LeadAgent["Lead Agent"] TA[任务分析] TP[任务分解] TS[子Agent调度] TR[结果合成] end subgraph Middleware["11层中间件链"] M1[请求预处理] M2[安全检查] M3[上下文注入] M4[工具选择] M5[结果验证] M6[格式转换] M7[日志记录] M8[错误处理] M9[重试策略] M10[结果后处理] M11[响应组装] end subgraph SubAgents["动态子Agent"] SA1[Researcher] SA2[Coder] SA3[Browser] SA4[FileManager] SAn[...] end subgraph Sandbox["Sandbox执行环境"] SB[Docker Container] FS[文件系统] EX[执行器] end subgraph Memory["记忆系统"] LM[短期记忆] PM[长期记忆] TMT[TIAMAT云端] end U --> Middleware Middleware --> LeadAgent LeadAgent --> TP TP --> TS TS --> SubAgents SubAgents <--> Sandbox SubAgents <--> Memory TS --> TR TR --> Middleware Middleware --> U

LangGraph + LangChain 底层

DeerFlow 2.0 构建在 LangGraph 和 LangChain 之上。LangGraph 提供了状态图编排能力，使得复杂的任务流可以被建模为有向无环图（DAG），支持条件分支、循环和并行执行。LangChain 则提供了工具抽象层和模型交互接口。

不过，DeerFlow 并不是简单调用这些库。它在 LangGraph 之上封装了自己的编排模式，引入了Supervisor 模式——一个持续运行的 Supervisor 负责监控子 Agent 的状态、处理超时和异常、并在必要时终止或重试任务。

sequenceDiagram participant User as 用户 participant Lead as Lead Agent participant Sup as Supervisor participant Sub1 as Sub-Agent 1 participant Sub2 as Sub-Agent 2 participant Sandbox User->>Lead: 复杂任务 Lead->>Lead: 任务分析 & 分解 Lead->>Sup: 调度子Agent rect rgb(240, 248, 255) Note over Sup: 并行执行 Sup->>Sub1: 分配Researcher任务 Sup->>Sub2: 分配Coder任务 Sub1->>Sandbox: 执行搜索 Sub2->>Sandbox: 执行代码 Sub1-->>Sup: 完成 Sub2-->>Sup: 完成 end Sup->>Lead: 汇总结果 Lead->>Lead: 结果合成 Lead-->>User: 最终输出

任务分解机制

当用户输入一个复杂任务（比如"研究 2026 年 AI 创业公司 Top 10 并制作一份演示文稿"）时，DeerFlow 不会在一个 LLM 调用中尝试完成所有事情。它会：

  1. 理解任务意图：主 Agent 分析用户需求，判断任务类型和复杂度
  2. 生成执行计划：将任务分解为结构化的子任务列表
  3. 识别并行机会：判断哪些子任务可以并行执行
  4. 调度子 Agent：为每个子任务分配置适的 Agent 角色和工具集
  5. 结果合成：汇总各子 Agent 的输出，生成最终结果

每个子 Agent 都有自己独立的上下文作用域、工具集和终止条件。这种层次化的任务分解是 DeerFlow 与众不同的关键。

核心组件

Skills 系统

Skills 是 DeerFlow 2.0 的核心扩展机制。一个 Skill 本质上是一组预定义的提示词、工具和输出格式的组合，告诉主 Agent 如何处理某一类任务。

例如，一个"网页抓取"Skill 会定义：

  • 何时使用这个 Skill（触发条件）
  • 可以调用哪些工具（Jina 爬虫、浏览器渲染等）
  • 输出的格式要求
  • 如何与用户交互

Skills 使得添加新功能时不需要修改底层框架，只需配置新的 Skill 即可。这是 DeerFlow 强调的"batteries included, fully extensible"理念的核心。

flowchart LR subgraph Skill["Skill定义"] TR[触发条件] TOOL[工具集] FM[输出格式] SY[交互语法] end subgraph Execution["执行时"] CA[Lead Agent] Match{匹配Skill?} Load[加载Skill配置] Exec[调用工具] end CA --> Match Match -->|是| Load Load --> Exec Match -->|否| CA TR -.-> Match TOOL -.-> Load FM -.-> Exec

Sandbox 隔离执行

DeerFlow 为 Agent 提供了真实的计算机——一个隔离的 Docker 容器。这意味着：

  • Agent 可以执行 bash 命令并看到真实输出
  • Agent 可以构建和运行完整的 Web 应用
  • Agent 生成的代码会在隔离环境中运行，不会影响宿主机

这是 DeerFlow 与大多数"建议型"Agent 的本质区别。大多数 AI 编程工具（Copilot、Cursor、Claude Code）只是返回代码块，实际执行仍然由人类完成。DeerFlow 则让 Agent 真正运行代码。

Sandbox 支持三种模式：

  • 本地模式：直接在本机执行（仅开发测试用）
  • Docker 模式：利用字节开源的 AIO Sandbox
  • Kubernetes 模式：适合大规模生产部署

长期记忆

DeerFlow 2.0 包含一个持久化记忆系统，可以跨会话记住：

  • 用户偏好
  • 写作风格
  • 项目结构
  • 历史交互上下文

记忆更新通过异步去重队列实现，不会阻塞主对话线程。系统还集成了 TIAMAT 作为云端记忆后端，表明字节正在向企业级规模演进。

需要注意的是，Agent 记忆仍是一个未完全解决的问题。信心评分机制在理论上合理，但在生产环境中可能出现意外行为。建议在实际使用中验证记忆行为，不要完全依赖自动记忆。

MCP 集成

DeerFlow 支持 Model Context Protocol（MCP），可以连接外部工具和服务。这是当前 Agent 框架的标准扩展方式，使得 DeerFlow 能够与现有基础设施无缝集成。

集成生态

搜索和爬虫

开箱即支持：

  • Tavily - 深度研究搜索
  • Brave Search - Web 搜索
  • DuckDuckGo - 隐私搜索
  • Jina - 网页内容提取

消息平台

原生集成：

  • 飞书（Lark） - 字节系企业生态
  • Telegram
  • Slack

模型兼容性

DeerFlow 兼容任何 OpenAI API 兼容的 LLM。官方推荐：

  • Doubao-Seed-2.0-Code - 字节自家模型
  • DeepSeek v3.2
  • Kimi 2.5

模型选择很重要——主 Agent 需要强大的指令跟随和结构化输出能力来正确分解任务。较小的本地模型可能在编排层表现不佳。

工程实践观察

优势

  1. 开箱即用：不需要从零组装基础设施
  2. 执行型 Agent：真正运行代码，而非仅返回代码建议
  3. 可扩展：Skill 机制使得功能添加与框架解耦
  4. 沙盒安全：Docker 隔离保证执行安全
  5. 记忆层：减少重复上下文输入

局限

  1. Opinionated：自带 opinionated 的设计，可能与特定团队需求冲突
  2. 记忆仍不完美：企业级可靠性有待验证
  3. 模型依赖：对主 Agent 的模型能力要求较高
  4. 复杂度：11 层中间件意味着更长的调试链路

适用场景

  • 需要深度研究 + 执行的自动化工作流
  • 企业内部的 Agent 助手搭建
  • 快速原型验证，无需从零构建基础设施

与其他框架的对比

特性 DeerFlow 2.0 LangGraph CrewAI AutoGen
定位 Runtime（带默认值） 框架 框架 框架
执行模式 执行型 构建块 构建块 构建块
记忆 内置 需自行集成 需自行集成 需自行集成
Sandbox Docker/K8s 无 无 无
消息集成 飞书/TG/Slack 无 无 无

DeerFlow 的优势在于它不是一个库，而是一个产品。对于需要快速上线 Agent 能力的团队，这是最大的吸引力。

快速开始

# Docker 启动（推荐）
docker run -d -p 8000:8000 deerflow/deer-flow
 
# 本地开发
git clone https://github.com/bytedance/deer-flow
cd deer-flow
pip install -e .
deer-flow

配置文件 config.yaml 中设置 LLM API、搜索工具等即可开始使用。

结语

DeerFlow 2.0 代表了字节跳动对 Agent 运行时的一次重要探索。它证明了执行型 Agent 不仅仅是一个概念，而是可以落地的工程系统。35,000 颗星背后是开发者对"开箱即用 Agent 平台"的强烈需求。

对于工程团队而言，DeerFlow 2.0 值得密切关注。它的 Skill 机制和沙盒设计为构建生产级 Agent 应用提供了有价值的参考。同时，它的 opinionated 架构也意味着团队需要评估是否与自身需求匹配。