DeerFlow 2.0：字节跳动开源的 SuperAgent Harness，让单 Agent 退休

发表于 2026-08-02 分类于 AI ，开源项目

DeerFlow 2.0 是字节跳动开源的 SuperAgent 编排框架，通过 Lead Agent + Sub-Agents + Sandbox + Skills + Memory 的四层架构，把需要数小时完成的复杂任务拆给一群会协作的 AI 员工跑，开箱即用。

DeerFlow 2.0：字节跳动开源的 SuperAgent Harness，让单 Agent 退休

你有没有过这样的经历：丢给 AI 一个” 调研 10 个竞品、写一份对比报告、顺手生成 PPT” 的需求，它在第三步开始编造数据，到第五步已经忘了第一步说过什么？

这不是模型不够聪明的问题 —— 单个 Agent 的天花板就摆在那里：一个 context window、一条推理主线、一次串行执行。当任务真的需要数小时、跨多种工具、并行展开时，单 Agent 注定会崩。

2026 年 2 月 28 日，字节跳动把内部打磨已久的 DeerFlow 2.0（Deep Exploration and Efficient Research Flow）整体开源到 GitHub，几个小时内冲上 Trending 第一，至今已收获 7.8 万 + stars。它想解决的就是这件事：不再让一个 Agent 干所有活，而是搭一套”AI 员工” 调度系统。

项目背景：从 Deep Research 框架到 SuperAgent Harness

DeerFlow 最早只是字节内部用来跑深度研究（Deep Research）的小框架。2.0 版本做了完全重写 —— 和 v1 没有任何共享代码 —— 定位从” 研究框架” 升级为”SuperAgent Harness”。

什么是 Harness？官方有一句很妙的比喻：

A harness does not do the pulling — the horses do. DeerFlow does not write your code or generate your slides directly. It decides which sub-agents to spawn, what tools each gets, how much context they carry, and how their results merge.

Harness 不亲自拉车，它只负责调度马匹：决定派哪些子 Agent 去跑、给它们什么工具、带多少上下文、最后怎么合并结果。

它构建在 LangGraph + LangChain 之上，Python 3.12+ 后端、React 前端，MIT 协议，仓库地址 github.com/bytedance/deer-flow。

核心功能

DeerFlow 2.0 的能力可以拆成五块，每一块都直击单 Agent 模式的痛点。

1. Lead Agent + Sub-Agents：分层编排，扇出扇入

最上层是 Lead Agent（主代理），它只做四件事：接收用户目标、把任务拆解、决定派哪些 Sub-Agent、最后合成输出。Lead Agent 是唯一看到全貌的组件，每个 Sub-Agent 只拿到自己那一份 scoped 任务和最小必要上下文。

任务之间没有依赖时，Sub-Agent 并行跑；有依赖时串行排队。这就是经典的 fan-out / fan-in 模式 ——OpenAI 的 Swarm、Anthropic 的多 agent 实验用的也是同一套路。

2. Sandbox：三层隔离，把代码关进笼子

Sub-Agent 要执行代码、写文件、跑 bash，必须在沙箱里。三种模式：

Local Execution：直接跑在宿主机，速度快，无隔离；
Docker Execution：每个 Sub-Agent 跑在独立容器里，挂载 /mnt/user-data/（包含 uploads/、workspace/、outputs/）；
Docker + Kubernetes：K8s Pod 级别隔离，通过 provisioner service 管理，适合规模化部署。

沙箱不是装饰品。Sub-Agent 写的代码崩了，崩在容器里；读到 prompt injection 想执行 rm -rf，文件系统是只读的；想要挖矿，CPU / 内存被 --cpus 和 --memory 限死。这就是多层防御：agent 指令约束 → 运行时隔离 → harness 级别 kill switch。

3. Skills：按需加载的” 技能包”

Skills 是带 YAML frontmatter 的 Markdown 文件，本质上是一组结构化的能力描述。DeerFlow 内置了 deep-search、report-generation、frontend-design、deploy 等常见 skill，外部还可以通过 .skill 压缩包安装自定义技能。

关键设计是渐进式加载（lazy-loading）—— 只有当前任务需要的 skill 才会被塞进 context window。这直接解决了长任务里”prompt 越来越胖” 的经典问题。

4. Memory：短期摘要 + 长期持久化

DeerFlow 把记忆分成两层：

短期：对话过程中的摘要、压缩、context offload 到文件系统；
长期：跨 session 持久化的用户偏好、知识、workflow。会自动抽取事实、附 confidence score、用 debounce 机制减少不必要的 LLM 调用。

关掉终端，下周再开，DeerFlow 仍然记得你之前调研过什么、报告偏好用 PDF 还是 Markdown、哪类源不要采信。

5. 模型无关 + 全渠道集成

任何 LangChain 兼容的 LLM 都能接：GPT-5、Claude Sonnet 4.6、Gemini 2.5 Flash、DeepSeek v3.2、字节自家的 Doubao-Seed-2.0-Code、Kimi 2.5。甚至支持通过 CLI backend 直接复用本地 Codex / Claude Code OAuth 凭证。

接入渠道也铺得很广：Web UI、Python 客户端、Telegram / Slack / 飞书机器人 —— 后者通过 long-polling 或 WebSocket 实现，不需要公网 IP，自托管用户狂喜。

实战示例：本地跑一个研究报告

下面这段来自官方文档，展示从 clone 到跑通的最小路径。

1. 准备环境

要求 Python 3.12+、Node.js 22+、pnpm、Docker（推荐）。

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

# 生成 config.yaml 和 .env（交互式向导，约 2 分钟）
make config

# 校验环境
make doctor

# 拉取 sandbox 镜像并启动所有服务
make docker-init
make docker-start

启动后访问 http://localhost:2026，默认端口。

2. 配模型

编辑 config.yaml，加一段模型配置：

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

  - name: claude-sonnet-4.6
    display_name: Claude Sonnet 4.6
    use: deerflow.models.claude_provider:ClaudeChatModel
    model: claude-sonnet-4-6
    max_tokens: 4096
    supports_thinking: true

后台会热加载 config.yaml，不用重启服务（除了 database.checkpoint_channel_mode 这类基础设施字段）。

3. 通过 Python 客户端跑任务

DeerFlow 提供嵌入式 Python client，直接 import 就能用，不需要单独起服务：

from deerflow.client import DeerFlowClient

client = DeerFlowClient()
response = client.chat(
    "调研 5 个开源向量数据库，写一份对比报告并生成 PPT",
    thread_id="vector-db-research",
)
print(response.summary)

或者通过 Claude Code 桥接 claude-to-deerflow，边写代码边让后台 DeerFlow 跑研究，研究完成回调通知你拿结果 —— 这是”AI 员工” 工作流的核心场景。

4. 部署规格

官方推荐的硬件配置：

本地 dev：4 vCPU / 8 GB RAM 起步，建议 8 vCPU / 16 GB；
Docker dev：同上；
长跑生产服务：8 vCPU / 16 GB 起步，建议 16 vCPU / 32 GB，多 worker 必须接 Postgres + Redis stream bridge。

Linux + Docker 是生产首选，macOS / Windows 建议只做 dev/eval。

适用场景和限制

适合谁用

深度研究类任务：跨几十个网页的爬取、抽取、合成；
全栈编码项目：文件读写 + bash + 部署一气呵成；
数据分析 + 可视化：上传 CSV，让 Sub-Agent 跑 pandas + 出图；
内容生产流水线：报告 → 网页 → PPT → 视频一条龙；
企业内部知识工作：接 IM 机器人，把 DeerFlow 变成团队里的 AI 员工。

它的边界

DeerFlow 不是万能的，下面这些场景它也帮不上：

实时低延迟对话：harness 设计目标是长任务（分钟到小时级），不是 ChatGPT 那种秒回；
完全本地离线：虽然模型可以接 vLLM，但 web search / TTS / 视频生成等 skill 多数仍依赖外部 API；
零运维小白：依然要懂 Docker、模型配置、API key 管理；官方推荐 Linux + Docker 不是没有原因；
安全合规场景：Sub-Agent 跑 bash 默认开了，需要在 config.yaml 里显式收紧白名单；
v1 老用户：2.0 是 ground-up rewrite，升级路径断了，需要手动迁移到 1.x 分支。

总结

DeerFlow 2.0 的真正意义不在它做了多少功能，而在它折射出的方向：AI 行业的下一个战场，正在从模型本身转向” 自主执行的基建”。

过去两年大家都在卷更大的 context window、更强的 reasoning、更高的 benchmark。DeerFlow 这种 harness 出现说明：单 Agent 已经触顶，下一步比拼的是谁能把一群 Agent 编排得更好、把沙箱隔离做得更扎实、把记忆和技能管理得更聪明。

如果你正在被” 单 Agent 跑长任务一定会崩” 这件事困扰，DeerFlow 值得 clone 下来跑一跑；如果只是想找个轻量级聊天机器人，它大概率 overkill。

至少有一点可以肯定 —— 字节把这种东西开源出来，对整个 Agent 生态都是好事。

项目地址：https://github.com/bytedance/deer-flow
官方文档：https://deerflow.tech
许可协议：MIT
Star：78.2k+ | Fork：10.7k+