DeerFlow 深度研究智能体如何把几小时的调研和产出交给 AI【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow你提过一个调研问题然后刷了两个小时网页、开了五个文档最后只攒出几段笔记——这就是 DeerFlow 深度研究智能体要解决的麻烦。它把这个问题拆给一批子智能体并行去查、去算、去写最后交回一份带图表和文件产出的报告或者一个能直接打开的网页。一句话说清 DeerFlow 是什么DeerFlowDeep Exploration and Efficient Research Flow是字节跳动开源的超级智能体框架基于 LangGraph 构建2026 年 2 月登上过 GitHub Trending 榜首。和套一层搜索 API 的深度研究工具不同它给智能体配齐了一整套干活的家当能跑 bash 和 Python 的沙箱、会延迟加载的技能文件、跨会话的长期记忆以及可以挂进 Telegram、Slack、飞书、企业微信的消息通道。任务从几分钟到几小时都走同一套运行时。它能帮你做什么调研问题拿到一份完整报告你给它一个研究课题它不会只丢回一堆链接。主导智能体把课题拆成十几个子智能体任务并行执行每个子智能体在独立上下文里负责一个角度搜网页、抓内容、汇总证据最后合并成结构化报告。产出落在outputs/目录文件可下载、可复跑。上传数据直接出图表把 CSV 拖进会话说分析这张表。它会在沙箱里执行 Python 跑统计直接产出可看的图表文件——比如 Titanic 数据集上按票价和舱位等级分箱的生存率分布生成图片、幻灯片和网页而不是一段文字内置技能覆盖研究、报告、幻灯片、网页和图片生成。你说给这个护肤品做一张产品图它就真出一张能用的图技能是延迟加载的只有任务用到时才进上下文所以小参数模型也不容易把窗口撑爆。你也可以往skills/custom/里放自己的 Markdown 技能文件或替换内置技能。从 IM 里给它派活配好渠道后Telegram、Slack、飞书、企业微信、钉钉的消息会走同一个网关变成智能体任务。所有渠道都是长轮询或 WebSocket 出站连接不需要公网 IP也不需要回调地址。在微信里发一句帮我把昨天的会议纪要整理成周报它照样能在沙箱里建文件、跑脚本、回传结果。跨会话记住你的偏好多数智能体关掉对话就失忆DeerFlow 不会。它在本地维护一份长期记忆逐步记下你的技术栈、写作风格和重复出现的工作流下次会话自动带上。数据存在你自己机器上删掉就没了控制权完全在你手里。它是怎么跑起来的一条消息进来后先经过一层中间件链准备workspace/、uploads/、outputs/目录挂上传文件申请沙箱按需做上下文总结然后才轮到模型决策。主导智能体自己干不了的事用task工具派给子智能体——每个子智能体拿不到你的主对话上下文只拿到任务描述和工具跑完交回结构化结果天然防止上下文互相污染。代码执行被关在沙箱里。每个任务目录是隔离的 Docker 容器文件系统按/mnt/user-data/挂载agent 读写文件、跑 bash 都发生在虚拟路径映射下操作留痕可审计。沙箱模式三选一本地直跑仅供开发、Docker 隔离生产推荐、K8s provisioner多副本集群。长会话靠主动做减法活着已完成的子任务被总结成短文本中间结果卸载到文件过期的对话内容被压缩。你的每个线程的数据都存在backend/.deer-flow/threads/{thread_id}/下互不串门。最快上手Docker 四条命令跑通官方推荐 Docker 路线需要 Docker Compose v2.24git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flowmake setupmake setup启动交互式向导选 LLM 提供商、要不要联网搜索、沙箱模式和 bash 权限自动写出config.yaml和.env全程约 2 分钟。想跳过向导可以手动改config.yaml完整模板在config.example.yaml。make docker-init make docker-startdocker-init拉取沙箱镜像只在首次或镜像更新时执行docker-start从config.yaml自动识别沙箱模式并启动全部服务。打开 http://localhost:2026 就能用了。本地起不来时跑make doctor它会逐条给出可执行的修复建议。不想用 Docker 的本地开发路线是make check验 Node.js 22、pnpm、uv、nginx→make install→make dev见 Install.md生产部署用make up构建镜像并等待健康检查通过后才算成功见 CONTRIBUTING.md。适合谁边界在哪适合要跑多步骤重活的人深度调研、数据分析、报告与网页生成、定时任务。硬件别太抠本地评估至少 4 核 8G官方明确说 2 核 4G 通常不够。本地沙箱模式是开发专用——代码直接在宿主机上执行。要对外提供服务用make up走 Docker 隔离模式。长任务是真的长。一个调研跑十几分钟到几小时很正常模型选推理和工具调用能力强的官方点名推荐豆包 Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5否则中途卡工具调用的概率很高。2.0 是彻底重写与 1.x 不共享任何代码。找原版 Deep Research 框架请去 1.x 分支两者的配置和目录结构别混着看。延伸阅读README.md启动模式对照表、资源档位、安全部署说明docs/ARCHITECTURE.md四服务拓扑与中间件执行顺序backend/docs/CONFIGURATION.md模型、沙箱、MCP、渠道的完整配置参考【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
DeerFlow 深度研究智能体：如何把几小时的调研和产出交给 AI
DeerFlow 深度研究智能体如何把几小时的调研和产出交给 AI【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow你提过一个调研问题然后刷了两个小时网页、开了五个文档最后只攒出几段笔记——这就是 DeerFlow 深度研究智能体要解决的麻烦。它把这个问题拆给一批子智能体并行去查、去算、去写最后交回一份带图表和文件产出的报告或者一个能直接打开的网页。一句话说清 DeerFlow 是什么DeerFlowDeep Exploration and Efficient Research Flow是字节跳动开源的超级智能体框架基于 LangGraph 构建2026 年 2 月登上过 GitHub Trending 榜首。和套一层搜索 API 的深度研究工具不同它给智能体配齐了一整套干活的家当能跑 bash 和 Python 的沙箱、会延迟加载的技能文件、跨会话的长期记忆以及可以挂进 Telegram、Slack、飞书、企业微信的消息通道。任务从几分钟到几小时都走同一套运行时。它能帮你做什么调研问题拿到一份完整报告你给它一个研究课题它不会只丢回一堆链接。主导智能体把课题拆成十几个子智能体任务并行执行每个子智能体在独立上下文里负责一个角度搜网页、抓内容、汇总证据最后合并成结构化报告。产出落在outputs/目录文件可下载、可复跑。上传数据直接出图表把 CSV 拖进会话说分析这张表。它会在沙箱里执行 Python 跑统计直接产出可看的图表文件——比如 Titanic 数据集上按票价和舱位等级分箱的生存率分布生成图片、幻灯片和网页而不是一段文字内置技能覆盖研究、报告、幻灯片、网页和图片生成。你说给这个护肤品做一张产品图它就真出一张能用的图技能是延迟加载的只有任务用到时才进上下文所以小参数模型也不容易把窗口撑爆。你也可以往skills/custom/里放自己的 Markdown 技能文件或替换内置技能。从 IM 里给它派活配好渠道后Telegram、Slack、飞书、企业微信、钉钉的消息会走同一个网关变成智能体任务。所有渠道都是长轮询或 WebSocket 出站连接不需要公网 IP也不需要回调地址。在微信里发一句帮我把昨天的会议纪要整理成周报它照样能在沙箱里建文件、跑脚本、回传结果。跨会话记住你的偏好多数智能体关掉对话就失忆DeerFlow 不会。它在本地维护一份长期记忆逐步记下你的技术栈、写作风格和重复出现的工作流下次会话自动带上。数据存在你自己机器上删掉就没了控制权完全在你手里。它是怎么跑起来的一条消息进来后先经过一层中间件链准备workspace/、uploads/、outputs/目录挂上传文件申请沙箱按需做上下文总结然后才轮到模型决策。主导智能体自己干不了的事用task工具派给子智能体——每个子智能体拿不到你的主对话上下文只拿到任务描述和工具跑完交回结构化结果天然防止上下文互相污染。代码执行被关在沙箱里。每个任务目录是隔离的 Docker 容器文件系统按/mnt/user-data/挂载agent 读写文件、跑 bash 都发生在虚拟路径映射下操作留痕可审计。沙箱模式三选一本地直跑仅供开发、Docker 隔离生产推荐、K8s provisioner多副本集群。长会话靠主动做减法活着已完成的子任务被总结成短文本中间结果卸载到文件过期的对话内容被压缩。你的每个线程的数据都存在backend/.deer-flow/threads/{thread_id}/下互不串门。最快上手Docker 四条命令跑通官方推荐 Docker 路线需要 Docker Compose v2.24git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flowmake setupmake setup启动交互式向导选 LLM 提供商、要不要联网搜索、沙箱模式和 bash 权限自动写出config.yaml和.env全程约 2 分钟。想跳过向导可以手动改config.yaml完整模板在config.example.yaml。make docker-init make docker-startdocker-init拉取沙箱镜像只在首次或镜像更新时执行docker-start从config.yaml自动识别沙箱模式并启动全部服务。打开 http://localhost:2026 就能用了。本地起不来时跑make doctor它会逐条给出可执行的修复建议。不想用 Docker 的本地开发路线是make check验 Node.js 22、pnpm、uv、nginx→make install→make dev见 Install.md生产部署用make up构建镜像并等待健康检查通过后才算成功见 CONTRIBUTING.md。适合谁边界在哪适合要跑多步骤重活的人深度调研、数据分析、报告与网页生成、定时任务。硬件别太抠本地评估至少 4 核 8G官方明确说 2 核 4G 通常不够。本地沙箱模式是开发专用——代码直接在宿主机上执行。要对外提供服务用make up走 Docker 隔离模式。长任务是真的长。一个调研跑十几分钟到几小时很正常模型选推理和工具调用能力强的官方点名推荐豆包 Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5否则中途卡工具调用的概率很高。2.0 是彻底重写与 1.x 不共享任何代码。找原版 Deep Research 框架请去 1.x 分支两者的配置和目录结构别混着看。延伸阅读README.md启动模式对照表、资源档位、安全部署说明docs/ARCHITECTURE.md四服务拓扑与中间件执行顺序backend/docs/CONFIGURATION.md模型、沙箱、MCP、渠道的完整配置参考【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
