DeerFlow 超级智能体：从深度研究到成果交付的一体化智能体，30 分钟上手指南

DeerFlow 超级智能体从深度研究到成果交付的一体化智能体30 分钟上手指南【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-flowDeerFlowDeep Exploration and Efficient Research Flow是一个开源的超级智能体SuperAgent框架以深度研究为起点通过编排子智能体、沙箱执行、技能系统与长期记忆处理从几分钟到几小时不等的任务。它基于 LangGraph 和 LangChain 构建2.0 版本是完全重写内置文件系统、记忆、技能、沙箱执行你不需要自己拼装框架。什么时候需要它回忆一下你上一次想让 AI真的把事做完是什么时候让大模型写一份行业调研报告结果全是空谈——它不能搜索、不能核对、不能附数据上传一个 CSV 想要分析和图表卡在第一行 pandas 代码上想要产出 PPT、网页、配图得在四五个工具之间来回切换DeerFlow 2.0 针对的就是这类缺口它给智能体一台真正的计算机隔离沙箱容器、一套按需加载的技能库以及拆分子智能体并行工作的能力。三个高频场景场景一把研究课题变成完整报告内置了 20 多个技能目录skills/public/下有 deep-research、data-analysis、ppt-generation、image-generation 等。深度研究技能用一份 Markdown 定义了搜索—抓取—交叉核对—成稿的完整工作流。为什么重要技能是渐进式加载的——只有任务需要时才读入上下文而不是一次全部塞给模型。这保证了即使用 token 敏感的模型上下文窗口也不会爆掉。你能拿它干什么在网页界面里给一句调研 XX 行业 2026 年现状主导智能体会派生多个子智能体各自负责一个角度在沙箱里并行搜索和抓取最后汇聚成一份结构化报告。场景二上传 CSV让它做分析出图表数据分析和可视化是 />这张图展示了 DeerFlow 数据分析技能的产出上传一份数据集后它自动完成生存率统计、按性别拆分并渲染出图表。场景三一句话产出 PPT、网页和图片内置技能还覆盖 PPT 生成、网页制作、图片和视频生成。描述需求它直接在沙箱里执行并产出文件你在界面里就能打开预览。这张图展示了 image-generation 技能的产出按徕卡街头摄影风格的描述生成图片。DeerFlow 是怎么干活的技能、子智能体与沙箱上面三个场景背后是同一套机制技能Skills一个技能就是一份 Markdown 文件定义工作流、最佳实践和资源引用。你可以添加自己的技能、替换内置技能或者把几个技能组合成复合工作流也可以让智能体自己创建和打补丁。子智能体Sub-Agents主导智能体按需动态生成子智能体每个都有自己的上下文、工具和终止条件可以并行运行返回结构化结果后再由主导智能体验证、综合成最终输出。沙箱与文件系统每个任务跑在隔离容器里智能体可以读写文件、执行命令、查看图像所有操作可审计会话之间零污染。任务结束后界面会给出文件变更摘要能看到新建、修改、删除的文件和文本 diff。长期记忆跨会话积累你的偏好和知识——写作风格、技术栈、重复出现的工作流程。默认 DeerMem 后端存在本地完全由你控制也可以换成 mem0、honcho、openviking 等后端。这张图展示了自定义技能skill_manage的创建与打补丁流程技能管理本身也可以交给智能体完成。DeerFlow 配置模型与 Docker 部署最短路径只需要两步。第一步克隆仓库并运行配置向导git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow make setup # 交互式向导约 2 分钟写出生成 config.yaml 和 .env向导会引导你选择 LLM 提供商、可选的网页搜索、沙箱模式等并生成最小可用的config.yaml。想手动配置的话运行make config生成完整模板至少定义一个模型例如use: langchain_openai:ChatOpenAI配api_key: $OPENAI_API_KEY完整参考见config.example.yaml。第二步用 Docker 启动官方推荐方式make docker-init # 拉取沙箱镜像只需一次 make docker-start # 启动服务自动从 config.yaml 检测沙箱模式启动后访问http://localhost:2026。不用 Docker 也可以本地开发make check校验环境后make install make dev即可资源建议 4 vCPU / 8 GB 起步。更深入的部署参数Postgres、多 worker、E2B 沙箱等见backend/docs/CONFIGURATION.md整体架构见backend/docs/ARCHITECTURE.md。适合谁不适合谁适合想让 AI 真正产出调研报告、数据分析、PPT 这类交付物的人想基于现成组件搭建自己智能体、或把 2.0 拆开改造成自己 runtime 的开发者需要沙箱隔离、审计和多人使用的团队。不适合只需要问答或轻量聊天机器人的场景——它的 Docker 依赖和内存开销8 GB 起步对这种需求是过度设计。如果你要的是初代深度研究框架它在 1.x 分支维护2.0 与它不共享代码。一句话判断这个项目适合你吗如果你的需求是给 AI 一个任务等它在一个小时内交付成果DeerFlow 是目前上手成本最低的开源路径之一如果只是日常问答一个大模型聊天界面就够了。【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