DeerFlow教程：82.9k星字节跳动开源长程SuperAgent，编排子Agent+记忆+沙箱+技能

📌 项目：bytedance/deer-flow | 星数：82.9k（2026-09-24） | 协议：MIT | 语言：Python | GitHub

一句话定位："深度探索与高效研究流——编排子Agent、记忆、沙箱和技能，完成几乎任何任务的长程SuperAgent。" DeerFlow 2.0是字节跳动的开源SuperAgent Harness，通过子Agent编排、持久记忆、安全沙箱和可扩展技能系统，让单个Agent能处理需要多步推理、多工具协作、跨时间记忆的复杂任务。

🏗️ 架构：Sub-Agent + Memory + Sandbox + Skills

DeerFlow 2.0的核心是四层编排架构：

• Sub-Agents（子Agent）：主Agent将复杂任务拆解为子任务，分派给专用子Agent执行，支持并行和串行编排
• Memory（记忆系统）：跨会话持久记忆，Agent能回忆之前的交互结果、用户偏好和中间产物
• Sandboxes（沙箱）：隔离的代码执行环境，Agent在其中安全运行代码、安装依赖、操作文件
• Skills（技能系统）：可扩展的技能模块，每个技能封装特定能力（搜索、编码、数据分析、图表生成等），支持自定义开发

这四层组合让DeerFlow能处理"研究→分析→编码→创作"这类需要多步、多工具、跨时间的长程任务。和 OpenResearch 聚焦并行研究不同，DeerFlow是通用型SuperAgent。

🚀 快速开始

要求：Python 3.12+、Node.js 22+。

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup    # 安装后端+前端依赖
make dev      # 启动开发服务器

启动后访问本地前端界面，输入任务描述即可。DeerFlow会自动拆解任务、调度子Agent、管理记忆和沙箱。也可通过Python API调用：

from deer_flow import DeerFlow

agent = DeerFlow()
result = agent.run(
    "分析2026年AI Agent领域Top10开源项目，生成对比报告"
)
print(result.summary)
print(result.artifacts)  # 生成的文件、图表等

🔧 技能扩展与多Agent协作

DeerFlow的技能系统支持自定义扩展。每个技能是一个Python模块，实现标准接口：

from deer_flow.skills import Skill, SkillResult

class MySkill(Skill):
    name = "data_fetch"
    description = "从指定API获取数据"
    
    async def execute(self, params):
        data = await self.fetch(params['url'])
        return SkillResult(success=True, data=data)

技能注册后，主Agent会根据任务自动选择和调用。多Agent协作通过Handoff机制实现——Agent A完成任务后将控制权交给Agent B继续处理。

⚖️ 优缺点