DeerFlow 超级代理工作台
开源的长时程超级代理工作台，通过子代理、内存、沙箱和技能编排，完成从研究到编码的复杂任务。
证据显示：README 详细说明了安全注意事项，包括部署风险和建议；支持沙箱模式、bash 访问控制、文件写入工具等安全选项；提供用户确认机制（如设置向导）；数据流透明性体现在对代理行为的描述；敏感数据处理有说明（如不存储密码、支持 HttpOnly cookies）；依赖安全有部分证据（如使用 uv 锁定依赖、CI 测试），但未提供完整的依赖审计或漏洞扫描报告；外部影响有控制（如沙箱、权限限制）；回滚机制有提及（如支持取消运行、恢复）；来源归属有部分证据（如版权声明、贡献者列表），但未提供完整的供应链验证。扣分原因：依赖安全证据不足，来源归属未完全验证。
证据显示：README 和代码结构一致，提供了多种部署方式（Docker、本地开发）和配置选项；依赖可用性有证据（如使用 uv 管理依赖、提供镜像源）；失败消息有说明（如支持错误提示、诊断工具）。扣分原因：未提供详细的错误处理文档或故障排除指南。
证据显示：README 面向多种受众（开发者、研究者），提供了多种使用场景（研究、编码、创建）；能力边界有说明（如沙箱模式、工具限制）；触发精度有说明（如支持多种模型、配置选项）；环境适配有说明（如支持 Docker、本地开发、不同操作系统）。扣分原因：未提供详细的场景示例或边界条件说明。
证据显示：README 结构清晰，提供了安装说明、配置指南、示例；命名稳定（如 DeerFlow 2.0）；已知限制有提及（如不支持 Windows 原生 shell）；许可证为 MIT；版本控制有提及（如分支管理），但未提供详细的变更日志；维护责任有说明（如贡献指南、安全政策）。扣分原因：版本变更日志不完整。
证据显示：README 描述了输出可用性（如报告生成、文件输出）；边际价值有说明（如与现有工具集成）；成本效益有说明（如部署规模建议）。扣分原因：未提供实际性能数据或用户反馈。
证据显示：README 中的声明有部分代码和文档支持；跨来源验证有限（如未提供第三方验证）；事实与推断分离有说明（如区分官方声明和社区贡献）。扣分原因：跨来源验证不足。
- 依赖安全审计不足，建议检查依赖漏洞。
- 来源归属未完全验证，建议核实供应链。
- 版本变更日志不完整，建议查看提交历史。
这个 Agent 能做什么，适合哪些场景？
DeerFlow 是字节跳动开源的一个超级代理（SuperAgent）工作台，基于 LangGraph 和 LangChain 构建，旨在处理需要数分钟到数小时的长期任务。它通过编排子代理、维护长期记忆、使用沙箱隔离执行，以及通过可扩展的技能系统来增强能力。DeerFlow 2.0 是一个从零重写的版本，提供了包括前端界面、网关 API、后端运行时在内的完整栈，支持 Docker 和本地开发。它的核心特性包括技能与工具、会话目标、上下文压缩、子代理、沙箱与文件系统、上下文工程和长期记忆。DeerFlow 还集成了多种可观测性工具，如 LangSmith、Langfuse 和 Monocle，并支持通过消息通道（如 Telegram、Slack、飞书等）接收任务。
DeerFlow 是一个完整的代理运行时，它读取配置文件（config.yaml）和技能定义，调用多种 LLM 提供商（OpenAI、Anthropic、OpenRouter、vLLM 等）来执行任务。它通过网关 API 管理会话和线程，使用 LangGraph 工作流编排子代理，并在本地、Docker 或 Kubernetes 沙箱中执行代码和文件操作。它提供内置工具如网络搜索、网页抓取、文件操作和 bash 执行，并支持通过 MCP 服务器扩展工具。DeerFlow 能够生成研究报告、幻灯片、网页、图片和视频，并可通过消息通道接收用户指令。它还提供了 CLI 命令（make setup、make dev、make up）和 Python 客户端（DeerFlowClient）用于嵌入。
- 研究者使用 DeerFlow 进行深度研究，自动收集信息并生成带引用来源的完整报告。
- 开发者利用 DeerFlow 的编码能力，在沙箱中自动生成代码、测试和文档。
- 内容创作者使用 DeerFlow 自动化生成幻灯片、网页和社交媒体内容。
- 企业团队通过消息通道（如飞书、微信）与 DeerFlow 交互，实现任务自动化和信息查询。
- 运维人员使用 DeerFlow 执行数据管道和仪表盘生成等自动化运维任务。
- 希望扩展代理能力的开发者，通过自定义技能和 MCP 工具集成到自己的工作流中。
这个 Agent 有哪些优点和局限？
- 提供完整的代理工作台，包括前端、网关和后端，开箱即用，支持 Docker 部署。
- 高度可扩展：通过技能系统、MCP 服务器和 Python 函数自定义工具，适应各种任务。
- 支持多种 LLM 提供商（OpenAI、Anthropic、OpenRouter、vLLM），以及本地模型，避免供应商锁定。
- 内置沙箱执行（本地、Docker、Kubernetes），提供安全隔离的执行环境。
- 集成多种可观测性工具（LangSmith、Langfuse、Monocle），便于调试和监控。
- 通过 IM 通道支持移动端交互，适应多种工作场景。
- 部署配置相对复杂，需要熟悉 Docker、Node.js、Python 等技术栈。
- 资源消耗较高，建议至少 4 vCPU、8 GB 内存，生产环境要求更高。
- 2.0 版本是完全重写，与 1.x 不兼容，迁移旧代码需要重写。
- 依赖第三方服务和 API，如网络搜索和 LLM 提供商，可能产生成本。
- 沙箱执行引入安全风险，不当配置可能暴露系统。
- 文档和社区支持仍在发展中，部分功能可能不够稳定。
如何安装或部署这个 Agent？
- 克隆仓库：git clone https://github.com/bytedance/deer-flow.git && cd deer-flow。2. 运行 make setup 启动交互式向导，配置 LLM 提供商、网络搜索和沙箱模式，生成 config.yaml 和 .env 文件。3. 可选：对于 Docker 开发，运行 make docker-init 拉取沙箱镜像，然后 make docker-start 启动服务。对于本地开发，运行 make check 验证依赖，make install 安装依赖，make dev 启动服务。访问 http://localhost:2026。
如何使用这个 Agent？
安装后，通过 Web UI 或 IM 通道与 DeerFlow 交互。在 Web UI 中，创建新会话，输入任务描述，DeerFlow 将自动规划并执行。可以通过斜杠命令（如 /new、/status、/memory）管理会话。对于开发者，可以使用 Python 客户端：from deerflow.client import DeerFlowClient; client = DeerFlowClient(config_path='config.yaml'); for event in client.stream('你的任务'): ...。还可以通过 API 调用网关的 LangGraph 兼容端点。