组合子代理、记忆、沙箱与技能，构建可扩展的超级智能体执行框架

方案简介

DeerFlow 2.0 是一个开源的 super agent harness，目标是把多个智能体能力组织成可运行、可扩展的执行方案。它不是只提供单一模型调用，而是将 sub-agents、memory、sandbox 和可扩展的 skills 组合起来，使 agent 能够处理更复杂、更开放的任务。

这套方案适合希望快速搭建智能体应用、研究型 agent 或自动化执行流程的开发者。项目同时提供 Python 与 Node.js 相关入口，并支持通过配置文件接入不同模型和模型网关。对于需要隔离执行环境、任务分解、上下文保留以及能力扩展的场景，可以以 DeerFlow 作为统一 harness。

DeerFlow 2.0 是一次彻底重写，与 v1 不共用代码；如果需要最初的 Deep Research 框架，应使用 1.x 分支。

亮点与能力

• Sub-agents 编排：把复杂工作拆分并组织为多个子智能体协作流程。
• 长期记忆能力：通过 memory 支持智能体保留和使用上下文。
• Sandbox 执行环境：将智能体的执行与文件、命令等操作放入 sandbox 能力中。
• Skills 扩展机制：通过可扩展 skills 增加 agent 能力。
• 多模型接入：配置示例覆盖 OpenAI、OpenRouter、vLLM，以及 CLI-backed provider。
• 多种运行形态：README 目录列出了 Docker、本地开发、MCP Server、IM 渠道和链路追踪等能力。
• 配置诊断工具：支持使用安装向导初始化，并通过 doctor 检查配置和系统环境。
• 问题反馈支持：support-bundle 可生成脱敏后的诊断摘要和 issue 草稿。

组成与分工

• DeerFlow：作为 super agent harness，负责把智能体、记忆、沙箱和技能组织成完整运行方案。
• sub-agents：承担复杂任务的分解与协作执行，是多智能体工作流的组成部分。
• memory：承担上下文和长期记忆相关职责，使 agent 能够使用已保留的信息。
• sandbox：承担受控执行和文件系统相关能力，README 将其作为核心能力单独列出。
• skills：作为可扩展能力层，为 agent 增加具体技能与工具使用方式。
• LangChain：模型配置示例通过 langchain_openai:ChatOpenAI 接入兼容接口。
• OpenRouter：作为 OpenAI 兼容网关，可通过 base_url 配置到模型调用中。
• vLLM：用于接入本地或自部署模型，README 提供了 VllmChatModel 配置方式。
• Codex CLI / Claude Code：作为 CLI-backed provider 接入 DeerFlow；前者读取 ~/.codex/auth.json，后者支持 OAuth token 或凭据文件。
• Python 与 Node.js：分别由项目的 backend/pyproject.toml 与 Makefile 相关材料体现，是项目运行和开发环境的一部分。
• Docker：README 将 Docker 列为推荐运行方式，并与本地开发并列为应用运行方式。

前置要求

开始前需要准备 DeerFlow 源码及其开发环境。仓库材料明确提供了 Python 与 Node.js 相关入口，并建议通过安装向导初始化配置。模型调用还需要按照所选 provider 准备对应凭据；例如 CLI-backed provider 会读取 Codex CLI 或 Claude Code 的凭据来源。

README 还将 Docker 作为推荐运行方式，并提供本地开发方式。若使用 OpenRouter、OpenAI 或其他兼容网关，需要把对应 API key 写入环境变量；安装向导会把 API key 写入 .env，同时生成最小化的 config.yaml。

克隆仓库：

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

进入项目后运行安装向导：

make setup

如需手动配置，可使用完整示例模板：

make config

实施步骤

1. 获取项目

先克隆 DeerFlow，并进入项目根目录。后续的安装、配置和诊断命令都在 deer-flow/ 根目录执行。

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

2. 初始化开发环境

运行安装向导：

make setup

向导会让使用者选择 LLM provider、可选的 web 搜索工具、sandbox 模式、bash 权限和文件写入等执行或安全偏好。完成后会生成最小化的 config.yaml，并把 API key 写入 .env。

3. 检查环境

初始化后可运行诊断命令：

make doctor

该命令用于检查配置和系统环境，并给出可执行的修复建议。如果不希望使用交互式向导，也可以先生成完整配置模板：

make config

然后根据 config.example.yaml 和所选模型 provider 修改 config.yaml，并准备相应环境变量。

4. 配置模型

模型配置放在 config.yaml 的 models 节点中。OpenRouter 等 OpenAI 兼容网关可使用 langchain_openai:ChatOpenAI，并设置 base_url；vLLM 使用 DeerFlow 的 VllmChatModel；Codex CLI 和 Claude Code 则使用各自的 provider 配置。

5. 选择运行方式

README 将 Docker 列为推荐运行方式，也提供本地开发方式。完成配置后，按照安装向导结束时给出的下一条启动命令运行应用；仓库材料未提供该启动命令的具体文本，因此不在此改写或补充。

使用与配置要点

运行后的使用重点是围绕 session 和 agent 能力进行配置与验证。可以根据任务需要启用 sub-agents、memory、sandbox 和 skills，并在 config.yaml 中选择模型 provider。对于 OpenRouter 等兼容网关，使用 base_url 指向其 API 地址；对于 OpenAI Responses API，则继续使用 langchain_openai:ChatOpenAI 并开启对应配置。

模型配置示例中的关键结构包括模型名称、展示名称、调用实现、具体模型、API key 和可选的 base URL。vLLM 场景需要使用 DeerFlow 提供的模型类，并可通过 extra_body.chat_template_kwargs.enable_thinking 控制 Qwen 风格模型的推理开关。

日常验证可先运行 make doctor，确认配置和系统环境没有问题；如果需要提交安装、配置或运行问题，可以生成 support bundle。正常使用时，应根据实际风险谨慎开放 bash 权限、文件写入和 sandbox 能力。

对于 CLI-backed provider，Codex CLI 会读取 ~/.codex/auth.json；Claude Code 支持 CLAUDE_CODE_OAUTH_TOKEN、ANTHROPIC_AUTH_TOKEN、CLAUDE_CODE_CREDENTIALS_PATH 或 ~/.claude/.credentials.json。

注意事项与常见问题

• 2.0 与 1.x 不兼容：DeerFlow 2.0 是彻底重写版本，与 v1 没有共用代码；需要原始 Deep Research 框架时应前往 1.x 分支。
• 凭据不要混淆：不同 provider 的认证来源不同。Codex CLI 使用 ~/.codex/auth.json，Claude Code 则支持环境变量或凭据文件。
• ACP agent 与 model provider 不同：README 明确指出二者是分开配置的；配置 acp_agents.codex 时，需要指向 Codex ACP 适配器。
• vLLM 版本要求：对于 vLLM 0.19.0，应使用 deerflow.models.vllm_provider:VllmChatModel。
• 推理模型配置：Qwen 风格推理模型可能需要在启动 vLLM 服务时加入 --reasoning-parser ... 参数。
• 安全配置需谨慎：安装向导会让用户选择 sandbox 模式、bash 权限和文件写入等执行或安全偏好，应按实际风险进行设置。
• 问题反馈材料已脱敏：support bundle 不包含 .env、原始对话消息或用户文件内容，但提交前仍建议自行检查。

优缺点

• ✓ 能力可通过 skills 扩展
• ✓ 支持多种模型接入方式

出处

本方案挖掘自开源项目 bytedance/deer-flow，方案内容与实施命令均来自其 README 原文。