deer-flow

交给 AI 的大项目，能干几天几夜不撒手

字节跳动开源的超长周期 SuperAgent 框架，借助沙箱、记忆、工具、技能与子 agent 协作，可处理耗时数分钟到数小时的研究、编码与创作任务。

开源 unknown 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 82857

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类开源模型

开发团队bytedance

所属国家

官网地址https://deerflow.tech

GitHubhttps://github.com/bytedance/deer-flow

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agent,agentic,agentic-framework,agentic-workflow,ai,ai-agents,deep-research,harness,langchain,langgraph,langmanus,llm,multi-agent,nodejs,podcast,python,superagent,typescript

GitHub 星标★ 82857

30天Star增速

HF 下载量

上线时间2025-05-07 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数8

使用教程

难度：入门约 10 分钟部署方式：本地安装 6 步

环境要求

git（用于克隆仓库）
make（README 中的 setup/config/doctor 均为 make 命令）
Python 环境（项目为 Python 编写，部署需可运行的 Python 运行时）
一个 LLM 提供商的 API Key（如 OPENAI_API_KEY、OPENROUTER_API_KEY、VLLM_API_KEY）

安装与启动步骤

1克隆仓库

把 DeerFlow 仓库拉到本地并进入项目根目录，后续所有 make 命令都在 deer-flow/ 下执行。
```
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
```
2运行配置向导

在项目根目录执行交互式向导，选择 LLM 提供商、可选的网页搜索、沙箱与文件写入等安全偏好；约 2 分钟。
```
make setup
```
3高级手动配置

若不想用向导、希望直接编辑配置，运行该命令复制完整模板 config.yaml，再参考 config.example.yaml 逐项填写。
```
make config
```
4编辑模型配置

在 config.yaml 的 models 列表里配置模型，OpenRouter 等兼容网关用 langchain_openai:ChatOpenAI 加 base_url，密钥写 $ 变量名。
5检查配置

随时运行 doctor 校验本机配置是否正确，并按输出的修复提示处理缺失项。
```
make doctor
```
6可选安装 MCode

如需把 MiniMax Code 作为 ACP agent 使用，先全局安装并登录，再在 config.yaml 的 acp_agents 中登记。
```
npm install --global @minimax-ai/code
mcode login
```

关键配置

配置项	必填	说明	示例
`models[].name`	是	模型条目的标识名称，供框架内部引用	`gpt-4o`
`models[].use`	是	指定加载的模型类，OpenAI 兼容网关统一用该值	`langchain_openai:ChatOpenAI`
`models[].api_key`	是	模型调用密钥，写成对 .env 中变量名的引用	`$OPENAI_API_KEY`
`models[].base_url`	否	自定义接口地址，OpenRouter、vLLM 等需要填写	`https://openrouter.ai/api/v1`
`models[].use_responses_api`	否	为 true 时走 OpenAI 的 /v1/responses 接口	`true`
`acp_agents.mcode.command`	否	把 MiniMax Code 注册为 ACP agent 时的启动命令	`mcode`

如何确认成功

运行 make doctor，若输出无错误并给出配置校验通过的结果，即表示本机环境与配置就绪。

常见问题

Q：不知道该选哪个模型提供商怎么办？

A：直接用 make setup 交互向导，它会引导你选择 LLM 提供商与可选的网页搜索，也可以暂时跳过搜索配置。

Q：怎么用 OpenRouter 或其他兼容网关？

A：在 models 中使用 langchain_openai:ChatOpenAI，并设置 base_url 为对应网关地址，api_key 指向 $OPENROUTER_API_KEY。

Q：本地部署 vLLM 需要哪个类？

A：vLLM 0.19.0 使用 deerflow.models.vllm_provider:VllmChatModel，推理模型可配合 extra_body 里的 chat_template_kwargs 控制思考模式。

Q：想给项目提 issue，需要准备什么？

A：先运行 make support-bundle，它会生成 *-issue-summary.md 和 *-issue-draft.md，以及可选的证据压缩包 .deer-flow/support-bundles/。

Q：原来的 DeerFlow v1 代码还在吗？

A：2.0 是彻底重写、与 v1 不共享代码，原 Deep Research 框架保留在 main-1.x 分支继续维护。

注意事项

DeerFlow 2.0 为全新重写版本，与 v1 不共享代码，请勿混用 v1 的配置与文档。
support-bundle 生成物只含脱敏诊断与文件清单，不包含 .env、原始对话消息和用户文件内容。
若为模型配置了每模型价格，所有已定价模型必须使用同一币种，混用币种会禁用控制台费用估算。
在容器里使用 MCode 时，mcode 必须位于 Gateway 进程的 PATH 中，只装在 Docker 宿主机上不可用。

核心亮点

支持长时程任务（minutes to hours）的自主研究、编码与创作，具备沙箱、记忆、工具、技能、子代理和消息网关等完整能力栈
基于 LangGraph 构建，流程编排灵活，适合复杂多步骤 Agent 工作流开发
星标近8万，社区活跃度高，生态影响力强，文档与示例相对丰富

不足之处

依赖 LangChain/LangGraph 生态，学习曲线较陡，轻量场景下可能显得笨重
长时程任务的稳定性与资源消耗控制需进一步验证，部分边界场景（如沙箱安全）依赖外部配置

适用场景

需要长时间自主运行的深度研究或数据分析任务
复杂软件工程任务的自动化编码与测试
构建多代理协作的企业级智能体系统

替代项目

AutoGPT、MetaGPT、CrewAI

项目介绍

deer-flow 是智能体领域的开源项目，由 bytedance 开发，2025 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（82,857）位列前 1%，在智能体分类的 2,517 个项目里位列前 1%。

近 42 天，它的 GitHub 星标从 79,832 增加到 82,857，净增 3,025。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。从国内网络环境看，可直接访问。

它主要面向的使用场景是：需要长时间自主运行的深度研究或数据分析任务。同类可对比的替代方案包括 AutoGPT、MetaGPT、CrewAI。

上一篇：OpenHands

下一篇：MetaGPT