DeerFlow 2 Deep Dive -- 字节跳动 SuperAgent 深度解析

M0 项目概览

字节跳动 SuperAgent 运行时 -- v2.0 从深度研究框架全面重写为通用 SuperAgent。

DeerFlow 是什么？

DeerFlow 是字节跳动开源的 SuperAgent 运行时，采用 MIT 协议。它从 v1.x（深度研究框架）进化为 v2.0，成为一个通用 SuperAgent，能够完成深度研究、播客生成、PPT 制作、咨询报告、数据分析、前端设计等多种任务。

"DeerFlow" 这个名字体现了字节跳动的设计理念：一个基于 LangGraph 和 LangChain 构建的灵活、可扩展的 Agent 运行时，搭配独特的 Skills-as-Markdown 系统，让用户通过简单的 Markdown 文件而非代码来定义复杂行为。

DeerFlow 2.0 的核心创新是 Skills-as-Markdown + 渐进式加载：复杂的 Agent 行为（深度研究、播客生成、PPT 制作）完全在 Markdown 文件中定义，由 Lead Agent 按需加载。新增功能无需编写代码——只需写一个 .md 文件。

v1.x 与 v2.0 对比

v1.x -- 深度研究框架

仅专注于深度研究任务
固定流水线：搜索 -> 分析 -> 报告
工具生态有限
单一用途架构
无 Skill 系统

v2.0 -- 通用 SuperAgent

完全重写，可扩展至任意任务
Lead Agent + Sub-Agent 模式，含中间件链
4 层工具体系 + MCP 支持
16 个内置 Skill，社区 Skill 生态
播客、PPT、图表、咨询报告、代码生成

技术栈

层级	技术	版本
运行时	Python	3.12+
Agent 框架	LangGraph	1.0.6+
LLM 抽象层	LangChain	1.2.3+
API 服务	FastAPI	0.115.0+
前端	Next.js 16 + React 19	Latest
Python 包管理	uv	Latest
Node 包管理	pnpm	Latest
反向代理	Nginx	Port 2026

竞品对比

特性	DeerFlow 2.0	AutoGPT	CrewAI	LangManus
架构	Lead + Sub-Agent 模式	单 Agent 循环	角色制团队	图状 Agent
Skill 系统	Markdown 定义，渐进加载	插件（代码）	任务（代码）	无
中间件	11 条链式流水线	有限	无	部分支持
沙箱	本地 / Docker / K8s	仅 Docker	无	Docker
创意输出	播客 / PPT / 图表 / 报告	无	无	仅研究
MCP 支持	完整支持（stdio/SSE/HTTP + OAuth）	无	部分支持	无
记忆系统	LLM 驱动，置信度评分	Vector DB	仅短期记忆	无
模型支持	任何 LangChain 兼容模型	以 OpenAI 为主	多模型	多模型

参考来源： github.com/bytedance/deer-flow | deerflow.tech

vs Claude Code

⚠ 不同赛道 — DeerFlow 是研究/内容生成平台，Claude Code 是终端编程 Agent，二者并非直接竞品。

维度	DeerFlow	Claude Code
定位	SuperAgent Harness — 研究、内容生成、数据分析	Terminal Coding Agent — 专注软件开发
范围	更广：播客 / PPT / 报告 / 深度研究	更深：代码质量、开发者工作流
界面	Web UI（完整聊天界面）	终端原生（by design）

🦌 DeerFlow 胜出

内容生成能力（播客 / PPT / 报告）
Web UI 交互体验
任务类型覆盖面更广

🖥 Claude Code 胜出

代码生成质量与深度
终端原生工作流
开发者体验（DX）

M1 核心架构

4 服务架构 + Lead Agent / Sub-Agent 模式，由 11 条中间件链驱动。

4 服务架构

Lead Agent + Sub-Agent 模式

DeerFlow 采用 Lead Agent + Sub-Agent 模式。Lead Agent 是唯一的 LangGraph 入口——它处理所有用户交互、管理对话状态，并在需要时将任务委派给专业化的 Sub-Agent。

组件	职责	工具
Lead Agent	入口点、任务路由、中间件链执行	内置工具 + task() 委派
General Sub-Agent	全能力任务执行	全部沙箱 + 社区 + MCP 工具
Bash Sub-Agent	命令行专家	bash, ls, read_file, write_file

关键约束：最多 3 个并发 Sub-Agent，每个有 15 分钟超时限制。Lead Agent 监控 Sub-Agent 健康状态，可终止无响应的 Agent。

11 条中间件链

每个请求按顺序经过 11 条中间件链。每条链处理一个特定的横切关注点。

11 条中间件链（按执行顺序）

1/11

1. ThreadData

ThreadData 中间件 -- 加载并初始化线程级状态，包括对话历史、用户偏好及先前上下文。确保后续每条中间件都能访问完整的线程上下文。

可以把它理解为每个请求的"引导加载器"——在任何处理开始前，先为状态机注入数据。

2. Uploads

Uploads 中间件 -- 处理用户上传的文件附件。文件存储在沙箱的虚拟文件系统中，通过路径引用提供给 Agent 使用。

支持图片、文档、代码文件和数据文件。文件会自动映射到沙箱工作区目录。

3. Sandbox

Sandbox 中间件 -- 预配或连接执行沙箱环境。确定合适的沙箱模式（本地、Docker、K8s）并确保工作区就绪。

在 macOS 上会自动检测 Apple Container 可用性。设置 /workspace、/uploads、/outputs 和 /skills 的虚拟路径映射。

4. DanglingToolCall

DanglingToolCall 中间件 -- 检测并处理前序轮次中未收到结果的孤立工具调用，防止 Agent 陷入无限等待状态。

当发现悬空的工具调用时，会注入一个合成的"工具调用超时"结果以解除阻塞。

5. Summarization

Summarization 中间件 -- 自动摘要冗长的对话历史，保持上下文窗口可控。通过 LLM 调用生成早期轮次的简洁摘要。

这对于长时间运行的会话至关重要——否则上下文将超出模型限制。摘要替换原始消息，同时保留关键事实。

6. TodoList

TodoList 中间件 -- 为当前线程维护一个持久化待办列表。Agent 可以在任务推进过程中添加、更新和勾选条目。

这为 Agent 提供了一种结构化方式来追踪多步骤工作流，而不仅仅依赖对话上下文。

7. Title

Title 中间件 -- 根据用户首条消息自动生成对话标题。标题用于前端 UI 的线程导航和历史浏览。

通过 LLM 调用生成简洁、描述性的标题（通常 5-10 个词）。

8. Memory

Memory 中间件 -- 将持久化记忆上下文注入对话。从对话中提取关键事实（带置信度评分）并存储到 memory.json。

使用防抖更新（30 秒窗口）避免频繁写入。将置信度最高的 15 条事实注入每个请求的 System Prompt。

9. ViewImage

ViewImage 中间件 -- 处理聊天界面中的图片显示。当 Agent 生成或检索图片时，此中间件确保它们在前端正确渲染。

同时支持生成的图片（来自图片生成 Skill）和从沙箱文件系统检索的图片。

10. SubagentLimit

SubagentLimit 中间件 -- 强制执行最大并发 Sub-Agent 限制（3 个）和 15 分钟超时。防止失控的 Sub-Agent 耗尽资源。

当达到上限时，新的 task() 调用会排队等待可用槽位。超时的 Sub-Agent 会被强制终止并附带部分结果摘要。

11. Clarification

Clarification 中间件 -- 判断用户请求是否模糊，需要在继续之前进行澄清。Agent 可以使用 ask_clarification 暂停并向用户询问更多细节。

这防止 Agent 对不清晰的请求做出假设。澄清问题会在聊天 UI 中呈现，Agent 等待用户回复。

工具系统（4 层架构）

DeerFlow 的工具系统分为 4 层，从底层沙箱操作到动态 MCP 集成。

第 1 层：沙箱工具

bash

read_file

write_file

str_replace

第 2 层：内置工具

present_files

ask_clarification

view_image

task (sub-agent)

第 3 层：社区工具

Tavily (web_search)

Jina AI (web_fetch)

Firecrawl (scraping)

DuckDuckGo (image_search)

第 4 层：MCP 工具

任意 MCP Server

stdio 传输

SSE 传输

HTTP + OAuth

4 层工具体系让 DeerFlow 既自给自足（沙箱 + 内置工具可离线运行），又无限可扩展（任何 MCP Server 都可通过配置接入）。task() 内置工具尤其强大——它能即时创建 Sub-Agent 来处理委派任务。

Architecture reference: docs/architecture.md | src/graph/

vs Claude Code

维度	DeerFlow	Claude Code
编排引擎	LangGraph StateGraph + 11 条中间件链	简单 while-loop Agent Loop
部署架构	4 服务（Nginx + LangGraph Server + Gateway API + Frontend）	单 CLI 进程
Agent 模式	Lead Agent + Sub-Agents + 中间件 Pipeline	Main Agent + Sub-agents（更简单的委派）
状态管理	StateGraph + Checkpoint 恢复	对话上下文（无持久化 checkpoint）

🦌 DeerFlow 胜出

中间件可扩展性 — 11 条链可插拔
状态管理与 Checkpoint 恢复
最精密的编排架构

🖥 Claude Code 胜出

极简架构 — 无基础设施依赖
即时启动（毫秒级）
单进程 = 零运维

M2 技能与功能

16 个内置 Skill 以 Markdown 定义，加上独特的创意输出能力，令 DeerFlow 脱颖而出。

16 个内置 Skill

Skill 是 DeerFlow 最具特色的功能。每个 Skill 是一个 Markdown 文件，定义了 Agent 在特定任务类型下的行为。Skill 采用渐进式加载——Lead Agent 仅在判断用户请求匹配某个 Skill 的领域时才加载该 Skill。

▶ 研究类 Skill 3

deep-research Core -- 4 阶段方法论：规划 -> 搜索 -> 分析 -> 综合。生成带引用的综合研究报告。可启动多个 Sub-Agent 并行信息收集。

github-deep-research Specialized -- 深入分析 GitHub 仓库。分析代码结构、Issues、PR、贡献者及社区健康度。适用于技术尽调和竞品分析。

consulting-analysis Premium -- 生成麦肯锡/BCG 标准的咨询报告。结构化框架（MECE、波特五力、SWOT）、管理层摘要和可执行建议。

▶ 创意与媒体类 Skill 4

podcast-generation Flagship -- 从任意主题创建双主持人对话脚本，然后通过 TTS 合成音频生成 MP3 文件。类似 NotebookLM 风格的播客，但完全可定制。

ppt-generation Flagship -- 生成 8 种视觉风格的演示文稿幻灯片。确保逐页视觉一致性。导出为标准格式。

image-generation Media -- 使用 AI 模型（DALL-E、Stable Diffusion 等）生成图片。与沙箱集成进行输出文件管理。

video-generation Media -- 生成短视频内容。利用视频生成 API 配合 Prompt 工程。

▶ 数据与可视化类 Skill 2

data-analysis Analytical -- 在沙箱中分析数据集（CSV、JSON、Excel）。执行统计分析、趋势检测并生成洞察。

chart-visualization Analytical -- 从数据创建图表和可视化。支持柱状图、折线图、饼图、散点图、热力图等。渲染为图片以嵌入报告。

▶ 设计与开发类 Skill 2

frontend-design Design -- 生成前端代码（HTML/CSS/JS、React 组件）。遵循反 AI 泛滥设计哲学——输出刻意避免 AI 生成 UI 典型的千篇一律、毫无灵魂的美学风格。

web-design-guidelines Design -- 提供网页设计最佳实践并创建设计系统。涵盖排版、色彩理论、布局模式和无障碍设计。

▶ 元技能与实用类 Skill 5

skill-creator Meta -- 通过生成 Markdown Skill 文件来创建新 Skill。本质上是一个创建其他 Skill 的 Skill——DeerFlow 的自我扩展机制。

find-skills Discovery -- 搜索社区 Skill 生态系统，从 npx skills CLI（skills.sh 生态）查找并安装 Skill。

bootstrap Personality -- 引导式生成 SOUL.md，定义 Agent 语气、风格和行为边界的人设配置文件。

surprise-me Creative -- 随机组合多个 Skill 产生意想不到的创意输出。Agent 根据用户兴趣和对话历史选择创意组合。

vercel-deploy DevOps -- 从沙箱直接将生成的前端项目部署到 Vercel。处理构建、部署和 URL 分配。

旗舰功能：播客生成

DeerFlow 最令人印象深刻的能力之一。工作流程如下：

播客生成流水线

用户主题

-->

深度研究

-->

脚本撰写

-->

双主持人对话

-->

TTS 合成

-->

MP3 输出

播客 Skill 首先对主题进行深度研究，然后撰写两位风格迥异的主持人之间的对话脚本。最后通过 TTS 合成对话，生成成品 MP3 文件——全部源自一条用户提示。

旗舰功能：PPT 生成

生成完整演示文稿，提供 8 种视觉风格：

企业商务

简洁、商务感强的布局，品牌一致性高

学术 / 研究

数据密集、引用友好、演讲结构化

创意 / 艺术

大胆配色、动态布局、视觉叙事

极简主义

最大化留白、聚焦信息、优雅排版

科技 / 创业

现代风、渐变丰富、支持暗色主题

教育培训

层次清晰、循序渐进、图表友好

每种风格确保逐页视觉一致性——字体、配色和布局模式在整个演示文稿中保持统一。

深度研究（4 阶段方法论）

深度研究流水线

1. 规划

-->

2. 搜索

-->

3. 分析

-->

4. 综合

阶段	操作	输出
规划	将研究问题分解为子问题，确定搜索策略	包含优先级查询的研究计划
搜索	通过 Sub-Agent 并行搜索网络，评估来源可信度	带引用的原始发现
分析	交叉验证发现，识别模式，解决矛盾	带证据链的结构化分析
综合	生成综合报告、管理层摘要、关键洞察	最终研究报告（Markdown/PDF）

反 AI 泛滥设计哲学

DeerFlow 的前端设计 Skill 刻意避免"AI 美学"——千篇一律的渐变、带阴影的圆角卡片、以及一看就知道是"AI 生成"的模板化布局。它追求的是有意识的、有人味的设计，具有个性、出人意料的布局和匠心。这一哲学延伸到所有创意输出。

Skills reference: skills/ | skills.sh ecosystem

vs Claude Code

维度	DeerFlow	Claude Code
Skill 系统	16 个 Skills-as-Markdown（播客、PPT、深度研究、数据分析、图表、咨询报告、前端设计…）	Skills 系统存在，但聚焦编码任务
播客生成	双主持对话 + TTS → MP3	无此能力
PPT 生成	8 种视觉风格	无此能力
设计哲学	Anti-AI-slop 前端设计准则	无设计哲学约束

🦌 DeerFlow 胜出

内容生成广度 — 播客 / PPT / 报告 / 图表
研究方法论体系
Skills 生态（16 个内置 + 可扩展）

🖥 Claude Code 胜出

编码深度 — 复杂代码库理解与修改
工具执行可靠性

M3 沙箱与安全

3 种沙箱模式，配合虚拟路径映射和严格执行隔离。

3 种沙箱模式

    DEV
    LocalSandboxProvider -- 在宿主机直接执行。无隔离。仅适用于开发和受信任环境。
    最快
  

    PROD
    AioSandboxProvider (Docker) -- 每个会话获得独立的 Docker 容器。完整的文件系统和网络隔离。生产环境默认选择。
    推荐
  

    K8S
    AioSandboxProvider + Provisioner (K8s) -- 基于 Kubernetes 的企业级弹性配置。自动伸缩、资源限制、多租户隔离。
    企业级
  

虚拟路径映射

沙箱使用虚拟文件系统将逻辑路径映射到物理位置。无论沙箱模式如何，都提供一致的 API：

虚拟路径	用途	Agent 权限
`/workspace`	生成文件的主工作目录	读/写
`/uploads`	用户上传的文件（通过 Uploads 中间件）	只读
`/outputs`	最终输出（报告、播客、PPT）	读/写
`/skills`	已安装的 Skill Markdown 文件	只读

Apple Container 支持

在 macOS 上，DeerFlow 自动检测 Apple Container 可用性（macOS Sequoia 引入的原生容器化技术）。可用时，会使用 Apple Container 替代 Docker 以获得更好的性能和更紧密的系统集成。

Docker 沙箱

跨平台（Linux、macOS、Windows）
成熟生态，经过充分测试
macOS 上需要 Docker Desktop
内存开销较高

Apple Container

仅支持 macOS Sequoia+
原生性能，开销极小
DeerFlow 自动检测
通过 Hypervisor.framework 实现更强安全性

Sub-Agent 并发限制

安全和资源管理在中间件层面强制执行：

约束	值	执行方式
最大并发 Sub-Agent 数	3	SubagentLimit middleware
Sub-Agent 超时	15 分钟	SubagentLimit middleware
排队行为	达到上限时 FIFO 排队	Lead Agent
超时操作	强制终止 + 部分结果摘要	LangGraph 运行时

沙箱隔离 + Sub-Agent 限制 + 超时强制执行的组合构成了纵深防御安全模型。即使某个 Sub-Agent 失控（无限循环、资源耗尽），系统也会在最多 15 分钟内自我恢复。

Sandbox reference: src/sandbox/ | docs/deployment.md

vs Claude Code

维度	DeerFlow	Claude Code
隔离方式	Docker / K8s 完全隔离（工具在容器内执行）	容器化 Bash + 工具级权限
路径映射	虚拟路径（`/mnt/user-data/workspace` 等）	直接文件系统访问
macOS 支持	Apple Container 自动检测	无 Apple Container
并发控制	Sub-agent 并发上限 3，超时 15 分钟	无显式并发限制

🦌 DeerFlow 胜出

生产级隔离（K8s 容器）
Apple Container 集成
虚拟路径映射 — 更安全

🖥 Claude Code 胜出

更简单的权限模型
更快的执行速度（无容器开销）

M4 配置与扩展

模型路由、MCP 集成、持久化记忆和嵌入式 Python 客户端。

模型配置

DeerFlow 是模型无关的。通过 config.yaml 配置模型，支持任何 LangChain 兼容的提供商：

# config.yaml 示例 models: default: provider: openai model: gpt-4o temperature: 0.7 research: provider: anthropic model: claude-sonnet-4-20250514 code: provider: deepseek model: deepseek-coder creative: provider: openai model: gpt-4o temperature: 0.9

支持的提供商包括：

OpenAI

Anthropic

DeepSeek

Google Gemini

Doubao (ByteDance)

Kimi (Moonshot)

Novita AI

Any LangChain

MCP 配置

MCP Server 通过 extensions_config.json 配置。DeerFlow 支持全部三种 MCP 传输协议：

// extensions_config.json { "mcpServers": { "filesystem": { "transport": "stdio", "command": "npx", "args": ["-y", "@anthropic/mcp-filesystem-server", "/workspace"] }, "browser": { "transport": "sse", "url": "http://localhost:8080/sse" }, "github": { "transport": "http", "url": "https://api.github.com/mcp", "auth": { "type": "oauth", "client_id": "..." } } } }

传输协议	使用场景	认证支持
stdio	本地工具（文件系统、Shell、数据库）	无需认证
SSE	长运行本地服务（浏览器、IDE）	API Key
HTTP + OAuth	远程服务（GitHub、Slack、Google）	OAuth 2.0 PKCE

记忆系统

DeerFlow 的记忆系统是 LLM 驱动的——由 LLM 自身决定记住什么，而非使用简单的向量相似度搜索。

记忆流水线

对话

-->

LLM 提取

-->

置信度评分

-->

memory.json

-->

Top-15 注入

方面	详情
提取	LLM 自动从对话中提取关键事实
存储	结构化 JSON（`memory.json`）附带元数据
评分	每条事实获得置信度评分（0-1）
防抖	30 秒防抖窗口批量更新
注入	每个请求注入置信度最高的 15 条事实
更新策略	事实可随时间更新、合并或废弃

上下文自动摘要

Summarization 中间件（第 5 条链）处理长对话：

监控对话 Token 数量是否接近模型上下文限制
接近限制时，将较早的轮次摘要为简洁段落
保留最近 N 轮的原文作为即时上下文
摘要替换原始消息，释放上下文窗口
被摘要轮次中的关键事实也会被记忆系统捕获

嵌入式 Python 客户端

DeerFlow 提供 DeerFlowClient，支持进程内直接访问，无需 HTTP。适合将 DeerFlow 直接集成到 Python 应用中：

from deerflow import DeerFlowClient client = DeerFlowClient() # 同步运行任务 result = client.run("Analyze the trends in AI agent frameworks") # 流式响应 for chunk in client.stream("Generate a podcast about quantum computing"): print(chunk.content, end="", flush=True) # 访问线程状态 thread = client.get_thread("thread-id") print(thread.messages)

嵌入式客户端完全绕过 HTTP 层，直接与 LangGraph 运行时通信。这减少了延迟，并简化了不需要 Web UI 的应用部署。

嵌入式 Python 客户端是一个战略性差异化优势。大多数 Agent 框架需要运行服务端，而 DeerFlow 可以作为库导入。这使得批处理流水线、集成到现有 Python 应用、自动化测试和 CI/CD 工作流等场景成为可能——全部无需启动完整的 4 服务架构。

Configuration reference: config.yaml.example | extensions_config.json | src/memory/

vs Claude Code

维度	DeerFlow	Claude Code
模型支持	`config.yaml` — LangChain ChatModel 抽象，模型无关	仅 Anthropic 模型
MCP 集成	支持 OAuth（client_credentials + refresh_token）	MCP 支持但无 OAuth
记忆系统	LLM 驱动记忆（自动提取事实 + 置信度评分 + top-15 注入）	手动记忆（CLAUDE.md + memory 文件）
上下文压缩	自动摘要（tokens / messages / fraction 三重触发）	接近上下文上限时自动压缩
嵌入客户端	DeerFlowClient — Python 嵌入式，无需 HTTP	无嵌入客户端

🦌 DeerFlow 胜出

更智能的记忆 — LLM 自动提取 + 置信度
模型无关 — 任意 LLM 可接入
MCP OAuth 支持
嵌入式 Python 客户端

🖥 Claude Code 胜出

配置更简洁
启动更快 — 无复杂初始化

M5 快速上手

从零开始，几分钟内运行 DeerFlow。涵盖安装、配置和部署。

前置条件

依赖	版本	用途
Python	3.12+	后端运行时
Node.js	22+	前端构建
uv	Latest	Python 包管理
pnpm	Latest	Node.js 包管理
Docker	Latest (optional)	沙箱隔离（生产环境）

通过 Makefile 安装

# 1. 克隆仓库 git clone https://github.com/bytedance/deer-flow.git cd deer-flow # 2. 配置（从模板创建 config.yaml） make config # 3. 检查依赖和环境 make check # 4. 安装所有依赖（Python + Node.js） make install # 5. 启动开发服务器（全部 4 个服务） make dev

执行 make dev 后，各服务在相应端口启动：

Nginx :2026

-->

LangGraph :2024

Gateway :8001

Frontend :3000

通过 http://localhost:2026（经 Nginx）或 http://localhost:3000（直连前端）访问 Web UI。

Docker 部署

# 一键部署 docker compose up -d # 或自定义配置 cp config.yaml.example config.yaml # 编辑 config.yaml 添加你的 API Key docker compose up -d

配置要点

步骤 1：模型 API Key

编辑 config.yaml，添加模型提供商的 API Key：

# config.yaml models: default: provider: openai model: gpt-4o api_key: sk-... # 或设置 OPENAI_API_KEY 环境变量

步骤 2：搜索 API（推荐）

要启用网络搜索功能，至少配置一个搜索提供商：

# 环境变量 export TAVILY_API_KEY=tvly-... # Tavily (recommended) # Or export JINA_API_KEY=jina-... # Jina AI

步骤 3：MCP Server（可选）

在 extensions_config.json 中添加 MCP Server 以扩展功能。

Skill 安装

# 浏览可用 Skill npx @anthropic/skills search "data analysis" # 安装社区 Skill npx @anthropic/skills install chart-advanced # 列出已安装 Skill npx @anthropic/skills list # 创建自定义 Skill npx @anthropic/skills create my-custom-skill

Web UI 使用

聊天界面

与 Lead Agent 自然语言对话。支持文件上传、图片展示和流式响应。

线程管理

多对话线程，自动生成标题。完整历史记录，支持断点恢复。

文件输出

下载生成的文件——报告（PDF/MD）、播客（MP3）、演示文稿（PPTX）、图表（PNG/SVG）。

Sub-Agent 监控

实时查看活跃 Sub-Agent 的状态和资源使用情况。超时警告可见。

部署选项

选项	最适合	复杂度
make dev	本地开发，单用户	低
docker compose	小团队，自托管	中
K8s + Provisioner	企业级，多租户	高
DeerFlowClient (embedded)	Python 应用集成	低（无需服务端）

最快的上手路径：git clone -> make config -> 在 config.yaml 中添加 API Key -> make dev。5 分钟内即可获得一个功能完整的 SuperAgent，包含 16 个 Skill、沙箱执行和精美的 Web UI。生产环境建议切换到 Docker Compose 并添加 Tavily 搜索。

核心要点

Skills-as-Markdown

最具创新性的方面。新功能通过 Markdown 定义，无需代码。渐进式加载保持 Agent 高效运行。通过 skills.sh 构建社区生态。

生产级架构

4 服务设计：Nginx 反向代理、LangGraph 运行时、Gateway API 和 Next.js 前端。职责分离清晰。

创意差异化

播客生成、PPT 制作、咨询报告和反 AI 泛滥设计哲学使 DeerFlow 区别于纯研究框架。

纵深防御

3 种沙箱模式、Sub-Agent 并发限制、超时强制执行和虚拟路径隔离。安全性不是事后考虑。

模型无关

从 OpenAI 到 DeepSeek 到豆包——任何 LangChain 兼容模型都可使用。通过 config.yaml 将不同任务路由到不同模型。

嵌入式客户端

DeerFlowClient 让你可以将 DeerFlow 作为 Python 库使用，无需运行完整服务栈。非常适合自动化和集成场景。

vs Claude Code

维度	DeerFlow	Claude Code
安装	`make dev`（需 Python 3.12+、Node.js 22+、pnpm、uv、nginx）	`npm i -g @anthropic-ai/claude-code`（一条命令）
Docker	提供 Docker 部署方案	无需 Docker
界面	Web UI（完整聊天界面）	终端（by design）
依赖复杂度	5+ 组件（Python + Node + pnpm + uv + nginx）	仅 Node.js

🦌 DeerFlow 胜出

Web UI — 非技术用户友好
Docker 部署 — 生产环境就绪

🖥 Claude Code 胜出

安装极其简单 — 一条命令
零基础设施 — 开箱即用

Official resources: GitHub 仓库 | 官方网站 | README | 文档

DeerFlow 2 深度解析

M0 项目概览

DeerFlow 是什么？

v1.x 与 v2.0 对比

v1.x -- 深度研究框架

v2.0 -- 通用 SuperAgent

技术栈

竞品对比

vs Claude Code

🦌 DeerFlow 胜出

🖥 Claude Code 胜出

M1 核心架构

4 服务架构

Lead Agent + Sub-Agent 模式

11 条中间件链

工具系统（4 层架构）

第 1 层：沙箱工具

第 2 层：内置工具

第 3 层：社区工具

第 4 层：MCP 工具

vs Claude Code

🦌 DeerFlow 胜出

🖥 Claude Code 胜出

M2 技能与功能

16 个内置 Skill

旗舰功能：播客生成

旗舰功能：PPT 生成

深度研究（4 阶段方法论）

反 AI 泛滥设计哲学

vs Claude Code

🦌 DeerFlow 胜出

🖥 Claude Code 胜出

M3 沙箱与安全

3 种沙箱模式

虚拟路径映射

Apple Container 支持

Docker 沙箱

Apple Container

Sub-Agent 并发限制

vs Claude Code

🦌 DeerFlow 胜出

🖥 Claude Code 胜出

M4 配置与扩展

模型配置

MCP 配置

记忆系统

上下文自动摘要

嵌入式 Python 客户端

vs Claude Code

🦌 DeerFlow 胜出

🖥 Claude Code 胜出

M5 快速上手

前置条件

通过 Makefile 安装

Docker 部署

配置要点

步骤 1：模型 API Key

步骤 2：搜索 API（推荐）

步骤 3：MCP Server（可选）

Skill 安装

Web UI 使用

部署选项

核心要点

vs Claude Code

🦌 DeerFlow 胜出

🖥 Claude Code 胜出