DeerFlow 2.0 是字节跳动开源的超级智能体编排框架，上线一周即登顶 GitHub Trending 榜首，获得超 4 万 Star。该框架能够编排子智能体、记忆和沙箱环境，完成从几分钟到几小时的复杂任务，被誉为"中国版"超级智能体编排框架。

一、主要功能

超级智能体编排：DeerFlow 2.0 是一个集成多种能力的 SuperAgent 调度中心，支持复杂任务拆解和高效协作，能够处理需要多步骤、长时间运行的任务。

多模型支持：支持主流大模型，包括 Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5 等，可灵活切换不同模型以适应不同任务需求。

安全沙盒文件系统：提供隔离运行环境，支持安全的代码生成、批量文件重构及结果留存，确保代码执行的安全性。

MCP 服务器集成：支持可配置的 MCP 服务器和技能扩展，HTTP/SSE MCP 服务器支持 OAuth 令牌流，可扩展框架功能。

IM 渠道接入：支持 Telegram、Slack、飞书等主流即时通讯工具，无需公网 IP 即可接入，实现聊天机器人功能。

Claude Code 集成：支持与 Claude Code 等编程助手集成，可通过一句话指令完成 DeerFlow 的设置和部署。

二、技术原理

子智能体编排架构：DeerFlow 采用子智能体编排架构，主智能体负责任务拆解和调度，子智能体负责具体执行，实现复杂任务的并行处理。

上下文工程：通过上下文工程优化长任务执行，支持长期记忆和短期记忆的结合，确保智能体在长时间任务中保持一致性。

沙箱隔离执行：采用 Docker 或 Kubernetes 沙箱隔离代码执行环境，支持本地执行、Docker 执行和 Kubernetes 执行多种模式。

三、应用场景

深度研究：DeerFlow 最初定位为深度研究框架，可自动执行文献调研、数据收集、分析报告生成等研究任务。

代码开发：支持代码生成、代码审查、批量重构等开发任务，可与 Claude Code、Cursor 等编程工具集成。

数据管道构建：自动化构建数据处理管道，完成数据清洗、转换、分析等任务，适合数据工程师使用。

内容工作流自动化：自动化内容创作、编辑、发布等工作流，支持生成演示文稿、仪表板等内容。

企业级任务自动化：适用于企业级复杂任务自动化，如客户服务、数据分析、报告生成等场景。

四、使用方法

克隆项目：从 GitHub 克隆 DeerFlow 项目，cd 进入项目目录。

生成配置：运行 make config 命令生成配置文件，编辑 config.yaml 配置首选模型和 API 密钥。

设置 API 密钥：在.env 文件中设置 OPENAI_API_KEY、TAVILY_API_KEY 等必要的 API 密钥。

启动服务：使用 Docker 方式（推荐）运行 make docker-start，或本地开发运行 make dev。

访问界面：浏览器访问 http://localhost:2026 开始使用 DeerFlow。

五、适用人群

AI 开发者：需要构建复杂 AI 应用的开发者，可使用 DeerFlow 快速搭建多智能体系统。

研究人员：需要进行深度文献调研和数据分析的研究人员，可自动化研究流程。

数据工程师：需要构建数据处理管道的数据工程师，可自动化数据清洗和转换任务。

企业技术团队：需要实现企业级任务自动化的技术团队，可定制化部署 DeerFlow。

开源爱好者：对 AI 智能体技术感兴趣的开源爱好者，可学习先进的智能体编排架构。

六、优缺点介绍

优点：GitHub trending 榜首热门项目，4 万 + Star 社区支持，支持多模型灵活切换，安全沙箱隔离执行，支持多种 IM 渠道接入，完整的文档和教程，Docker 一键部署，企业级稳定性。

缺点：需要一定的技术门槛配置和部署，依赖 Docker 或 Kubernetes 环境，部分功能需要付费 API 密钥，中文文档可能不够完善。