☰
DeerFlow AI深度研究多智能体框架:4大核心能力与3步本地部署指南
2026/11/2 20:05:46 网站建设 项目流程

DeerFlow AI深度研究多智能体框架:4大核心能力与3步本地部署指南

【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow

DeerFlow 是一个开源的 AI 深度研究与多智能体自动化工作流框架,基于 LangGraph 构建,把技能、子智能体、沙箱执行和长期记忆整合在一起,承接从分钟级到小时级的研究、内容创作与数据分析任务,支持本地快速部署。

场景切入:一份要跑几个小时的研究任务,怎么办

你提一个需求,比如"调研某个赛道的市场格局并出报告",接下来几小时里搜索、阅读、整理、写作全靠你盯。DeerFlow 的思路是把这件事整个交给它:它自己拆解任务、派子智能体并行开工、在隔离环境里跑代码和查资料,最后把报告、图表甚至幻灯片直接交付给你。它 2.0 版本起从单一研究框架重写为"超级智能体"框架——文件系统、记忆、沙箱、工具全部内置,开箱即用,社区已用它跑数据管道、生成演示文稿、自动化内容工作流等大量非研究类任务。

DeerFlow 能力速览:多智能体自动化工作流清单

能力它能帮你干什么
技能(Skill)体系研究、报告、幻灯片、网页、图像视频等现成工作流,按需渐进加载,也能自己写 Markdown 技能扩展
子智能体编排大任务自动拆成多个子智能体并行执行,各自返回结构化结果后统一合成
沙箱执行每个会话在隔离 Docker 容器里读写文件、跑 bash 和代码,可审计、互不污染
长期记忆跨会话记住你的偏好、技术栈和重复流程,本地存储、完全可控
工具扩展内置网络搜索、网页抓取、文件操作、bash,另支持 MCP 服务器和 Python 函数加自定义工具

核心能力详解

📚 做深度研究:让子智能体分工并行

主导智能体会动态生成子智能体,每个子智能体有自己独立的上下文、工具集和终止条件,互不干扰、能并行跑。一个研究任务可以展开成十几个子智能体各探一个角度,结果汇聚成一份连贯报告。会话过程中它会主动做上下文管理——总结已完成的子任务、把中间结果写到文件系统、压缩不再相关的内容,长任务也不容易撑爆上下文窗口。

📊 产出内容:从报告、网页到图片

技能(Skill)是 DeerFlow 完成各类任务的关键——每个技能是一个 Markdown 文件,写清工作流程和最佳实践,只在任务需要时加载,上下文保持精简。内置技能覆盖深度研究、报告生成、幻灯片、网页制作、图像与视频生成;你还能在skills/custom下放自己的技能,或组合成复合工作流。

🐳 沙箱执行:让 AI 安全地"操作一台电脑"

每个会话都跑在一个隔离的 Docker 容器里,容器内有一套完整的文件系统:你上传的文件、智能体的工作目录、最终成果物各归其位。智能体可以读写编辑文件、执行 bash 命令和代码、查看图像,所有操作都在沙箱中可审计,会话之间零污染。

/mnt/user-data/ ├── uploads/ ← 你上传的文件 ├── workspace/ ← 智能体的工作目录 └── outputs/ ← 最终交付成果物

🧠 跨会话记忆:越用越懂你

多数智能体聊完就忘,DeerFlow 会在多个会话之间持续积累关于你个人偏好、技术栈和重复工作流程的记忆,下次直接沿用,不用反复交代背景。记忆存在本地,归你控制。

部署与上手:AI 深度研究工具部署的最快路径

推荐方式:Docker(环境最省心)

git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow make config make docker-init # 首次拉取沙箱镜像 make docker-start

启动后访问 http://localhost:2026 。

备选方式:本地开发(需要 Node.js 22+、pnpm、uv、nginx)

make check # 校验依赖工具 make setup-sandbox # 可选:预拉沙箱镜像 make dev

配置要点:

  • config.yaml的models:下至少定义一个模型(名称、use:的 LangChain 类路径、model:等字段)
  • API 密钥建议写入项目根目录.env或导出环境变量,不建议直接写进配置
  • 自己的技能放skills/public之外的自定义目录,避免覆盖内置技能

适用建议

  • 有现成 LLM API Key、想在本地跑深度研究与数据分析任务的用户最受益,数据不必出本机
  • 不想维护容器选本地开发模式;生产环境建议用 Docker 沙箱,隔离性更完整
  • 长任务会派生多个子智能体、消耗较多 token,配合上下文总结机制并选用合适模型的上下文窗口
  • 扩展优先加自定义技能或 MCP 工具,直接改内置技能不利于升级

延伸阅读

  • 架构说明:backend/docs/ARCHITECTURE.md
  • 配置指南:backend/docs/CONFIGURATION.md
  • 安装与设置:backend/docs/SETUP.md

【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

需要专业的网站建设服务?

联系我们获取免费的网站建设咨询和方案报价,让我们帮助您实现业务目标

立即咨询