🦌 DeerFlow

DeerFlow（Deep Exploration and Efficient Research Flow）是一個開源的 super agent harness，能夠組織 sub-agents、記憶體和沙箱，搭配可擴展的 Skills，讓 Agent 可以完成幾乎任何事情。本指南將帶領您從零開始，一步步掌握 DeerFlow 的使用方法。

一、DeerFlow 是什麼？

DeerFlow 不只是一個研究工具，更是一個讓 Agents 真正完成任務的運行時基礎設施。它的核心特點包括：

• Skills 與 Tools：通過結構化能力模塊擴展功能，按需加載，避免上下文過載
• Sub-Agents：複雜任務會被拆解，由多個 sub-agents 並行處理，最後匯總結果
• Sandbox 與文件系統：每個任務都在隔離的 Docker 容器中運行，擁有完整的文件系統
• 長期記憶：跨 session 累積關於您的個人偏好、知識背景和工作習慣
• Context Engineering：每個 sub-agent 擁有獨立上下文，並具備摘要壓縮能力

DeerFlow 的核心特性與功能：
多智能體協作： 採用模組化架構，包含協調器（Coordinator）、規劃器（Planner）、研究員（Researcher）、編碼員（Coder）和報告員（Reporter），各司其職。
端到端自動化研究： 輸入研究主題，DeerFlow 可自主完成搜尋、閱讀、資料分析、程式碼運行及最終報告撰寫。
支援 MCP 系統： 整合 MCP（Model Context Protocol）服務，可擴充連接各種外部工具（如高德地圖、知識庫等）。
技術堆疊： 基於 Python 3.12+ 和 LangGraph，提供控制台與 Web UI。
應用情境： 廣泛應用於複雜趨勢分析（如市場研究）、資料分析、自動化產業報告撰寫，以及多模態內容（如播客、PPT）產生。

演進版本：
2026年3月發布的 DeerFlow 2.0 被定位為“超級智能體執行底座”，不僅限於查資料，還支持 Docker 沙箱、持久化記憶，可自主幹完整項目，是 OpenAI Deep Research 的開源替代方案。

二、快速開始：配置與運行

步驟 1：克隆倉庫並生成配置

bash

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config  # 基於示例模板生成本地配置文件

步驟 2：配置模型

編輯 config.yaml 文件，定義至少一個模型。以下是幾個範例 (更多的範例在下面附錄)：

yaml

models:
  - name: gpt-4                       # 內部標識
    display_name: GPT-4               # 展示名稱
    use: langchain_openai:ChatOpenAI
    model: gpt-4
    api_key: $OPENAI_API_KEY
    max_tokens: 4096
    temperature: 0.7

  - name: openrouter-gemini-2.5-flash
    display_name: Gemini 2.5 Flash (OpenRouter)
    use: langchain_openai:ChatOpenAI
    model: google/gemini-2.5-flash-preview
    api_key: $OPENAI_API_KEY
    base_url: https://openrouter.ai/api/v1

步驟 3：設置 API Key

您可以選擇以下任一方式：

方式 A（推薦）：編輯項目根目錄下的 .env 文件

env

TAVILY_API_KEY=your-tavily-api-key
OPENAI_API_KEY=your-openai-api-key

方式 B：在 shell 中導出環境變量

bash

export OPENAI_API_KEY=your-openai-api-key

方式 C：直接編輯 config.yaml（不建議用於生產環境）

步驟 4：運行應用

方式一：Docker（推薦）

bash

make docker-init   # 拉取 sandbox 鏡像（首次運行或鏡像更新時執行）
make docker-start  # 啟動服務

生產模式：

bash

make up     # 構建鏡像並啟動全部生產服務
make down   # 停止並移除容器

方式二：本地開發

bash

make check    # 檢查依賴環境（Node.js 22+、pnpm、uv、nginx）
make install  # 安裝後端 + 前端依賴
make setup-sandbox  # 預拉取 sandbox 鏡像（可選）
make dev      # 啟動服務

三、進階配置

1. Sandbox 模式配置

DeerFlow 支持三種 sandbox 執行方式：

• 本地執行：直接在宿主機上運行 sandbox 代碼
• Docker 執行：在隔離的 Docker 容器中運行
• Docker + Kubernetes 執行：通過 provisioner 服務在 Kubernetes Pod 中運行

配置示例（在 config.yaml 中）：

yaml

sandbox:
  use: deerflow.community.aio_sandbox:AioSandboxProvider
  provisioner_url: http://localhost:8001

2. MCP Server 配置

DeerFlow 支持可配置的 MCP Server 和 skills，用於擴展能力。詳細說明請參閱 MCP Server 指南。

3. IM 渠道配置

DeerFlow 支持從即時通訊應用接收任務，無需公網 IP。

Telegram 配置

1. 打開 @BotFather，發送 /newbot，複製生成的 HTTP API token
2. 在 .env 中設置 TELEGRAM_BOT_TOKEN
3. 在 config.yaml 中啟用該渠道

Slack 配置

1. 前往 api.slack.com/apps 創建 Slack App
2. 在 OAuth & Permissions 中添加 Bot Token Scopes：app_mentions:read、chat:write、im:history、im:read、im:write、files:write
3. 啟用 Socket Mode，生成帶 connections:write 權限的 App-Level Token（xapp-…）
4. 在 Event Subscriptions 中訂閱 bot events：app_mention、message.im
5. 在 .env 中設置 SLACK_BOT_TOKEN 和 SLACK_APP_TOKEN

飛書 / Lark 配置

1. 在 飛書開放平台 創建應用，啟用 Bot 能力
2. 添加權限：im:message、im:message.p2p_msg:readonly、im:resource
3. 在事件訂閱中訂閱 im.message.receive_v1，連接方式選擇「長連接」
4. 複製 App ID 和 App Secret，在 .env 中設置 FEISHU_APP_ID 和 FEISHU_APP_SECRET

四、常用命令

渠道連接完成後，您可以直接在聊天窗口中使用以下命令：

命令	說明
/new	開啟新對話
/status	查看當前 thread 信息
/models	列出可用模型
/memory	查看 memory
/help	查看幫助

沒有命令前綴的消息會被當作普通聊天處理。

五、核心功能深入

1. 使用 Skills

Skills 存放在以下路徑：

text

/mnt/skills/public/      # 內置 skills
├── research/SKILL.md
├── report-generation/SKILL.md
├── slide-creation/SKILL.md
└── ...

/mnt/skills/custom/       # 您的自定義 skills
└── your-custom-skill/SKILL.md

您可以添加自己的 skills，替換內置 skills，或組合多個 skills 形成複合工作流。

2. Claude Code 集成

安裝 claude-to-deerflow skill：

bash

npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow

確認 DeerFlow 已啟動（默認地址：http://localhost:2026），在 Claude Code 中使用 /claude-to-deerflow 命令即可交互。

可執行的操作：

• 發送消息並接收流式響應
• 選擇執行模式：flash（更快）、standard、pro（規劃模式）、ultra（sub-agents 模式）
• 檢查健康狀態、列出 models/skills/agents
• 管理 threads 和會話歷史
• 上傳文件進行分析

3. 使用 Python Client（內嵌方式）

無需啟動完整 HTTP 服務，直接作為 Python 庫使用：

python

from deerflow.client import DeerFlowClient

client = DeerFlowClient()

# 基本對話
response = client.chat("幫我分析這篇論文", thread_id="my-thread")

# 流式輸出
for event in client.stream("hello"):
    if event.type == "messages-tuple" and event.data.get("type") == "ai":
        print(event.data["content"])

# 配置與管理
models = client.list_models()        # 列出模型
skills = client.list_skills()        # 列出 skills
client.update_skill("web-search", enabled=True)  # 啟用 skill
client.upload_files("thread-1", ["./report.pdf"])  # 上傳文件

六、推薦模型

DeerFlow 對模型沒有強綁定，只要實現 OpenAI 兼容 API 的 LLM 都可以接入。推薦使用具備以下能力的模型：

• 長上下文窗口（100k+ tokens）
• 強大的推理能力
• 多模態輸入能力
• 穩定的 tool use 能力

官方推薦：Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5

七、實用小提示

1. 首次使用：建議先用 Docker 模式快速體驗，熟悉後再嘗試本地開發
2. 配置檢查：使用 make check 確保所有依賴都已正確安裝
3. API Key 安全：優先使用 .env 文件或環境變量，避免直接寫入 config.yaml
4. 內置 Skills：善用 research、report-generation、slide-creation 等內置 skills，大幅提升效率
5. 記憶功能：多用 /memory 查看和積累長期記憶，讓 agent 更了解您的習慣
6. 獲取幫助：遇到問題時使用 /help 命令，或查閱官方文檔

八、DeerFlow 和 OpenClaw 的比較

這兩個都是目前開源社群的當紅炸子雞，但它們的定位和擅長的領域其實很不一樣。簡單來說，DeerFlow 比較像一個「自備電腦和團隊的超級研究員」，而 OpenClaw 則是一個「手腳勤快、擅長用各種通訊軟體幫你幹活的多面手助理」。

下面是它們核心差異的對比：

維度	🦌 DeerFlow (超級智能體整合框架)	🦞 OpenClaw (個人AI助理平台)
核心定位	超級智能體整合框架 / 執行引擎 重點在「把事情做完」。提供一個能讓AI執行複雜、長時間任務的完整後台。	個人AI助理平台 重點在「隨時待命」。讓你透過熟悉的聊天軟體指揮AI自動化日常任務。
架構設計	Lead Agent + Sub-Agents 一個主管Agent負責拆解任務，動態指揮多個專門的子Agent並行工作。	單一Agent + 豐富Skill Agent本身集成大量技能，可以調用各種工具，但任務通常由自己完成。
執行環境	強制隔離 (Docker沙箱) 每個任務都在隔離的Docker容器裡執行，擁有自己獨立的完整文件系統。	本地直接執行 直接在你給予權限的電腦或伺服器上執行指令，可以操作文件、打開軟體。
擅長場景	複雜、多步驟、需深度研究 例如：自動化市場調研並生成報告、開發一個小網站、分析數據並製作PPT。	快速、廣泛、與通訊軟體深度集成 例如：管理郵件和日程、監控價格並提醒、跨軟體自動化辦公（如整理文檔發到群組）。
生態與接入	模型無關，支持任何OpenAI兼容API。內建Claude Code集成，開發者可在終端直接調用。	消息平台優先，原生支持Telegram、Discord、Slack、飛書等十幾種渠道。擁有龐大的社區Skill生態（700+）。
上下文與記憶	上下文工程：主動摘要、壓縮、隔離子Agent上下文，防止窗口爆掉。長期記憶可跨session累積偏好。	持久記憶：將對話和關鍵信息保存在本地文件（如MEMORY.md）。最新版本引入可插拔上下文引擎（如lossless-claw插件），實現永不遺忘。

🤔 那到底哪一個「比較強」？

與其問「誰更強」，不如問「哪個更適合你的需求」。這就像比較「工作站」和「瑞士刀」一樣，強項完全不同。

🦌 選擇 DeerFlow，如果你是：

• 目標是執行複雜專案：你的任務需要多步驟規劃，例如「研究OpenClaw和DeerFlow的差異，寫一篇對比報告，並生成一個圖表簡報」。
• 需要安全、可復現的環境：你希望AI的程式碼執行和文件操作都在一個隔離的「沙箱」裡，避免影響主系統，也方便排查問題。
• 追求架構上的嚴謹性：你欣賞由一個主管Agent調度多個專業子Agent的分工模式，希望流程清晰可控。
• 你是開發者，希望深度集成：你想要在Claude Code終端裡直接指揮一個強大的Agent來完成工作。

🦞 選擇 OpenClaw，如果你是：

• 目標是自動化日常個人/辦公任務：你想要一個AI幫你管理郵件、整理桌面文件、定時爬取特定資訊並發到你的Telegram頻道。
• 需要多平台接入，隨喚隨到：你想要透過手機上的Discord或飛書，隨時隨地給AI下指令，讓它去執行任務。
• 看重豐富的生態和即戰力：社區有大量現成的技能可以直接安裝使用，覆蓋從瀏覽器控制到社交媒體管理的各種場景。
• 喜歡數據在自己手上的感覺：所有的對話記錄和記憶都以純文字檔案形式存在你的電腦裡，透明且易於管理。

💎 總結

總的來說，DeerFlow 的「強」在於其架構的嚴謹性和執行複雜任務的深度，更像一個專業的「專案執行團隊」；而 OpenClaw 的「強」在於其使用的便利性、接入渠道的廣泛性和生態的成熟度，更像一個貼身的「萬能生活秘書」。

兩者並非完全對立的競爭關係，甚至有評論認為，DeerFlow 可以視為在 OpenClaw 這類「Claw-like」個人助理生態熱潮下，誕生的一個更側重於後台執行能力的、專業化的新分支。最終選擇哪一個，完全取決於你想用它來解決什麼樣的問題。

九、參考相關資源

• 官方網站
• 貢獻指南 (CONTRIBUTING.md)
• Sandbox 配置指南
• MCP Server 指南

十、附錄: 更多有關config.yaml的設定範例

以下是根據 DeerFlow 的 config.yaml 格式，配置 OpenRouter 和 Ollama 的範例。請將以下內容加入或替換原有的 models 列表。

✅ OpenRouter 設定範例

OpenRouter 提供 OpenAI 相容的 API，因此可直接使用 langchain_openai:ChatOpenAI，並透過 base_url 指向 OpenRouter 的端點。

models:
  # 原有模型可保留...

  # OpenRouter 上的模型 (以 Gemini 2.5 Flash 為例)
  - name: openrouter-gemini-2.5-flash
    display_name: Gemini 2.5 Flash (OpenRouter)
    use: langchain_openai:ChatOpenAI
    model: google/gemini-2.5-flash-preview   # OpenRouter 的模型識別碼
    api_key: $OPENROUTER_API_KEY              # 建議使用環境變數
    base_url: https://openrouter.ai/api/v1
    max_tokens: 4096
    temperature: 0.7

對應的 .env 設定：

OPENROUTER_API_KEY=your-openrouter-api-key

---

✅ Ollama 設定範例（兩種方式）

方式一：使用 Ollama 原生 LangChain 整合（推薦）

需確保 DeerFlow 環境已安裝 langchain-ollama（可透過 pip install langchain-ollama 安裝）。
此方式直接利用 Ollama 的本地 API，無需 API Key。

models:
  - name: ollama-llama3
    display_name: Ollama Llama 3
    use: langchain_ollama:ChatOllama
    model: llama3:latest               # 您已在 Ollama 下載的模型名稱
    base_url: http://localhost:11434   # Ollama 預設位址
    temperature: 0.8
    # Ollama 不支援 max_tokens 參數，請用 num_predict（若需要）
    # 可透過 model_kwargs 傳遞其他參數：
    model_kwargs:
      num_predict: 2048

方式二：使用 Ollama 的 OpenAI 相容 API

Ollama 從 0.1.14 版本起支援 OpenAI 相容 API（預設位址 http://localhost:11434/v1），因此也可使用 langchain_openai:ChatOpenAI 接入。

models:
  - name: ollama-llama3-openai-compat
    display_name: Ollama Llama 3 (OpenAI Compatible)
    use: langchain_openai:ChatOpenAI
    model: llama3:latest               # 模型名稱
    api_key: dummy                     # Ollama 不需要 key，但必須填非空值
    base_url: http://localhost:11434/v1
    max_tokens: 2048
    temperature: 0.7

注意：若使用方式二，請確保 Ollama 的 API 服務正常運行（執行 ollama serve），且模型已下載（如 ollama pull llama3）。

---

🔧 設定後續步驟

1. 確認依賴

• 若使用原生 Ollama 類，請在 deer-flow 環境中安裝 langchain-ollama：
  bash pip install langchain-ollama
• 若使用 OpenRouter 或 OpenAI 相容方式，langchain-openai 通常已預設安裝。

1. 設定環境變數（如適用）
   編輯根目錄的 .env 文件，加入對應的 API Key：

   OPENROUTER_API_KEY=sk-or-v1-xxxxxxxxxxxxx
   # Ollama 不需要設定 key

3. 啟動 DeerFlow
   使用 make dev 或 make docker-start 啟動，DeerFlow 會自動載入 config.yaml 中定義的模型。

---

💡 補充說明

• 模型內部名稱 (name)：您可以在對話中切換模型，DeerFlow 會根據此欄位識別。
• use 欄位：對應 LangChain 的導入路徑（模組:類別），例如 langchain_openai:ChatOpenAI 表示從 langchain_openai 導入 ChatOpenAI 類。
• 其他參數：可參考 LangChain 官方文件，將額外參數寫入 model_kwargs 中（如 Ollama 的 num_ctx、top_k 等）。

這樣設定後，您就可以在 DeerFlow 中同時使用 OpenRouter 上的商業模型和本地的 Ollama 模型，自由切換。

---

按照本指南的步驟操作，您應該能夠順利啟動並使用 DeerFlow。隨著使用深入，您會發現它作為 超級智能體整合框架/工具 (Super Agent Harness) 的強大之處 —— 從研究、數據處理到內容生成，幾乎無所不能。祝您使用愉快！🦌

「短視頻」

「大抽奬」

「免費求簽」

「免費算命」

「免費成為會員有錢收」