字节跳动开源DeerFlow 2.0：长期任务超级智能体框架

English | 中文 | 日本語 | Français | Русский2026年2月28日，DeerFlow在发布2.0版本后登顶GitHub Trending榜首。非常感谢我们了不起的社区——是你们让这一切成为现实！

💪🔥DeerFlow（深度探索与高效研究流）是一个开源超级智能体框架，通过可扩展技能协调子代理、记忆和沙箱，几乎可以完成任何任务。注意DeerFlow 2.0是一次彻底的重写，与v1不共享任何代码。

如果你在寻找原始的深度研究框架，它维护在1.x分支上——仍然欢迎贡献。活跃开发已转移到2.0。在我们的官方网站上了解更多信息并查看真实演示。- 我们强烈建议使用Doubao-Seed-2.0-Code、

DeepSeek v3.2和Kimi 2.5来运行DeerFlow- 了解更多- 中国大陆地区的开发者请点击这里DeerFlow新集成了字节跳动独立开发的智能搜索与抓取工具集——InfoQuest（支持免费在线体验）- 🦌 DeerFlow - 2.0如果你使用Clau

de Code、Codex、Cursor、Windsurf或其他编码代理，你可以用一句话将设置说明交给它：如果需要，帮我克隆DeerFlow，然后按照 https:

//raw.githubusercontent.com/bytedance/deer-flow/main/Install.md 引导它进行本地开发。该提示旨在用于编码代理。

它告诉代理在需要时克隆仓库，在可用时选择Docker，并停在下一步命令以及用户仍需提供的任何缺失配置。

- 克隆DeerFlow仓库git clone https://github.com/bytedance/deer-flow.git cd deer-flow- 运行设置向导从项目根目录（deer-flow/）运行：make setup这将启动一个交互式向导，

引导你选择LLM提供商、可选的网络搜索以及执行/安全偏好，如沙箱模式、bash访问和文件写入工具。它会生成一个最小的config.yaml，并将你的密钥写入.env。大约需要2分钟。该向导还允许你配置可选的网络搜索提供商，或暂时跳过。

随时运行make doctor来验证你的设置并获得可操作的修复提示。高级/手动配置：如果你更喜欢直接编辑config.yaml，运行make config来复制完整模板。

参见config.example.yaml获取完整参考，包括CLI支持的提供商（Codex CLI、Claude Code OAuth）、OpenRouter、Responses API等。

手动模型配置示例models:- name:gpt-4o display_name:GPT-4o use:langchain_openai:ChatOpenAI model:gpt-4o api_key:$OPENAI_API_KEY - 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:

$OPENROUTER_API_KEY base_url:https://openrouter.

ai/api/v1 - name:gpt-5-responses display_name:GPT-5 (Responses API) use:langchain_openai:ChatOpenAI model:gpt-5 api_key:

$OPENAI_API_KEY use_responses_api:

true output_version:responses/v1 - name:qwen3-32b-vllm display_name:Qwen3 32B (vLLM) use:deerflow.models.vllm_provider:

VllmChatModel model:

Qwen/Qwen3-32B api_key:$VLLM_API_KEY base_url:http://localhost:8000/v1 supports_thinking:true when_thinking_enabled:extra_body:

chat_template_kwargs:enable_thinking:trueOpenRouter和类似的OpenAI兼容网关应配置为langchain_openai:ChatOpenAI加上base_url。

如果你更喜欢特定提供商的环境变量名称，将api_key显式指向该变量（例如api_key: $OPENROUTER_API_KEY）。

要通过/v1/responses路由OpenAI模型，继续使用langchain_openai:ChatOpenAI并设置use_responses_api: true和output_version: responses/v1。

对于vLLM 0.19.0，使用deerflow.models.vllm_provider:VllmChatModel。

对于Qwen风格的推理模型，DeerFlow通过extra_body.chat_template_kwargs.enable_thinking切换推理，并在多轮工具调用对话中保留vLLM的非标准reasoning字段。

Legacy thinking配置会自动标准化以实现向后兼容。推理模型可能还需要服务器以--reasoning-parser ...启动。如果你的本地vLLM部署接受任何非空API密钥，你仍然可以将VLLM_API_KEY设置为占位符值。

CLI支持的提供商示例：models:- name:gpt-5.4 display_name:GPT-5.4 (Codex CLI) use:deerflow.models.openai_codex_provider:CodexChatModel model:

gpt-5.4 supports_thinking:

true supports_reasoning_effort:true - name:claude-sonnet-4.6 display_name:Claude Sonnet 4.6 (Claude Code OAuth) use:

deerflow.models.claude_provider:ClaudeChatModel model:claude-sonnet-4-6 max_tokens:4096 supports_thinking:

true- Codex CLI读取~/.codex/auth.json- Claude Code接受CLAUDE_CODE_OAUTH_TOKEN、

ANTHROPIC_AUTH_TOKEN、CLAUDE_CODE_CREDENTIALS_PATH或~/.claude/.credentials.json- ACP代理条目与模型提供商分开——如果你配置acp_agents.codex，

将其指向一个Codex ACP适配器，例如npx -y @zed-industries/codex-acp- 在macOS上，如果需要，显式导出Claude Code认证：

eval "$(python3 scripts/export_claude_code_oauth.py --print-export)"API密钥也可以手动设置在.env（推荐）中或在shell中导出：

OPENAI_API_KEY=your-openai-api-key TAVILY_API_KEY=your-tavily-api-key使用下表作为选择如何运行DeerFlow的实用起点：- 这些数字涵盖DeerFlow本身。

如果你还托管本地LLM，请单独调整该服务的规模。- Linux加Docker是持久服务器的推荐部署目标。macOS和Windows最好被视为开发或评估环境。

- 如果CPU或内存使用率持续高企，首先减少并发运行，然后移至下一个规模层级。开发（热重载、源码挂载）：

make docker-init # 拉取沙箱镜像（仅在首次或镜像更新时）make docker-start # 启动服务（从config.yaml自动检测沙箱模式）make docker-start 仅在config.yaml使用provisioner模式（sandbo

x.use:deerflow.community.aio_sandbox:AioSandboxProvider 带 provisioner_url）时启动provisioner。Docker构建默认使用上游uv registry。

如果你在受限网络中需要更快的镜像，在运行make docker-init或make docker-start之前，导出UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple和NPM_REGISTRY=https:

//registry.npmmirror.com。后台进程会在下次配置访问时自动拾取config.yaml的更改，因此开发期间模型元数据更新无需手动重启。

提示在Linux上，如果基于Docker的命令因权限拒绝而失败（尝试连接到unix:///var/run/docker.sock的Docker守护进程套接字），请将你的用户添加到docker组并重新登录后再试。

参见CONTRIBUTING.md获取完整修复。

生产（本地构建镜像，挂载运行时配置和数据）：make up # 构建镜像并启动所有生产服务make down # 停止并移除容器访问：http://localhost:2026统一的nginx端点默认同源，不会发出浏览器CORS头。

如果你运行跨源或端口转发的浏览器客户端，设置GATEWAY_CORS_ORIGINS为逗号分隔的精确源，例如http://localhost:3000；然后网关应用CORS白名单和匹配的CSRF源检查。

参见CONTRIBUTING.md获取详细的Docker开发指南。如果你更喜欢在本地运行服务：先决条件：首先完成上述“配置”步骤（make setup）。make dev需要项目根目录下有一个有效的config.yaml。

设置DEER_FLOW_PROJECT_ROOT来显式定义根目录，或DEER_FLOW_CONFIG_PATH来指向特定的配置文件。运行时状态默认为项目根目录下的.deer-flow，可以通过DEER_FLOW_HOME移动；

技能默认为项目根目录下的skills/，可以通过DEER_FLOW_SKILLS_PATH移动。在启动前运行make doctor来验证你的设置。在Windows上，从Git Bash运行本地开发流程。

原生cmd.exe和PowerShell