字节版龙虾架构GitHub开源爆火获35K Star 内置Skill全家桶原生适配飞书

原来字节也有龙虾——

Deer-Flow2，一个名为超级智能体管理框架的开源项目，发布没多久就登上了 GitHub Trending 的榜首，现在已经有 35.3k Star 了。

这玩意儿走的是模块化多智能体架构，里面的智能体靠 LangGraph 串联协作。说起来，它主打的就是一个开箱即用，内置了 Ta vily、Bra ve Search、DuckDuckGo 这些搜索引擎，连 Jina 这种爬虫工具都集成了，基本把信息收集的十八般兵器全给配齐了。扩展性自然也没落下，想接什么自定义 API 或模型，随你便。

核心能力这块，多智能体协同、沙箱安全执行、一键部署，全套齐活。Docker 快速部署和本地开发随便挑，主流大模型统统兼容。但最让人省心的，还得是它对 IM 渠道的原生支持——飞书、Telegram、Slack 都妥妥适配，哪怕没有公网 IP 也能跑起来。

核心能力与技术亮点

DeerFlow 在迭代过程中做了一次彻底的大换代。

1.0 版本是固定的 5 节点多智能体架构，能力边界比较明确，主要聚焦在深度研究场景。到了 2.0 版本，整体结构来了个大翻新，从底层到上层都飞跃了一把。新版本采用单一主智能体 + 11 层中间件链 + 动态子智能体的设计，把核心能力收拢到工具集和中间件链里，整个系统变得更轻、更灵活、更容易扩展。跟 1.0 比起来，过去要新增能力得调整整体结构，现在加个新技能就能搞定，底层框架纹丝不动。原来扛大旗的深度研究，也从唯一主角变成了框架内的一项基础能力。

在框架层面，DeerFlow 2.0 已经整合了子智能体调度、长期记忆、隔离沙箱执行环境、可扩展技能与工具这些关键模块，形成一套完整、成熟的智能体运行体系。

可插拔 Skill 体系

为了让智能体能快速适应不同场景，DeerFlow 2.0 整了一套可插拔的技能体系。出厂就自带深度研究、数据分析、图表生成、音视频创作等十几种常用技能，系统会根据任务需求渐进式加载，严格控制 token 消耗，这样就能避免上下文被撑爆而导致效率下降。

如果内置能力不够，用户可以自己封装备用的专属技能。配合官方提供的 skill-creator 工具，几分钟就能给智能体装上新本事。系统还提供 MCP 和 Python 接口，支持自定义工具的深度集成，甚至能接入 Claude Code，在终端里直接下发、查看、管理工具。

隔离沙箱执行环境

DeerFlow 2.0 还配了独立的隔离沙箱。每个任务都跑在自己的专属沙箱里，有完整的文件系统和 Bash 执行权限，文件读写、脚本运行、命令操作全都不在话下。系统提供了本地、Docker、Kubernetes 三种运行模式。其中 Docker 模式用的是字节开源的 AIO Sandbox，隔离级别更高、运行也更稳定。同时自动完成虚拟路径和物理路径的映射，确保开发环境和部署环境完全一致。

子智能体调度 + 上下文工程

面对复杂的长时任务，DeerFlow 2.0 靠着调度机制和上下文工程双管齐下。主智能体会先把任务结构化拆解，然后最多调动 3 个子智能体并行干活——这些子智能体可以是通用能力型，也可以是命令行专家型。每个子智能体都有自己的独立上下文，彼此互不干扰、互不污染。在此基础上，框架还通过多层中间件链、上下文自动摘要压缩、外部文件存储、子任务限流这些设计，系统性地解决了长时任务中上下文窗口不够用的问题。

说了这么多，咱们来看看 DeerFlow 2.0 到底能干什么。

一键产出完整、可交付的足球联赛官网页面，从设计到代码全流程自动化。

一句指令就能把复杂概念变成孩子都能看懂的哆啦 A 梦漫画！

一句话生成液态玻璃天气界面，鼠标悬停还能 3D 形变。

如何部署

DeerFlow 提供了 Docker 和本地两种主要部署方式。

Docker 部署是最简单快捷的，几个命令就能在本地启动完整的 DeerFlow 服务。先克隆仓库：

下载完成后，进入项目根目录：

生成本地配置，输入：

系统会自动生成 config.yaml 配置文件和 .env 文件（如果没有 make 命令，Windows 可以安装 MinGW）。然后找到项目目录下的 config.yaml 文件，填上模型相关配置。

设置完成后，输入：

自动拉取字节开源的 AIO Sandbox 沙箱镜像，首次拉取可能需要几分钟。

镜像拉取完成后，启动服务，输入：

服务启动后，访问 http://localhost:2026 就能进入 Web 界面。

如果需要深度定制或二次开发，可以选本地部署。本地部署需要满足前置条件：Python 3.12+、Node.js 22+、pnpm、uv 包管理器，还有 nginx。满足环境后检查依赖，打开终端进入 deer-flow 根目录，输入：

系统会自动校验依赖是否齐全，缺什么会提示补充。

这时候你可以输入：

系统会自动安装 python 和 node 相关依赖包。

接下来输入 make setup-sandbox（按需）预拉取沙箱镜像，免得后面第一次用的时候干等。然后启动服务：

这种方式适合需要改源码、调试功能或贡献代码的开发者。

DeerFlow 原生支持从即时通讯应用接收任务，目前支持 Telegram、Slack 和飞书 / Lark 三个渠道，全都不需要公网 IP。

△config.yaml 文件 channels 相关配置

配置完成后，直接就能在聊天窗口里跟 DeerFlow 交互了。

DeerFlow 的两位核心开发者是来自北京大学的 Tao He 和来自南京大学的 Henry Li。