如果你能给 AI Agent 一个自己的文件系统、自己的记忆，以及并行派生子 Agent 的能力——而且这一切都在一个开源框架里，刚在 GitHub 上突破 74,000 Star，会怎样？大多数团队仍然把 Agent 当作无状态的请求-响应机器。DeerFlow 彻底颠覆了这个假设。
DeerFlow（bytedance/deer-flow）是字节跳动开源的 SuperAgent 框架，GitHub 74,741 Star、10,078 Fork。它能编排子 Agent、持久化记忆、沙箱执行和扩展技能（Skills），处理从几分钟到几小时不等的复杂任务。2.0 版本是全新改写——发布当天就冲上了 GitHub Trending 第一名。
2026 年 Agent 格局：为什么这很重要
2026 年，AI Agent 正从 Demo 走向生产。但生产级意味着要有状态：跨会话记忆、隔离的执行环境、并行任务分解，以及与团队实际使用的消息平台的集成。DeerFlow 把所有这些都打包进一个 MIT 协议的开源框架里——Python 后端、Node.js Gateway 支持、TUI 终端工作台。
以下是大多数开发者初次接触 DeerFlow 时最容易忽略的五个隐藏用法。
隐藏用法 #1：技能（Skills）即 Markdown 能力模块
大多数人的做法： 在 Agent 配置里硬编码工具定义，或依赖一组固定的内置函数。
隐藏技巧： DeerFlow 把技能视为结构化的 Markdown 文件——SKILL.md 文档定义了工作流、最佳实践和资源引用。技能按需渐进式加载，只在任务需要时才加载，保持上下文窗口精简。你可以在运行时通过 /skill-name 激活任何技能，甚至可以通过 Gateway 安装外部 .skill 压缩包。
# 示例：创建一个自定义技能，用于从代码生成 API 文档
# 文件：skills/custom/api-docs/SKILL.md
SKILL_CONTENT = """
---
name: api-docs
description: "从代码生成 OpenAPI 兼容文档"
version: 1.0.0
---
# API 文档技能
## 工作流
1. 扫描目标目录中的路由定义
2. 使用 AST 解析提取请求/响应 Schema
3. 生成 OpenAPI 3.0 JSON 规范
4. 用 openapi-spec-validator 验证
5. 输出到 docs/openapi.json
## 最佳实践
- 始终包含示例请求体
- 按资源组标记端点
- 标注认证要求
"""
# 通过 CLI 安装：
# npx skills add https://github.com/your-org/your-skill-repo --skill api-docs
# 运行时激活：
# /api-docs generate src/routes/
效果： Agent 按需加载领域知识，不会膨胀基础提示词。研究任务加载研究技能，幻灯片创建任务加载幻灯片技能。不相关的技能永远不会进入上下文，Token 消耗显著降低。
数据来源： DeerFlow GitHub 74,741 Star、10,078 Fork（GitHub API 验证，2026-06-26）。渐进式技能加载机制在官方 README 中有文档记录。
隐藏用法 #2：隔离子 Agent 并行任务分解
大多数人的做法： 用单个 Agent 循环处理复杂任务，让上下文膨胀到模型失去对中间结果的追踪。
隐藏技巧： DeerFlow 的主 Agent 可以动态生成子 Agent——每个子 Agent 有自己独立的作用域、工具和终止条件。子 Agent 并行运行，将结构化结果汇报回来，主 Agent 将所有内容综合成最终输出。子 Agent 的 Token 消耗会归属到调度步骤。
# 示例：研究任务自动扇出到并行子 Agent
# 使用嵌入式 Python Client
from deerflow.client import DeerFlowClient
client = DeerFlowClient()
# 主 Agent 自动将任务分解为子 Agent：
# 子 Agent 1：研究竞争对手 A 的定价
# 子 Agent 2：研究竞争对手 B 的功能
# 子 Agent 3：研究市场趋势
# 主 Agent：综合成对比报告
response = client.send_message(
thread_id="research-thread-001",
message={
"role": "user",
"content": """创建 Top 5 AI Agent 框架的对比报告。
每个框架包括：Star 数量、核心架构、编程语言、
独特功能和企业就绪度。输出为 Markdown 表格
并附总结推荐。"""
}
)
# 执行模式：flash（快速）、standard（默认）、pro（规划）、ultra（子 Agent）
# Ultra 模式触发完整的并行分解
print(response["status"]) # "completed"
效果： 一个原本需要 30 分钟顺序推理的任务，在并行子 Agent 下不到 5 分钟完成——每个子 Agent 在自己的隔离上下文窗口中工作。
数据来源： DeerFlow GitHub 74,741 Star（GitHub API）。子 Agent 架构在官方 README "Sub-Agents" 章节有文档。HN Algolia 搜索 "deer-flow" 返回 15 条结果（最高 4 分）——社区讨论处于早期阶段。
隐藏用法 #3：跨会话持久化长期记忆
大多数人的做法： 把整个对话历史作为上下文传入，或用简单的向量数据库做 RAG 检索。
隐藏技巧： DeerFlow 跨会话构建你的用户画像、偏好和积累的知识。记忆存储在本地，自动去重防止重复信息无限积累，并在未来会话中自动注入相关上下文。
# 示例：配置和使用 DeerFlow 的记忆系统
# config.yaml
# 记忆系统默认启用。
# 首次会话后，DeerFlow 会记住：
# - 你偏好的输出格式（Markdown 还是 HTML）
# - 你的技术栈（Python、TypeScript 等）
# - 你的周期性工作流（周报、代码审查）
# - 你的写作风格偏好
# 第一次会话：
response1 = client.send_message(
thread_id="onboarding",
message={"role": "user", "content": "我喜欢简洁的项目符号摘要。我的技术栈是 Python + FastAPI + PostgreSQL。"}
)
# 第二次会话——DeerFlow 自动注入记忆：
response2 = client.send_message(
thread_id="weekly-review",
message={"role": "user", "content": "总结本周的提交记录。"}
)
# Agent 自动知道：用项目符号、参考 FastAPI 模式、
# 检查 PostgreSQL 迁移文件
# 记忆更新时跳过重复条目的应用，
# 所以重复的偏好不会无限积累
效果： Agent 随时间变得更智能，无需手动上下文管理。三次会话后，它就知道你团队的编码规范、偏好的报告格式和周期性任务——不需要重复解释。
数据来源： DeerFlow GitHub 74,741 Star（GitHub API）。长期记忆系统在官方 README "Long-Term Memory" 章节有文档。记忆去重机制在 README 中确认："重复的偏好和上下文不会无限积累。"
隐藏用法 #4：沙箱执行 + Claude Code 桥接
大多数人的做法： 在主机上直接运行 Agent，或者完全跳过代码执行。
隐藏技巧： DeerFlow 支持 Docker 沙箱隔离执行，同时提供 claude-to-deerflow 技能，让 Claude Code（或 Codex、Cursor、Windsurf）直接从终端与运行中的 DeerFlow 交互。两个 Agent 协作：Claude Code 负责本地编辑，DeerFlow 负责长时间研究和生成。
# 第 1 步：启动 DeerFlow（推荐 Docker）
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup # 交互式向导：选择 LLM 提供商、沙箱模式
make docker-start
# 第 2 步：安装 Claude Code 桥接技能
npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow
# 第 3 步：从 Claude Code 发送任务给 DeerFlow
# 在 Claude Code 中：
# > /claude-to-deerflow "研究 AI Agent 记忆系统的最新进展，
# 写一份 2000 字的技术简报到 docs/memory-systems.md"
# > /claude-to-deerflow --mode ultra "分析 src/ 下所有 Python 文件，
# 生成完整的 API 文档"
# 第 4 步：检查状态
# > /claude-to-deerflow --status
# 可用执行模式：
# flash → 快速，单次通过（适合快速查询）
# standard → 默认平衡模式
# pro → 规划模式（Agent 先制定执行计划）
# ultra → 完整子 Agent 分解（适合复杂多步任务）
效果： 两全其美：Claude Code 精确的本地文件编辑用于实现，DeerFlow 的并行子 Agent 架构用于研究、报告生成和多步工作流。两个 Agent 通过 localhost:2026 通信。
数据来源： DeerFlow GitHub 74,741 Star（GitHub API）。claude-to-deerflow 技能在官方 README 有文档。Docker 沙箱模式（本地/Docker/Kubernetes）在 "Sandbox Mode" 章节确认。
隐藏用法 #5：IM 频道集成，异步 Agent 工作流
大多数人的做法： 只通过 Web UI 或 CLI 与 Agent 交互，手动检查结果。
隐藏技巧： DeerFlow 支持从 Telegram、Slack、Discord、飞书、钉钉、微信、企业微信接收任务——无需公网 IP。传入的 IM 消息在连接的 DeerFlow 用户账户下运行，结果自动流回频道。
# config.yaml — IM 频道配置
channels:
# Telegram Bot（最简单——长轮询，无需 Webhook）
telegram:
bot_token: "${TELEGRAM_BOT_TOKEN}"
# Socket Mode（无需公网端点）
slack:
bot_token: "${SLACK_BOT_TOKEN}"
app_token: "${SLACK_APP_TOKEN}"
# 飞书（WebSocket）
feishu:
app_id: "${FEISHU_APP_ID}"
app_secret: "${FEISHU_APP_SECRET}"
# 启用 channel_connections 后，登录用户可以从工作区侧边栏
# 绑定 IM 频道。无需公网 IP 或提供商回调 URL。
# 示例：一个委托给 DeerFlow 的 Slack Bot
# Slack 用户："@deerflow-bot 研究 Q3 AI 趋势，发布到 #ai-updates"
# DeerFlow 接收消息，通过 Agent 流水线处理，
# 将结果发布回 #ai-updates 频道。
# Agent 拥有完整访问权限：
# - 子 Agent 分解（并行研究）
# - 沙箱执行（生成图表、保存文件）
# - 记忆（调取用户之前的研究偏好）
# - 技能（加载 "market-research" 技能）
# 效果：3 分钟内完成完整研究报告发布到 Slack，
# 图表在沙箱中生成，按用户偏好格式化。
效果： Agent 住在你团队工作的地方。不需要切换到 Web 仪表板。从手机上分配研究任务，结果自动发到频道。非常适合异步团队和 on-call 工作流。
数据来源： DeerFlow GitHub 74,741 Star（GitHub API）。IM 频道在官方 README "IM Channels" 章节有文档。支持频道：Telegram、Slack、飞书、微信、企业微信、钉钉。
总结
- Markdown 技能模块 — 渐进式加载保持上下文精简，让 Agent 无需重新训练即可适配领域知识
- 隔离子 Agent 并行分解 — 将复杂任务扇出到并行工作者，每个有独立上下文
- 持久化长期记忆 — Agent 记住你的偏好，跨会话积累知识
- 沙箱执行 + Claude Code 桥接 — 两个 Agent 协作：本地编辑 + 长时间研究
- IM 频道集成 — Agent 住在 Telegram、Slack、Discord 或飞书中，无需公网 IP
你尝试过 DeerFlow 或类似的 SuperAgent 框架吗？你对持久化 Agent 记忆和并行任务分解有什么做法？欢迎在评论区分享你的经验。
相关文章：
Top comments (0)