DeerFlow 使用指南

1. 平台介绍

• 定位：由字节跳动（ByteDance）开源的 超级 AI Agent 运行框架。该框架也被定义为 "SuperAgent Harness"，旨在解决复杂任务下的自动化执行难题。
• 版本演进：已从最初的“深度研究（Deep Research）”工具升级为最新推出的 DeerFlow 2.0 全栈智能体执行环境。
• 核心思想：为 AI Agent 提供一台独立的 “虚拟计算机”（基于 Docker 沙盒），使其能够打破文本生成的局限，支持以下能力：
• 自主搜索与代码编写。
• 程序运行与环境管理。
• 生成网页或多媒体内容。
• 文件系统管理与长流程任务执行（持续时间可从几分钟到数小时）。

2. 主要功能特性

1. 渐进式技能系统（Skills System）：支持按需动态加载特定领域的任务技能，例如深度研究、前端设计或代码部署等。这一机制避免了将海量提示词一次性注入导致的上下文膨胀问题（Context Rot），保持 Agent 思维清晰度。
2. AIO 全功能沙盒（Docker Sandbox）：集成了浏览器接口、Shell 终端环境、文件系统访问、MCP 协议以及 VSCode Server。Agent可以在该安全隔离环境中自主安装 Python 包、运行复杂代码逻辑并部署 Web 界面应用，无需依赖外部基础设施。
3. 多智能体协作与长任务拆解（Sub-Agents & Planning）：主 Agent 负责将超复杂的长任务自动拆解为若干子任务，然后分发给不同专业领域的子 Agent 进行并行或串行处理，极大提升了执行效率。
4. 长短期记忆与上下文压缩：具备跨会话持久化能力，能够记录用户偏好、项目结构及历史上下文；系统会自动识别并压缩冗余的对话内容，优化 Token 消耗。
5. 多模型与工具扩展支持：原生兼容 Doubao（豆包）、DeepSeek、OpenAI、Gemini 等主流大模型接口；同时开放了 MCP (Model Context Protocol) 协议标准及自定义 Tools 的接入能力。

3. 适用人群分析

1. 开发者 / AI 工程师：适用于需要搭建自动化代码生成流水线、执行数据清洗流程、实现服务自动部署以及构建智能体工作流的场景人员。
2. 科研人员 / 行业分析师：适合需要利用全网多源信息进行自动化检索、整理学术文献，并自动生成包含可视化图表的研究报告的人员。
3. 数据分析师 / 产品经理：适用于需自主完成探索性数据分析（EDA）、即时生成分析图表、制作 Demo 网页或现场演示 Slide 展示场景的专业人士。

4. 免费付费情况说明

1. 开源政策：DeerFlow 项目采用完全免费的 MIT 协议。软件本身及包含的所有功能源码均对用户开放，官方无售卖平台亦无专属付费定价页面。
2. 自备成本（运行费用）：虽然软件免费，但以下资源需用户自行准备或按量计费：

• API Key 消耗：使用 OpenAI、DeepSeek 或字节豆包等第三方大模型 API，以及 Tavily、Brave Search 等搜索引擎时产生的 Token 与调用费。
• 算力成本：本地运行无需额外费用；若部署在云服务器（如 K8s 集群），需承担云主机的硬件租赁费用。

1. 官方资源链接：用户可前往以下地址获取最新代码库、安装说明及社区支持：

• 官方网站：https://deerflow.tech/
• GitHub 仓库：https://github.com/bytedance/deer-flow

5. 如何使用（快速上手指南）

方式一：向 AI 编程助手发送指令

若已配置好 Cursor、Claude Code 等 AI 编程辅助工具，可直接输入以下一键指令进行环境搭建与引导：

bash

Help me clone DeerFlow if needed, then bootstrap it for local development by following https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md
Help me clone DeerFlow if needed, then bootstrap it for local development by following https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md

方式二：命令行手动部署（推荐 Docker）

1. 前提准备：请确保系统已安装 Python (版本 >= 3.11)、Node.js (版本 >= 22) 、Docker 及 Git 环境。
2. 克隆项目并配置密钥：执行以下命令拉取代码，并将示例配置文件复制并重命名为 .env，填入您的 API Key：
3. bash

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
cp .env.example .env   # 填入 LLM API Key 和搜索 API Key
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
cp .env.example .env   # 填入 LLM API Key 和搜索 API Key

1. 运行交互式配置向导：执行以下命令进入设置界面：
2. bash

make setup
make setup

1. 向导将引导您选择 LLM 供应商、搜索引擎类型（如 Tavily/DuckDuckGo/Arxiv）及沙盒安全偏好。
2. 启动服务：配置完成后，运行容器化部署命令以拉起后端进程与前端界面：
3. bash

docker compose up -d
docker compose up -d

1. 访问管理端：等待初始化完成后，在浏览器中打开 http://localhost:3000，即可通过 Web UI 下发复杂的 Agent 任务指令。

6. 注意事项与风险提示

1. 沙盒安全隔离（高危）：DeerFlow 在沙盒内部拥有代码及终端的完全执行权限。必须运行在 Docker 隔离环境中。切勿在宿主机裸机上直接开放未经限制的 Bash 写入权限，否则可能导致系统被恶意控制或文件泄露。
2. API Token 消耗监控：复杂的研究类任务涉及多轮 Agent 思考、代码调试及高频信息检索，Token 消耗速度极快。建议为 API 账户设置配额上限，避免账单异常突增。
3. 硬件资源要求：部署节点内存需保持在 8GB 以上（考虑 Docker 沙盒负载）；若面向生产环境或多人并发使用，建议使用 16GB+ 内存。
4. 版本迁移说明：DeerFlow 2.0 为全架构重构版本。注意旧版项目基于 1.x 架构，与 2.0 代码不兼容。建议在新分支独立部署 2.0，避免混合运行导致的不稳定性。