第一章 · 引言：什么是 DeerFlow

本章目标：
理解 DeerFlow 的设计哲学与核心定位（Agent 2.0 时代的中间件）
掌握 DeerFlow 的四大核心概念（Skill、Sub-Agent、Sandbox、Memory）
了解本书的阅读路径与实战导向的学习方法

本章目标：
理解 DeerFlow 的核心定位与架构组成
掌握 Agent Harness 的设计哲学与扩展机制
了解 DeerFlow 与其他 Agent 框架的差异

1.1 DeerFlow 是什么

💡 最佳实践：DeerFlow 的「Harness」定位意味着它更适合作为基础设施层使用，而非直接面向终端用户的应用层。在选型时，如果你的团队需要深度定制 Agent 行为，DeerFlow 比封装更紧密的框架更合适。

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的 Super Agent Harness。

一个「Agent Harness」的本质是：提供一个可扩展的框架，把大模型能力（LLM）、外部工具（Tools）、记忆（Memory）、子代理（Sub-Agents）和执行环境（Sandbox）组织起来，让 AI Agent 能够完成复杂的长时任务。

DeerFlow 2.0 于 2026 年 2 月 28 日发布后登上 GitHub Trending 第一名，是一次彻底的重写——与 v1 版本零代码共用。

官方定位：

DeerFlow = Sub-Agents + Memory + Sandbox + Extensible Skills + Message Gateway

1.2 核心特性一览

特性	说明
Sub-Agents	支持多子代理协同工作
Progressive Skill Loading	技能按需加载，不一次性全部注入上下文
Skills & Tools	可扩展的能力单元
Sandbox	Docker/K8s 隔离执行环境
Memory	长期记忆系统
Context Engineering	上下文管理与优化
IM Channels	Feishu / Slack / Telegram 渠道接入
InfoQuest	BytePlus 自研智能搜索与爬取工具集
多模态输出	Markdown / HTML / PPT / 播客 / 图片 / 视频
LangSmith	完整链路追踪
MCP Server	Model Context Protocol 支持，含 OAuth 认证

1.3 技术栈

前端:     React + TypeScript
后端:     Python 3.12+ (FastAPI / LangGraph)
Agent:    LangChain + LangGraph
沙箱:     Docker / Kubernetes
消息:     WebSocket / SSE
部署:     Docker Compose / K8s

1.4 为什么选择 DeerFlow 做二次开发

1.4.1 适合的场景

企业级 AI 应用开发：需要可控的 Agent 执行环境
长时任务自动化：Research、Code、Creation 一体化
多 Agent 协同：复杂工作流需要子代理分工
安全沙箱需求：代码执行必须在隔离环境
IM 渠道集成：需要接入飞书/Slack/Telegram

1.4.2 二次开发的价值

DeerFlow 的设计哲学是「Harness」——它提供了完整的执行骨架，开发者可以在以下层面定制：

Skill 层：添加自定义工具和能力
Agent 层：定制 Prompt、工作流编排逻辑
Memory 层：接企业知识库、实现个性化记忆
Sandbox 层：适配企业私有化部署环境
Channel 层：对接企业内部 IM 系统

1.5 本书结构

本书分为三部分：

第一部分：理论基础

核心概念、设计哲学、架构思想

第二部分：源码剖析

按模块逐行解析 DeerFlow 2.0 核心代码
LangGraph Agent 编排
Skills/Tools 扩展机制
Sandbox 执行模型
Memory 系统

第三部分：二次开发实战

MCP Server 集成
自定义 Skill 开发
IM 渠道对接
企业级定制案例

1.6 环境准备

必要依赖

bash

# Node.js 22+
node --version  # >= 22.0.0

# Python 3.12+
python --version  # >= 3.12

# Docker (for sandbox)
docker --version

# pnpm
npm install -g pnpm

# uv (Python 包管理)
curl -LsSf https://astral.sh/uv/install.sh | sh
```bash

### 快速启动

```bash
# Clone
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 生成本地配置
make config

# 配置模型 (编辑 config.yaml)
# 编辑 .env 设置 API Keys

# Docker 启动
make docker-init
make docker-start

# 访问 http://localhost:2026

1.7 小结

⚠️ 注意：DeerFlow 目前处于快速迭代期，API 和配置格式可能在版本间有变动。生产环境部署前，建议锁定具体版本号并阅读 Release Notes。

DeerFlow 是一个设计精良的 Super Agent 框架，2.0 版本在架构上做了彻底重构，核心亮点在于：

LangGraph 原生集成：用图结构表达 Agent 工作流
可扩展 Skills 体系：解耦能力单元，灵活插拔
多层 Sandbox：本地→Docker→K8s 按需切换
完整的企业特性：IM 渠道、链路追踪、MCP 支持

接下来的章节，我们将深入每个模块，从理论到源码，逐一剖析。

本章小结

本章介绍了 DeerFlow 的定位、设计哲学与核心概念：

Agent 2.0 中间件：DeerFlow 不是又一个对话框架，而是面向生产环境的 AI Agent 中间件，解决「能力复用、安全隔离、记忆持久化」三大痛点。
四大核心概念：Skill（能力单元）、Sub-Agent（协作单元）、Sandbox（执行环境）、Memory（记忆系统）通过 LangGraph 编排协同工作。
解耦设计：Prompt、工具、执行逻辑分层解耦，确保可测试、可扩展、可维护。

💡 最佳实践：在深入代码之前，先画出你的 Agent 协作图——明确哪些任务需要 Sub-Agent、哪些需要 Sandbox、记忆如何流转。

下一步：阅读第二章，深入理解 DeerFlow 的设计哲学与核心概念的实现细节。

第一章 · 引言：什么是 DeerFlow ​

1.1 DeerFlow 是什么 ​

1.2 核心特性一览 ​

1.3 技术栈 ​

1.4 为什么选择 DeerFlow 做二次开发 ​

1.4.1 适合的场景 ​

1.4.2 二次开发的价值 ​

1.5 本书结构 ​

1.6 环境准备 ​

必要依赖 ​

1.7 小结 ​

本章小结 ​