企业官网建设流程全解析

DeerFlow 超级智能体新手完整指南：5 分钟跑通自动研究、写码与创作

【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow

DeerFlow 2.0 是一个开源的长程超级智能体框架（SuperAgent harness），一句话发任务，它就能调用搜索、爬取、沙箱、记忆和子智能体，替你把"查资料 → 分析数据 → 写代码 → 出报告"这类要干几小时的事串起来跑完。它由 LangGraph 和 LangChain 驱动，研究、编码、创作三件事都能接。

一张图看懂 DeerFlow 能干什么

先别陷入细节，记住一句话：DeerFlow 不是"更强的聊天框"，而是一个给智能体配齐了基础设施的运行时——文件系统、长期记忆、技能库、沙箱执行、可拆分的子智能体，全部开箱即用。它的"能力地图"大致分四层：

• 技能层（Skills）：每个技能是一份 Markdown 工作流定义，内置研究、报告生成、幻灯片、网页、图像生成等，按需渐进加载，不占满上下文窗口。
• 执行层（沙箱）：Python、bash、文件操作都在隔离环境里跑，本地、Docker、Kubernetes 三种模式随你切。
• 协作层（子智能体 + 记忆）：复杂任务拆给子智能体并行干，跨会话的偏好和结论存进长期记忆，下次接着用。
• 接入层（IM 渠道 + MCP + 定时任务）：Telegram、Slack、飞书、微信等消息渠道直连，MCP 服务器扩展工具，定时任务让它在后台按期干活。

挑三个最有代表性的场景感受一下：

深度研究——丢给它一个课题，它自己搜、自己爬、自己交叉验证，最后交一份带配图的研究报告。

数据分析与可视化——给它一个 CSV，它能写出分析代码、在沙箱里执行，并把饼图、柱状图直接产出到结果里。下面这张图就是它跑 Titanic 生存率分析时的真实产物。

幻灯片与内容创作——研究结果还能继续加工：生成 PPT 大纲、封面页、网页，甚至漫画分镜，一条流水线走到底。

动手前，先把环境备齐

DeerFlow 2.0 是彻底重写的新架构，和 1.x 不共享代码，所以装之前先确认走对路线。你需要的东西不多，但都有版本要求：

• Docker 路线（推荐）：Docker Engine 或 Docker Desktop + Compose v2.24+，docker compose version能正常输出版本号即可。
• 本地开发路线：Node.js 22+、pnpm、uv、nginx，用make check一条命令就能自检。
• 硬件底线：本地跑建议 4 vCPU / 8 GB 内存起步，2 vCPU / 4 GB 基本不够；要长期当服务用，8 vCPU / 16 GB 更稳。

资源确认后，再获取代码。克隆下来后所有步骤都从项目根目录出发：

git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow

接着跑一遍 2 分钟左右的交互式向导，它会帮你选模型提供商、搜索工具、沙箱模式，生成最小化的config.yaml并把密钥写进.env：

make setup

然后二选一启动：Docker 开发模式用make docker-init+make docker-start；本地开发用make install再make dev。启动成功后浏览器打开http://localhost:2026就能看到工作台。中途卡住别硬猜，随时跑make doctor，它会给出可直接照做的修复提示。🔧

卡住了，按症状翻文档

文档很多，平铺着读会迷路。换个思路——带着问题查，对号入座更快：

• 想懂它怎么搭起来的（Nginx 怎么路由、Gateway 里嵌的 LangGraph 运行时、检查点机制）→ 读 backend/docs/ARCHITECTURE.md，开头那张系统架构图值得先看三遍。
• 配置改不动 / 想接自己的模型和 MCP 服务器→ 读 backend/docs/CONFIGURATION.md，沙箱模式、MCP、渠道都在这里配；完整字段参考仓库根目录的config.example.yaml。
• 想接 Telegram、Slack、飞书这类消息渠道→ 查 backend/docs/IM_CHANNEL_CONNECTIONS.md。
• 想在终端里用（不想起浏览器）→ 看 backend/docs/TUI.md，deerflow命令可以纯终端跑，共享同一套配置和会话。
• 想调接口写集成→ 读 backend/docs/API.md，它提供 LangGraph 兼容的 runs/threads API 和 SSE 流式输出。
• 记忆系统怎么存、怎么改→ 从 backend/docs/MEMORY_SETTINGS_REVIEW.md 开始，它是最短的审阅路径。

一条实用规律：backend/docs/里的文档基本"一文一主题"，文件名即目录，搜关键词往往比通读更快。📚

社区在替你踩坑，借力就好

DeerFlow 2.0 上线后冲上过 GitHub Trending 榜首，背后是一个相当活跃的社区：字节跳动团队主导核心开发，社区贡献者持续推技能包、集成和渠道适配。它从"深度研究框架"长成"超级智能体运行时"，靠的就是社区把它往数据管道、幻灯片、内容自动化这些官方没预料的方向上推。

参与的方式比想象中轻。遇到问题时，先跑make support-bundle——它会自动生成脱敏的问题摘要和证据包，贴给维护者基本就能定位，省掉来回追问的尴尬。想动手改代码，仓库根目录的CONTRIBUTING.md写清了开发环境搭建和工作流，后端测试默认离线可跑，make test不花一分钱 API 费用。新想法可以直接开 Issue 讨论，技能层面甚至不用碰框架代码：往skills/里写一份带SKILL.md的目录，就是给 DeerFlow 装新本事的最短路径。

现在就能做的第一件事

别读完就关页面——花 10 分钟把它跑起来，比记住所有概念都管用：

1. 按上文克隆仓库、make setup、启动服务；
2. 打开http://localhost:2026，直接问它"帮我研究一下某个话题并生成可视化"，亲眼看一次搜索、执行、出图的完整链路。

跑通后，把 backend/docs/ARCHITECTURE.md 压在桌面，后面每改一处配置、每加一个技能，都回来看一眼它落在架构的哪一层——你会发现 DeerFlow 的扩展方式，远比"再写个 prompt"优雅得多。🦌

【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow