配图说明：DeerFlow "Harness（马具）"概念图——给躁动的大模型套上缰绳和鞍具，让它能稳定拉车。

你有没有这种感觉：跟 ChatGPT、Claude 聊得很爽，可真到要写一份行业研报、整理一周周报、或者跑一组数据处理脚本时，还是得自己打开三四个工具，复制粘贴到半夜？

大模型"会聊"不等于"会干"。聊天框里再聪明，它也只是秒回一段话，不会替你上网查资料、不会跑代码、不会记住你上周的偏好、更不可能自己跑进飞书群里汇报进度。

直到我翻了一下字节跳动开源的DeerFlow，才发现这帮人是真的在解决"让 AI 干活"这件事。

先上数据：这个项目现在什么体量？

我直接去 GitHub 拉了一下最新数据：

光看 Star 数其实说明不了什么。真正有意思的是它的定位——它不是"又一个 Deep Research 工具"，而是想做成一套Super Agent Harness（超级智能体马具）。

什么叫"马具"？先讲清楚这个比喻

你可以把大模型想象成一匹很有力气但有点野的马。单匹马再壮，也拉不了车，因为它没有缰绳、没有鞍、没有车架。

DeerFlow 就是那个"马具"：它给大模型配上文件系统、代码执行环境、长期记忆、多 Agent 协作流程和 IM 消息通道，让它能稳稳地跑完一个需要几分钟甚至几小时的长程任务。

Harness [马具/鞍具]：把大模型"套"进一个能安全执行复杂任务的完整框架，而不是只让它在聊天框里回答问题。

它到底能干什么？我列了四个我用得上的场景

最打动我的是最后一条。很多企业想做"AI 员工"，但大模型一来没有手（不能操作工具），二来没有脑子（记不住事），三来没有笼子（跑代码可能搞坏服务器）。DeerFlow 这三个问题都在试图解决。

上手有多简单？三行 Python 就能跑

DeerFlow 可以直接当成一个 Python 库嵌入用，不用先起 Gateway、不用 Docker。官方 README 里给了这个最小示例：

from deerflow.client import DeerFlowClient # 初始化客户端 client = DeerFlowClient() # 1. 启动一个简单的研究任务 response = client.chat( "调研 2026 年固态电池的最新商业化进展", thread_id="research-01" ) print(response["content"]) # 2. 流式获取长任务进度 for event in client.stream("分析当前生成式 AI 视频领域的竞争格局"): if event.type == "messages-tuple" and event.data.get("type") == "ai": print(event.data["content"], end="", flush=True)

代码说明：thread_id可以自定义，官方要求是 1–64 位的字母、数字、下划线或横线。上面这个research-01是合法的。

也就是说，你可以在自己的 Python 脚本里直接调一个"研究员 Agent"，跟调一个普通函数差不多。复杂任务它会自己拆、自己搜、自己跑代码、自己汇总。

架构：它不是单一大脑，而是一整条流水线

配图说明：DeerFlow 多 Agent 编排流程概念图。任务像流水一样经过规划、搜索、执行、审核、报告多个节点。

我翻了下源码和官方架构文档，它的核心是用LangGraph做状态机编排。

LangGraph [LangChain 团队出的状态机编排库]：把 Agent 的各个步骤像地铁换乘一样串成图，每个站只干一件事，结果往下传。

典型流程大概是：

1. 规划层——把用户的大任务拆成小任务；
2. 搜索层——派子代理去全网或私有知识库查资料；
3. 执行层——在沙箱里写代码、处理文件；
4. 审核层——检查结果有没有漏、有没有错；
5. 报告层——把结果整理成文章、PPT 或图表。

每个节点都是一个sub-agent（子代理），专门负责一小块。不是让一个大模型同时处理"规划+搜索+写代码"，那样很容易崩。

配图说明：DeerFlow 网页端聊天界面，输入框下方可以唤起不同 Skill（比如 research、writing）。图源：项目官方仓库。

Skill 机制：用 Markdown 就能给 AI 加技能

DeerFlow 里很多业务逻辑被封装成Skill。它的设计思路是：AI 只有在需要时才加载相关技能的上下文。

这带来什么好处？省 token、指令更干净。想象你请一个厨师，你不会进门就把整本菜谱背给他听，而是到了做川菜那一桌，才把川菜菜单递过去。

Skill 也是可扩展的。我看到官方已经支持 Claude Code、飞书 Lark、浏览器控制等能力，社区也有人做自己的插件。

沙箱隔离：AI 写的代码，跑在"玻璃房"里

配图说明：沙箱隔离概念图——AI 生成的代码在透明容器里执行，跑飞了也伤不到宿主机。

这一步对企业太关键了。如果你让大模型在本地直接跑rm -rf /，那真的是作死。DeerFlow 的做法是：每个任务动态创建一个隔离执行环境，支持 Docker、K8s、E2B 等容器后端。

Sandbox [沙箱]：一个即使代码发疯也不会伤到主系统的隔离运行环境。

官方文档里有一句话我特别赞同："DeerFlow doesn't just talk about doing things. It has its own computer." 翻译过来就是：它不只是嘴上说说，它有自己的"电脑"可以用。

配图说明：DeerFlow 终端界面 TUI，适合习惯命令行的开发者直接跑任务。图源：项目官方仓库。

长期记忆：它不是金鱼，能记你的偏好和事实

配图说明：DeerFlow 网页端的 "My bookmarks" 页面，用来保存对话中值得回访的结果。图源：项目官方仓库。

普通聊天机器人最大的问题是"聊完就忘"。DeerFlow 除了存对话记录，还会自动从对话里提取知识和习惯，存进长期记忆库。

比如我跟它说"以后给我写周报都按技术中心的八列模板"，下次它就能自动按这个格式来。它还有个 "bookmarks" 功能，可以把某次特别好的回答存下来，像浏览器书签一样回头查。

Long-term Memory [长期记忆]：让 Agent 跨会话记住用户偏好、项目背景、常用格式，而不是每次从零开始。

多渠道适配：把 AI 研究员塞进飞书、Slack、微信群

配图说明：多 IM 渠道接入概念图。DeerFlow 可以把同一个 Agent 同时挂到多个聊天平台里。

DeerFlow 内置了 Telegram、Slack、Feishu/Lark、微信、企业微信、钉钉、QQ、Buzz 等通道。配置好之后，你可以在群里 @ 它，它就在后台开一条线程慢慢跑，跑完把结果发回群里。

官方给了一张表，我直接搬过来：

不用公网 IP、不用复杂回调，这是它比其他方案友好的地方。我自己最心动的是：可以让它在飞书群里默默跑一份竞品监控报告，早上直接丢结果出来。

跟普通 Chatbot / RAG 比，它强在哪？

当然，它不是没有代价：部署比单聊天框重，配置也比调 OpenAI API 麻烦。但问题是要解决"复杂任务"，本来就需要更多基础设施。

适合什么人用？

• AI 开发者：想搭一个能跑代码、能协作的 Super Agent；
• 行业分析师：需要自动化深度研究， output 万字报告；
• 企业数字化/IT 团队：想在内部安全可控地落地 AI 助手；
• 个人效率党：想自动整理周报、监控信息、生成内容。

我的上手建议（踩坑前先看）

1. 最快体验：用 Docker，git clone之后make setup+make dev，然后开http://localhost:2026；
2. 不想起服务：直接用 Python embedded client，上面那段代码就能跑；
3. 沙箱别开本地 bash：要跑代码的话建议用 Docker/K8s/E2B provider，别图省事开本地 shell；
4. IM 通道先拿 Telegram/Slack 练手：飞书配置略复杂，要申请应用和权限；
5. Memory 可以导示例数据：官方给了backend/docs/memory-settings-sample.json，方便本地体验长期记忆效果。

名词速查表

写在最后

DeerFlow 给我的感觉，不是"又一个开源大模型玩具"，而是真的在回答一个问题：如果大模型要进企业、要进工作流，它还需要哪些配套设施？

它需要编排（LangGraph）、需要记忆（ DeerMem ）、需要安全的执行环境（Sandbox）、需要工具接口（Skill/MCP）、需要跟现有协作工具打通（IM 通道）。DeerFlow 把这些都包在了一起。

它不一定适合所有人。如果你只是偶尔问两个问题，ChatGPT 网页版就够了。但如果你想让 AI 真正承担"研究员""助理""自动化脚本"的角色，DeerFlow 是目前为数不多把整套"马具"都准备好了的开源方案。

我已经把环境拉起来了，接下来准备写一个自动整理技术周报的 Skill。如果你也在用 DeerFlow，欢迎交流踩坑经验。