字节跳动开源 DeerFlow：多 Agent 研究框架深度解析 最近 GitHub Trending 上出现了一个热门项目——DeerFlow，字节跳动开源的多 Agent 研究框架。 用了一段时间研究了一下，分享下我的看法。 这是什么 DeerFlow 是字节跳动开源的多 Agent 研究框架，定位是&8221;深度研究自动化&8221;。 核心思想：一个复杂 最近 GitHub Trending 上出现了一个热门项目——DeerFlow，字节跳动开源的多 Agent 研究框架。 用了一段时间研究了一下，分享下我的看法。 这是什么 DeerFlow 是字节跳动开源的多 Agent 研究框架，定位是&8221;深度研究自动化&8221;。 核心思想：一个复杂任务，分解给多个专业 Agent 协作完成。 不是单个 Agent 什么都做，而是专业分工： Supervisor &8211; 总控，任务分解和调度 Researcher &8211; 信息搜集，搜索和爬虫 Coder &8211; 代码编写和执行 Analyst &8211; 数据分析和可视化 Reporter &8211; 报告生成和排版 QA &8211; 质量检查 每个 Agent 专注自己的领域，协作完成复杂任务。 核心特点 LangGraph 图编排 DeerFlow 用 LangGraph 做 Agent 编排，支持循环和反思。 不是简单的线性流程，而是图结构： 用户目标 → Supervisor 分解 → Researcher 搜集 → Analyst 分析 ↑ ↓ └──────── 发现不够，回到搜集 ←───────────┘ Agent 之间可以来回协作，根据中间结果调整策略。 Docker 沙箱执行 代码在 Docker 容器里执行，完全隔离。 好处： 安全，不会影响生产系统 可以执行任意代码 完整的文件系统访问 代价： 部署复杂 资源开销大 需要维护 Docker 环境 持久化记忆 三层记忆架构： 层级 作用 持久性 短期 会话内的中间结果 会话结束消失 中期 项目级的文件存储 项目期间保留 长期 跨项目的事实提取 永久保存 复杂任务不会丢失上下文，可以跨会话继续。 多模态输出 不只是文字报告，还能输出： 代码 数据可视化图表 PPT 演示文稿 音频摘要 适合什么场景 推荐使用： 深度研究报告 &8211; 自动搜集资料、分析数据、生成完整报告 复杂多步任务 &8211; 需要多个步骤、多种能力协作的长流程 代码+研究结合 &8211; 既要执行代码，又要分析结果 企业级自动化 &8211; 需要安全隔离、审计追踪 不推荐使用： 简单问答 &8211; 大材小用，直接用 ChatGPT 个人自动化 &8211; OpenClaw 更轻量，不需要 Docker 资源受限环境 &8211; Docker 开销大，小机器跑不动 快速原型 &8211; 部署复杂，上手成本高 与其他框架对比 框架 定位 复杂度 适用场景 DeerFlow 多 Agent 研究框架 高 深度研究、企业级 OpenClaw 个人自动化 Agent 低 个人自动化、轻量任务 Agency-Agents Agent 技能库 中 快速使用现成 Agent 我的看法 DeerFlow 的多 Agent 协作思路值得学习。 LangGraph 的图编排模式也很优雅，支持循环和反思，比简单的链式调用更灵活。 但整体过于复杂： 部署需要 Docker 学习曲线陡峭 资源开销大 对于个人和小团队，轻量方案更合适。 可以借鉴它的设计思路： Agent 专业分工 图结构编排 三层记忆架构 但不需要完整引入整个框架。 项目地址 GitHub: https://github.com/bytedance/deer-flow 如果你在研究多 Agent 协作，可以参考它的设计。
