DeerFlow

快速结论

DeerFlow 适合愿意自托管、需要把深度研究、代码执行、文件处理和内容生成放进同一套长任务流程的开发团队。当前主线是从零重写的 2.0，官方明确说明它与 1.x 不共享代码；旧版深度研究框架仍留在 main-1.x 分支，而新功能集中在 2.0。它不是按月订阅即可交付结果的成品 SaaS，而是一套 MIT 许可的 SuperAgent harness：团队要自己选择模型、搜索服务、存储和部署方式，并承担运维与安全责任。

截至 2026-07-21，官方仓库当天仍有提交，README 已覆盖安装向导、生产部署、持久化、追踪和安全建议，维护状态活跃。真正值得关注的不是社区热度，而是 2.0 已把子智能体、技能、文件系统、记忆、上下文压缩和沙箱执行连成完整运行时。它能支撑分钟到小时级任务，但“能跑很久”不等于“会稳定完成”：上线前仍需定义停止条件、最大子任务数、模型预算、超时、重试和人工确认点。

核心功能

• 研究与编码一体：内置网页检索、文件读写和可选 Shell 执行，可产出报告、代码、网页或演示材料，而不只返回聊天文本。
• 子智能体编排：主智能体可拆分任务并并行委派，子智能体拥有隔离上下文，再由主智能体汇总结果。
• 技能与工具扩展：支持渐进加载的技能、Python 工具和 MCP 服务，可限制技能允许使用的工具，但官方也说明这属于行为约束，不是强安全边界。
• 上下文与记忆：通过摘要、中间文件、手动压缩和长期记忆维持长会话，减少上下文窗口被过程信息占满。
• 多种执行环境：可本机运行，也可使用 Docker 容器或 Kubernetes provisioner。AIO 沙箱提供文件、浏览器和命令执行环境。
• 部署与观测：支持 Docker 开发、生产 Compose、本地进程和持久化数据库，并可接入 LangSmith、Langfuse 或 Monocle 追踪。

适合人群

• 需要构建内部研究、代码分析、报告生成或多步骤交付智能体的平台团队。
• 已有 Python、Node.js、Docker 和模型 API 运维能力，希望掌控数据与扩展代码的开发者。
• 需要比较多模型、定制技能、接 MCP，并对每次运行保留日志和产物的团队。
• 不适合只想打开网页立即使用、没有容器资源、无法审核智能体操作，或希望平台承诺结果正确性的用户。

使用场景

典型场景包括竞品调研后生成带来源的报告、读取仓库并实施代码改动、把资料整理成网页或演示文稿，以及由多个子智能体分别检索、验证和汇总。长任务应拆成可重放的小阶段：研究结果先落盘，代码改动先生成 diff，部署动作另设审批。涉及外部网页时，页面内容可能包含提示注入；应把网页文本当作不可信数据，限制可访问域名，并禁止它改变系统规则、读取密钥或扩大工具权限。

用于编码时，推荐把工作目录限定在临时仓库或独立工作树，凭据只按任务注入，并默认禁用生产账号。删除文件、覆盖分支、发布、付款、发信和提交表单等不可逆或高影响动作必须停下来让人确认。沙箱可以降低宿主机暴露面，却不能消除内核漏洞、挂载错误、外部服务滥用、数据外传或模型误操作风险。

价格与版本

DeerFlow 2.0 源码采用 MIT 许可，官方没有公开的 DeerFlow 托管云套餐，因此软件本身可免费自托管，但总成本不为零。模型 token、搜索或抓取 API、对象存储、数据库、日志平台、容器计算和运维人力都需要另算。官方给出的生产起步建议是 8 vCPU、16 GB 内存和 40 GB 可用 SSD，推荐规格更高；本地大模型还要单独配置算力。

采购前应先给每次运行设置 token、子智能体数量、并发、墙钟时间和外部 API 预算上限，超过阈值就暂停，而不是依赖模型自行节制。

国内访问与使用体验

官网和 GitHub 仓库可作为入口，官方 README 还给出了 Volcengine 面向中国大陆开发者的模型方案。实际体验取决于所选模型、搜索供应商和镜像源，不应把 needsVPN: false 理解为所有第三方模型都能稳定直连。官方要求 Python 3.12+、Node.js 22+，推荐 Docker；make setup 可生成配置，make doctor 用于诊断环境。

团队部署时应启用认证和 HTTPS，精确配置 CORS/CSRF 来源，不要直接暴露内部 Gateway。追踪系统会记录提示词、工具参数和模型输出，可能包含用户数据与密钥片段，因此日志目的地、保留期和访问权限也要纳入合规审查。

优点

• 研究、编码、创作、文件产物和子智能体形成一套连贯运行时。
• MIT 许可清晰，源码与部署路径公开，便于二次开发和私有化。
• 长任务所需的上下文压缩、记忆、技能、沙箱和追踪组件较完整。
• 支持多模型与多种追踪后端，避免绑定单一模型供应商。
• 官方文档对资源规格、生产部署和本机 Shell 风险给出了较具体说明。

不足

• 2.0 与 1.x 不兼容，旧项目迁移不能按小版本升级处理。
• 没有官方托管 DeerFlow 价格和 SLA，自托管团队必须自行保障可用性。
• 长任务会放大 token、搜索、存储和并发成本，失败后重跑也可能重复产生副作用。
• 本地执行不是安全隔离；容器沙箱也不能替代权限最小化、网络限制和人工审批。
• 多组件栈对非技术用户较重，生产环境还涉及数据库、代理、追踪和备份。

替代品对比

常见问题 FAQ

DeerFlow 2.0 和旧版是什么关系？

2.0 是从零重写，官方说明不与 v1 共享代码。需要旧深度研究框架时应查看 main-1.x，迁移前先验证配置、工具和数据格式。

DeerFlow 有官方云版价格吗？

截至 2026-07-21，官方没有发布 DeerFlow 托管云套餐。源码免费不代表运行免费，模型、搜索、服务器、数据库和观测服务都会产生成本。

沙箱能保证智能体安全吗？

不能。沙箱只减少部分影响范围。仍需最小权限、只读挂载、网络域名白名单、短期凭据、资源限制、审计日志和高风险动作人工确认。

如何控制长任务成本？

限制子智能体总数、并发、模型档位、最大 token、搜索次数和墙钟时间；为每次运行设置预算上限，并在观测系统中按模型和步骤核对消耗。

网页研究如何防提示注入？

把网页内容视为不可信输入，不允许页面文字覆盖系统指令；仅开放必要域名和工具，隔离浏览器凭据，并在下载、上传、登录、提交和付款前要求确认。

DeerFlow 适合直接操作生产环境吗？

不建议默认直连生产。先在临时仓库、测试账号和隔离沙箱中运行，把发布、数据库写入、删除和外部通知放到独立审批步骤。

总结

DeerFlow 2.0 的价值是把研究、编码、创作和长任务基础设施装进可扩展的开源 harness，而不是提供免运维的云服务。它适合有工程能力、愿意掌控部署和安全边界的团队。评估时应拿一项真实长任务测试完成率、人工接管次数、追踪可读性、资源峰值与总成本；只有在权限隔离、预算上限、重试幂等和确认流程都能落地后，才适合扩大使用范围。