DeerFlow 快速上手：一个 LangGraph 智能体框架搞定 AI 深度研究、数据分析与图像生成

DeerFlow 快速上手一个 LangGraph 智能体框架搞定 AI 深度研究、数据分析与图像生成【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-flowDeerFlow 是一个基于 LangGraph 和 LangChain 构建的开源超级智能体框架主打 AI 深度研究你给它一个任务它会自己搜网页、跑 Python、写报告、出图表和图片把需要几分钟到几小时的工作干完。它不是需要你自己拼接的框架——文件系统、内存、技能、沙箱执行环境全部内置2.0 版本推倒重写后开箱即用。一次任务的完整链路是匹配技能 → 拆分子任务 → 沙箱里执行 → 交付物落盘 → 经验写入长期记忆下面按这条链路拆开讲。 技能系统让 DeerFlow 几乎什么都能干的结构化 SOP一个技能就是一个SKILL.mdMarkdown 文件里面定义工作流程、最佳实践和对支持资源的引用——相当于给智能体一份可执行的操作手册。DeerFlow 内置了一批技能深度研究、报告生成、幻灯片、网页制作、数据分析、图像与视频生成等等。关键设计是渐进式加载技能只在任务真正需要时才读入上下文而不是一次性全部塞进提示词。上下文窗口因此保持精简用对 token 敏感的模型也能跑得动。扩展方式很直接写自己的技能、替换内置技能或把几个技能组合成复合工作流在请求开头输入/技能名还能指定本轮就用哪一个。 任务太大主智能体随手续召子智能体复杂任务很少能一条直线走完。DeerFlow 的主智能体lead agent在执行中发现任务可以拆时会动态生成子智能体——每个子智能体带着独立的范围上下文、工具集和终止条件。互相不依赖的子任务并行跑各自返回结构化结果主智能体负责验证再合成一份连贯的输出。一个研究任务可以展开成十几个子智能体各自查不同角度的资料最后汇成一份报告——也可能是一个网站或一套带配图的幻灯片。 沙箱与文件系统每个任务有自己的一台电脑沙箱每个任务都关在独立的 Docker 容器里跑容器之间互不干扰会话之间零污染。容器内是一个完整的文件系统视图智能体可以读写文件、执行 bash 和 Python、查看图片每轮运行结束后 Web UI 会给出文件变更摘要过程可审计。容器内目录固定为三段/mnt/user-data/uploads/你上传的文件/mnt/user-data/workspace/智能体的工作目录/mnt/user-data/outputs/最终交付物这就是能调工具的聊天机器人和有真实执行环境的智能体的区别上面这张数据可视化图表就是任务在沙箱里跑完分析后落到outputs/的产物。 长任务不失焦隔离上下文、总结卸载与长期记忆隔离的子智能体上下文每个子智能体看不到主智能体或其他子智能体的对话专注手头任务不会被别人的上下文带偏。总结与卸载会话进行中DeerFlow 主动管理上下文——已完成的子任务被总结中间结果卸载到文件系统不再相关的内容被压缩。多步骤长任务也能保持敏锐不会撑爆上下文窗口。跨会话的长期记忆多数智能体对话一结束就全忘了DeerFlow 不会。它跨会话积累你的画像、偏好、写作风格、技术栈和重复出现的工作流程用得越久越懂你。记忆存储在本地完全归你控制。 DeerFlow 三步跑起来第一步克隆仓库并生成配置git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow make configmake config基于示例模板生成config.yaml想省事可以改跑make setup走约 2 分钟的交互式向导。第二步在config.yaml的models里至少定义一个模型name是内部标识、use填 LangChain 类路径、api_key指向环境变量models: - name: gpt-4 display_name: GPT-4 use: langchain_openai:ChatOpenAI model: gpt-4 api_key: $OPENAI_API_KEY密钥写在项目根目录.env推荐或 shell 环境变量里不要直接硬编码进配置。第三步启动并访问。Docker 方式官方推荐make docker-init # 首次拉取沙箱镜像 make docker-start # 启动服务本地开发则先make check验证 Node.js 22、pnpm、uv、nginx再make dev。两种方式都访问 http://localhost:2026。 跑起来之后先读这三份材料配置说明config.yaml的完整参考含沙箱模式本地 / Docker / Kubernetes切换后端架构文档Gateway、智能体运行时、沙箱之间的关系仓库根目录的config.example.yaml所有可配置项的活字典DeerFlow 如何配置拿不准时先翻它下一步建议先跑make doctor自检环境然后在页面里发一条帮我调研某个主题并输出报告观察技能加载、子智能体拆任务和沙箱执行的全过程——这是理解这套 LangGraph 智能体框架最快的方式。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考