昨天刷 GitHub，看到 Trending 榜首的项目有点眼熟——bytedance/deer-flow，一天涨了 4000 多星，总数干到 4.5 万。点进去看了一圈，发现这东西我之前用 OpenClaw 天天在干的事，字节把它做成了一个独立框架。
先聊个背景。
去年这个时候，AI Agent 还停留在"让 ChatGPT 帮我写段代码"的阶段。现在呢？你给它一个需求，它能自己查资料、写代码、跑测试、出报告，中间不用你管。
这种能独立完成复杂任务的 Agent，最近有个新叫法——"超级智能体"（Super Agent）。
字节这回开源的 DeerFlow，就是奔着这个方向来的。
这东西到底能干嘛？
说直白点，DeerFlow 就是一个让 AI 自己干活的框架。
你给它丢一个任务，比如"调研一下 2025 年前端框架的发展趋势"，它会：
- 自己去搜资料（不是随便搜搜，是结构化的深度搜索）
- 整理信息、交叉验证
- 生成一份完整的调研报告
再比如"帮我写一个 Todo App"：
- 自动拆需求
- 写代码
- 跑起来测试
- 有 bug 自己修
它甚至能处理创作类任务——写文章、做数据分析、生成内容，都行。
我作为一个 OpenClaw 老用户，看到这些功能的第一反应是：这不就是我天天在干的事吗？
为什么突然就火了？
说实话，AI Agent 框架这东西，GitHub 上已经有一堆了。DeerFlow 能冲到 Trending 第一，我觉得三个原因：
字节的名字。字节在 AI 上的投入是有目共睹的，豆包系列模型在国内口碑不错。他们出品的框架，质量不会差到哪去。而且 DeerFlow 2.0 是完全重写的，不是在老代码上缝缝补补。
2.0 的改动确实大。DeerFlow 1.0 本质上就是一个深度研究工具，功能比较单一。但 2.0 直接加了一堆东西：沙箱环境、记忆系统、技能扩展、子 Agent 编排、IM 通道接入……等于从"搜索工具"升级成了"通用 Agent 平台"。
MIT 协议，随便用。没有商业限制，你想拿去二次开发、做产品、甚至卖钱，都没问题。
几个我觉得比较有意思的设计
技能系统
DeerFlow 的技能不是硬编码的，而是按需加载——你让它做前端开发，它才加载前端相关的技能包；让它做生物信息学分析，它才加载生物相关的。
内置的技能包还挺丰富：深度搜索、前端设计、部署脚本，甚至还有物理和生物科技的。
更重要的是，你可以自己写技能文件（SKILL.md），教它新东西。
看到这里我笑了——这不就是 OpenClaw 的 Skill 系统吗？连文件格式都一样。看来"技能化"这条路，大家都想到了一块去。
子 Agent 协作
复杂任务 DeerFlow 会自动拆成多个子任务，分配给不同的子 Agent。比如你让它"调研 React 19 并写个 Demo"：
- Agent A 去搜 changelog
- Agent B 去搜 breaking changes
- 等 A 和 B 都回来了，Agent C 综合信息写代码
- Agent D 跑测试验证
有的可以并行跑，有的得串行等，DeerFlow 自己判断。
Docker 沙箱
这个我比较在意。DeerFlow 给 Agent 配了一个完整的 Docker 沙箱——里面有浏览器、终端、文件系统，甚至 VS Code Server。
意思是 Agent 可以在一个隔离的环境里随便折腾，不会搞坏你的系统。跑长时间任务也不怕中途崩了。
上下文工程
长任务是 Agent 的痛点。任务跑久了，前面的信息就丢了，后面的决策就容易出错。
DeerFlow 2.0 搞了个"上下文工程"的机制，会自动压缩不重要的信息，优先保留关键内容。不是粗暴地截断，而是有选择性地遗忘。
这个思路很聪明，OpenClaw 的 compaction 机制其实也在解决类似的问题。
模型方面
字节推荐自家模型：Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5。但你不一定要用豆包，OpenAI、Claude、Gemini 都能接。
比较有意思的是它专门适配了 Claude Code 和 Codex CLI——也就是说你可以让 Claude 和 Codex 当它的"编程打工仔"。
配置也很灵活，任何 OpenAI 兼容的接口都能用。
和 OpenClaw 对比一下
既然都是 Agent 框架，又是同一个技能体系，我忍不住列了个对比：
DeerFlow 偏开发者，适合构建复杂工作流；OpenClaw 偏个人使用，开箱即用 技能系统都是 SKILL.md，一模一样 子 Agent 方面，DeerFlow 内置编排，OpenClaw 用 sessions_spawn 沙箱方面，DeerFlow 用 Docker，OpenClaw 内置安全策略 部署方面，DeerFlow 需要 Docker 或本地环境，OpenClaw 一行 npm install 搞定 IM 接入两者都支持，OpenClaw 通道更多
我的感觉是：这两个东西不冲突。
如果你是开发者，想搭一套自动化的研究/编程流程，DeerFlow 更合适。
如果你想要一个日常 AI 助手，能聊天、能自动化、能接各种消息平台，OpenClaw 更省心。
甚至可以两个一起用——让 OpenClaw 调 DeerFlow 的 API，当它的一个"技能"。
试试看
Docker 一把梭，最省事： git clone https://github.com/bytedance/deer-flow.git cd deer-flow make config docker compose up
要注意的是你得配一个模型的 API Key，不然启动了也是白搭。DeepSeek 的 Key 最便宜，推荐从这个开始试。
说点个人感受
去年这个时候，Agent 框架还处于"各自为战"的状态——每家都在造轮子，接口不统一，技能不能复用。
但 DeerFlow 和 OpenClaw 不约而同地采用了 SKILL.md 作为技能格式，这件事本身就说明一个问题：Agent 的技能生态正在收敛。
以后可能出现一个"技能市场"，你写一个技能，所有 Agent 框架都能用。这个想象空间是很大的。
DeerFlow 作为字节出品，代码质量、架构设计都值得学习。MIT 协议随便改，建议有空 clone 下来看看源码，比看十篇架构分析文章都有用。
项目地址：https://github.com/bytedance/deer-flow
关注「码力研究室」，每周分享开源项目和技术实战。
