DeerFlow 2.0 完全指南3 个核心机制让智能体替你查资料、跑数据、出报告【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想让一个 AI 智能体独立完成调研—编码—交付这种花几分钟甚至几小时的长任务DeerFlow 是个开箱即用的选择开源的深度研究与超级智能体框架基于 LangGraph 和 LangChain 构建沙箱、长期记忆、技能包、子智能体编排全部内置MIT 协议免费使用。为什么值得先看它只说一句话分析这份数据并出可视化报告主导智能体会自己拆任务一部分派给并行子智能体去检索资料一部分在沙箱里跑 Python 计算最后把结果汇总成报告直接写到交付目录供你下载。这不是演示——2.0 版本发布后不久该项目登顶过 GitHub Trending 第一。和聊天机器人的差别在于前者交付回答后者交付干完的活。DeerFlow 智能体在沙箱中完成 Python 分析后输出的生存率可视化图表核心亮点拆解技能机制怎么装、怎么换把会做事写成 Markdown技能是 DeerFlow 能覆盖几乎所有任务的基础单元本质是一个SKILL.md文件写清工作流程、最佳实践和配套脚本。内置技能放在沙箱的/mnt/skills/public路径下共 23 个覆盖深度研究、数据分析、PPT、网页、图片和视频生成自定义技能丢进/mnt/skills/custom即可被识别。加载是渐进式的——任务用到哪个才读哪个而不是全部塞进上下文窗口也可以斜杠命令显式激活例如/data-analysis analyze uploads/foo.csv。对你意味着新增一项能力就是写一份 Markdown不用改一行代码上下文始终精简即使用 token 敏感的模型也不容易撑爆窗口。子智能体并行拆解任务怎么跑主导智能体判断任务太大时会动态生成子智能体每个子智能体带着独立的上下文、工具集和终止条件工作。互不依赖的部分并行跑有依赖的留在主智能体里串行做子智能体只能看到自己那份任务跑完返回结构化结果主智能体负责校验和合成最终输出。长任务过程中还会自动总结、压缩旧历史避免上下文窗口失守。对你意味着一份要跑几小时的调研报告可以被拆成十几个子智能体同时开工你只等最后那份聚合结果。沙箱与文件系统给智能体一台隔离的电脑每个任务独享一个 Docker 容器执行环境拥有完整的文件系统视图容器内路径分三区/mnt/user-data/uploads放你上传的文件workspace是工作目录outputs收最终交付物。智能体在里面读写文件、执行 bash、查看图像每轮结束后还会生成一份文件变更摘要Web 界面上能直接看到新建、修改了哪些文件。对你意味着会话之间零污染、操作全程可审计智能体产出的图片和网页落在outputs里点开即取。沙箱环境里 DeerFlow 智能体交付的产品展示图除了这三块跨会话的长期记忆也值得一提DeerFlow 会把你的偏好、技术栈和反复出现的工作流存成本地文件越用越懂你数据完全留在自己手里。三步跑起来获取代码git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow运行make setup交互式向导约 2 分钟选模型供应商、搜索工具和沙箱模式自动生成config.yaml并把密钥写入.env配置有疑问就跑make doctor拿诊断和修复建议。执行make docker-init拉取沙箱镜像仅首次再make docker-start启动浏览器打开http://localhost:2026即可。更喜欢本地开发的话改用make check加make dev一条路走通细节见配置文档。写在最后建议第一次就按上面的 Docker 流程走从分析一个 CSV 出图表这类小任务试起感受子智能体拆解任务的完整过程。想理解机制最短路是读 skills/public/ 里任意一份SKILL.md——那正是整个技能体系的骨架。【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 DeerFlow 2.0 完全指南：3 个核心机制，让智能体替你查资料、跑数据、出报告
DeerFlow 2.0 完全指南3 个核心机制让智能体替你查资料、跑数据、出报告【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想让一个 AI 智能体独立完成调研—编码—交付这种花几分钟甚至几小时的长任务DeerFlow 是个开箱即用的选择开源的深度研究与超级智能体框架基于 LangGraph 和 LangChain 构建沙箱、长期记忆、技能包、子智能体编排全部内置MIT 协议免费使用。为什么值得先看它只说一句话分析这份数据并出可视化报告主导智能体会自己拆任务一部分派给并行子智能体去检索资料一部分在沙箱里跑 Python 计算最后把结果汇总成报告直接写到交付目录供你下载。这不是演示——2.0 版本发布后不久该项目登顶过 GitHub Trending 第一。和聊天机器人的差别在于前者交付回答后者交付干完的活。DeerFlow 智能体在沙箱中完成 Python 分析后输出的生存率可视化图表核心亮点拆解技能机制怎么装、怎么换把会做事写成 Markdown技能是 DeerFlow 能覆盖几乎所有任务的基础单元本质是一个SKILL.md文件写清工作流程、最佳实践和配套脚本。内置技能放在沙箱的/mnt/skills/public路径下共 23 个覆盖深度研究、数据分析、PPT、网页、图片和视频生成自定义技能丢进/mnt/skills/custom即可被识别。加载是渐进式的——任务用到哪个才读哪个而不是全部塞进上下文窗口也可以斜杠命令显式激活例如/data-analysis analyze uploads/foo.csv。对你意味着新增一项能力就是写一份 Markdown不用改一行代码上下文始终精简即使用 token 敏感的模型也不容易撑爆窗口。子智能体并行拆解任务怎么跑主导智能体判断任务太大时会动态生成子智能体每个子智能体带着独立的上下文、工具集和终止条件工作。互不依赖的部分并行跑有依赖的留在主智能体里串行做子智能体只能看到自己那份任务跑完返回结构化结果主智能体负责校验和合成最终输出。长任务过程中还会自动总结、压缩旧历史避免上下文窗口失守。对你意味着一份要跑几小时的调研报告可以被拆成十几个子智能体同时开工你只等最后那份聚合结果。沙箱与文件系统给智能体一台隔离的电脑每个任务独享一个 Docker 容器执行环境拥有完整的文件系统视图容器内路径分三区/mnt/user-data/uploads放你上传的文件workspace是工作目录outputs收最终交付物。智能体在里面读写文件、执行 bash、查看图像每轮结束后还会生成一份文件变更摘要Web 界面上能直接看到新建、修改了哪些文件。对你意味着会话之间零污染、操作全程可审计智能体产出的图片和网页落在outputs里点开即取。沙箱环境里 DeerFlow 智能体交付的产品展示图除了这三块跨会话的长期记忆也值得一提DeerFlow 会把你的偏好、技术栈和反复出现的工作流存成本地文件越用越懂你数据完全留在自己手里。三步跑起来获取代码git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow运行make setup交互式向导约 2 分钟选模型供应商、搜索工具和沙箱模式自动生成config.yaml并把密钥写入.env配置有疑问就跑make doctor拿诊断和修复建议。执行make docker-init拉取沙箱镜像仅首次再make docker-start启动浏览器打开http://localhost:2026即可。更喜欢本地开发的话改用make check加make dev一条路走通细节见配置文档。写在最后建议第一次就按上面的 Docker 流程走从分析一个 CSV 出图表这类小任务试起感受子智能体拆解任务的完整过程。想理解机制最短路是读 skills/public/ 里任意一份SKILL.md——那正是整个技能体系的骨架。【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