字节跳动开源了一款 AI 超级助手

字节跳动开源了一款 AI 超级助手 - DeerFlow

一个 AI 能连续工作几小时，自主研究、写代码、创作内容——听起来像科幻电影？字节跳动开源的 DeerFlow 让这成了现实。

什么场景下需要用？

场景 1：需要 AI 执行长周期复杂任务

当前的 AI 助手大多是"一次性问答"模式：你问一句它答一句。但有些任务需要持续数十分钟甚至几小时——比如"调研一个行业的竞争格局，整理成报告"、"分析一个开源项目，理解它的架构并写一份总结"。DeerFlow 把这样的长时任务（Long-horizon Tasks）作为核心场景，让 AI 自主规划、分步执行、中间还能反思修正。

场景 2：想让 AI Agent 具备"工具链"能力

DeerFlow 内置了沙箱（安全运行代码）、记忆（记住上下文）、工具（调用外部 API）、技能（复用最佳实践）、子代理（并行干活）等模块。你可以让一个 AI Agent 去"爬取网页 → 分析数据 → 写代码 → 生成图表 → 输出报告"，全程自动化。

场景 3：搭建你自己的 AI 工作流

如果觉得现成的 AI 产品（如 ChatGPT、Claude）不够灵活，DeerFlow 提供了完全可定制的工作流框架。你可以定义任务分解策略、选择模型、配置工具链，做出一个真正属于你自己的 AI 助手。

怎么用？

安装

# 克隆仓库git clone https://github.com/bytedance/deer-flow.gitcd deer-flow# Python 3.10+ 环境pip install -r requirements.txt# 配置 API Keycp .env.example .env# 编辑 .env 填入你的 LLM API Key（支持 OpenAI、Claude 等）

快速开始

运行一个简单的研究任务：

from deer_flow import Agent# 创建一个 Agentagent = Agent(    model="gpt-4o",    tools=["web_search", "code_executor", "file_writer"])# 执行研究任务result = agent.run(    "调研一下 2026 年最热门的 5 个开源 AI 项目，"    "分析它们的特点，用中文生成一份 Markdown 报告")print(result)

DeerFlow 会自动分解任务、搜索信息、整理结果，最后输出一份完整的报告。

进阶用法

DeerFlow 的能力远不止简单的搜索，它的子代理系统允许并行处理：

# 创建多 Agent 协作系统from deer_flow import Orchestrator, SubAgentorchestrator = Orchestrator(model="claude-opus-4")# 分配子任务agents = [    SubAgent("research", tools=["web_search"], model="gpt-4o"),    SubAgent("coder", tools=["code_executor"], model="claude-sonnet-4"),    SubAgent("writer", tools=["file_writer"], model="deepseek-v4"),]# 并行执行result = orchestrator.run_concurrent(    plan=[        "research: 搜索 AI 编程的最新进展",        "coder: 编写测试代码验证概念",        "writer: 将研究成果写成博客文章"    ],    sub_agents=agents)

注意事项

• DeerFlow 的复杂任务模式会消耗大量 API Token，建议先在小任务上测试，评估成本
• 沙箱环境默认隔离运行代码，不会影响宿主系统，但敏感数据要注意不要写入沙箱日志
• 长时间运行的任务需要保持网络稳定，建议在服务器上部署而非本地开发机
• 部分工具（如浏览器自动化）需要额外安装依赖

总结

DeerFlow 是字节跳动开源的一个相当成熟的 Agent 框架。相比市面上其他 Agent 方案，它在长时任务处理、子代理协作方面做得非常出色。如果你想构建一个真正能自主工作的 AI 助手，DeerFlow 是值得认真研究的方案。