最近 GitHub Trending 上出现了一个热门项目——DeerFlow，字节跳动开源的多 Agent 研究框架。
用了一段时间研究了一下，分享下我的看法。
这是什么
DeerFlow 是字节跳动开源的多 Agent 研究框架，定位是”深度研究自动化”。
核心思想：一个复杂任务，分解给多个专业 Agent 协作完成。
不是单个 Agent 什么都做，而是专业分工：
- Supervisor – 总控，任务分解和调度
- Researcher – 信息搜集，搜索和爬虫
- Coder – 代码编写和执行
- Analyst – 数据分析和可视化
- Reporter – 报告生成和排版
- QA – 质量检查
每个 Agent 专注自己的领域，协作完成复杂任务。
核心特点
LangGraph 图编排
DeerFlow 用 LangGraph 做 Agent 编排，支持循环和反思。
不是简单的线性流程，而是图结构：
用户目标 → Supervisor 分解 → Researcher 搜集 → Analyst 分析
↑ ↓
└──────── 发现不够，回到搜集 ←───────────┘Agent 之间可以来回协作，根据中间结果调整策略。
Docker 沙箱执行
代码在 Docker 容器里执行，完全隔离。
好处：
- 安全，不会影响生产系统
- 可以执行任意代码
- 完整的文件系统访问
代价：
- 部署复杂
- 资源开销大
- 需要维护 Docker 环境
持久化记忆
三层记忆架构：
| 层级 | 作用 | 持久性 |
|---|---|---|
| 短期 | 会话内的中间结果 | 会话结束消失 |
| 中期 | 项目级的文件存储 | 项目期间保留 |
| 长期 | 跨项目的事实提取 | 永久保存 |
复杂任务不会丢失上下文，可以跨会话继续。
多模态输出
不只是文字报告，还能输出：
- 代码
- 数据可视化图表
- PPT 演示文稿
- 音频摘要
适合什么场景
推荐使用：
- 深度研究报告 – 自动搜集资料、分析数据、生成完整报告
- 复杂多步任务 – 需要多个步骤、多种能力协作的长流程
- 代码+研究结合 – 既要执行代码，又要分析结果
- 企业级自动化 – 需要安全隔离、审计追踪
不推荐使用：
- 简单问答 – 大材小用，直接用 ChatGPT
- 个人自动化 – OpenClaw 更轻量，不需要 Docker
- 资源受限环境 – Docker 开销大，小机器跑不动
- 快速原型 – 部署复杂，上手成本高
与其他框架对比
| 框架 | 定位 | 复杂度 | 适用场景 |
|---|---|---|---|
| DeerFlow | 多 Agent 研究框架 | 高 | 深度研究、企业级 |
| OpenClaw | 个人自动化 Agent | 低 | 个人自动化、轻量任务 |
| Agency-Agents | Agent 技能库 | 中 | 快速使用现成 Agent |
我的看法
DeerFlow 的多 Agent 协作思路值得学习。
LangGraph 的图编排模式也很优雅，支持循环和反思，比简单的链式调用更灵活。
但整体过于复杂：
- 部署需要 Docker
- 学习曲线陡峭
- 资源开销大
对于个人和小团队，轻量方案更合适。
可以借鉴它的设计思路：
- Agent 专业分工
- 图结构编排
- 三层记忆架构
但不需要完整引入整个框架。
项目地址
GitHub: https://github.com/bytedance/deer-flow
如果你在研究多 Agent 协作，可以参考它的设计。
