字节跳动开源 DeerFlow 2.0：让多 Agent 进 Docker 沙箱替你干活

DeerFlow 2.0 是一个开源的 AI 代理调度中枢，专门用来接手那些需要耗费几分钟甚至数小时的复杂长程任务。

它不是用来随便聊天的薄壳应用，而是能像项目经理一样，把大目标拆解成多个具体步骤，自动派生出子智能体分头干活，最后把完整结果打包交付。

它能做什么

DeerFlow 2.0 内置了相当丰富的任务处理技能。

无论是深度撰写行业趋势研报、制作完整的 PPT 演示文稿、搭建可运行的交互网页，还是生成配套视频与参考图片，它都能自行调度完成。

如果你需要做数据分析，它可以在沙箱里跑代码并画出可视化图表；如果你想消化长内容，它能直接解析长视频和播客；它甚至还能把生硬的技术架构图画成通俗的解释漫画。

在项目官网 deerflow.tech 上，这些输出成果都有现成的演示案例可看。

怎么跑起来与安全沙箱

整个框架的架构设计非常灵活，调度中枢和底层的模型推理是完全解耦的。

你既可以直接把调度核心跑在个人电脑上，也能部署到企业私有的 Kubernetes 集群中，甚至不需要公网 IP 就能直接桥接到 Slack 或 Telegram 等即时通讯平台。

模型方面完全不挑食。你可以连云端的 GPT-4、Claude，接入 DeepSeek 或豆包，也能通过 Ollama 纯本地运行开源模型，完全满足本地数据隐私的要求。

更关键的是它的安全机制。每个执行任务都运行在独立的 Docker 沙箱里，内部配有专属的浏览器、Shell 和持久化文件系统。

智能体可以在里面放开手脚读写文件、执行 Bash 命令，不用担心搞坏宿主机的系统环境。同时系统还支持跨会话记忆，用得越多越懂你的习惯。

这次的 2.0 版本基于 LangGraph 1.0 和 LangChain 从零重写，代码采用宽松的 MIT 协议开源。发布后迅速冲上 GitHub 热榜第一，目前已积累超过 3.9 万颗星和 4600 多次复刻。

为什么重要

如果你经常需要做行业调研、处理多格式文档或快速搭原型，DeerFlow 2.0 值得现在就拉下来试一试。

市面上很多所谓 Agent 只是给大模型加了个搜索接口，遇到报错就卡死。DeerFlow 2.0 的聪明之处在于用 Docker 沙箱给了 AI 一台真正的虚拟电脑，让多 Agent 能在隔离环境里边试错边推进，解决了实用性和安全性的两难。

不过长程多 Agent 协作意味着极高的 token 消耗和潜在执行漂移。跑重型任务时，我们认为最好先选能力较强的主模型，并在沙箱资源限制上做好把控。