字節跳動開源 DeerFlow 2.0：讓多 Agent 進 Docker 沙箱替你幹活

DeerFlow 2.0 是一個開源的 AI 代理排程中樞，專門用來接手那些需要耗費幾分鐘甚至數小時的複雜長程任務。

它不是用來隨便聊天的薄殼應用，而是能像專案經理一樣，把大目標拆解成多個具體步驟，自動派生出子智慧體分頭幹活，最後把完整結果打包交付。

它能做什麼

DeerFlow 2.0 內建了相當豐富的任務處理技能。

無論是深度撰寫行業趨勢研報、製作完整的 PPT 簡報、搭建可執行的互動網頁，還是生成配套影片與參考圖片，它都能自行排程完成。

如果你需要做資料分析，它可以在沙箱裡跑程式碼並畫出視覺化圖表；如果你想消化長內容，它能直接解析長影片和播客；它甚至還能把生硬的技術架構圖畫成通俗的解釋漫畫。

在專案官網 deerflow.tech 上，這些輸出成果都有現成的演示案例可看。

怎麼跑起來與安全沙箱

整個框架的架構設計非常靈活，排程中樞和底層的模型推理是完全解耦的。

你既可以直接把排程核心跑在個人電腦上，也能部署到企業私有的 Kubernetes 叢集中，甚至不需要公網 IP 就能直接橋接到 Slack 或 Telegram 等即時通訊平臺。

模型方面完全不挑食。你可以連雲端的 GPT-4、Claude，接入 DeepSeek 或豆包，也能通過 Ollama 純本地執行開源模型，完全滿足本地資料隱私的要求。

更關鍵的是它的安全機制。每個執行任務都執行在獨立的 Docker 沙箱裡，內部配有專屬的瀏覽器、Shell 和持久化檔案系統。

智慧體可以在裡面放開手腳讀寫檔案、執行 Bash 命令，不用擔心搞壞宿主機的系統環境。同時系統還支援跨會話記憶，用得越多越懂你的習慣。

這次的 2.0 版本基於 LangGraph 1.0 和 LangChain 從零重寫，程式碼採用寬鬆的 MIT 協議開源。釋出後迅速衝上 GitHub 熱榜第一，目前已積累超過 3.9 萬顆星和 4600 多次復刻。

為什麼重要

如果你經常需要做行業調研、處理多格式文件或快速搭原型，DeerFlow 2.0 值得現在就拉下來試一試。

市面上很多所謂 Agent 只是給大模型加了個搜尋介面，遇到報錯就卡死。DeerFlow 2.0 的聰明之處在於用 Docker 沙箱給了 AI 一臺真正的虛擬電腦，讓多 Agent 能在隔離環境裡邊試錯邊推進，解決了實用性和安全性的兩難。

不過長程多 Agent 協作意味著極高的 token 消耗和潛在執行漂移。跑重型任務時，我們認為最好先選能力較強的主模型，並在沙箱資源限制上做好把控。