DeerFlow 评测 2026：字节跳动开源 SuperAgent 值得自部署吗

字节跳动在 2026 年 2 月底悄悄开源了 DeerFlow，几天内就冲上 GitHub Trending 第一，几周内 stars 突破 60,000。本文带你看清这个 SuperAgent 框架的真实能力、与 CrewAI 的差异，以及国内团队该不该自部署。

DeerFlow 是什么

DeerFlow 全称 Deep Exploration and Efficient Research Flow，由字节内部研究代理重写而来，2.0 版本基于 LangGraph 和 LangChain 构建，定位是一个完整的自主代理运行时，而不仅仅是规划层。

核心理念很简单：你给一个长任务（写研究报告、做数据分析、生成 PPT），DeerFlow 会拆分子任务，分配给专门的子代理，在隔离的 Docker 沙箱里执行代码，最后汇总结果。每个代理都拥有真实的文件系统、bash shell 和浏览器。这不是"带工具的聊天机器人"，而是"有自己工位的数字员工"。

项目自带一个 Web UI（默认 localhost:2026），支持任何 OpenAI 兼容模型（云端或本地），并集成 Slack、Telegram、飞书等 IM 通道做任务派发。

核心架构

DeerFlow 由四层组成：

1. Lead Agent + 子代理：主管代理接收任务后拆分，并行派发给子代理，各子代理独立工作，最后由主管自动汇总。
2. Docker 沙箱：每个代理拥有一个带持久化文件系统的 Docker 容器，可以写文件、装依赖、执行脚本。这是它区别于"只做规划"框架的关键。
3. 记忆层：短期上下文用于当前任务，长期记忆用于用户偏好、跨会话知识，全部存在本地。
4. 可扩展技能：基于 Markdown 的 Skills 按需加载，配合 MCP 服务器或 Python 插件做扩展。

与主流框架对比

DeerFlow 与 CrewAI 是开发者搜索最多的对比。CrewAI 的 Python API 更简单、有付费云方案，上手更轻。DeerFlow 给得更多：Docker 沙箱让代理真正能执行而不只是讨论。如果你需要"会动手"的代理，DeerFlow 占优；如果只想快速原型，CrewAI 更省事。

本地部署

最快的本地启动方式：

# 克隆并初始化
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup

# 配置模型（编辑 .env 或 config.yaml）
# Ollama: 设置 OPENAI_API_BASE=http://localhost:11434/v1

# 带 Docker 沙箱启动
make docker-start

Web UI 在 http://localhost:2026。国内用户如果想完全离线运行，可以用 Ollama 跑 Qwen3、DeepSeek 或 GLM 系列。社区在 V2EX 和掘金的讨论里反馈：14B 以上参数的模型推理质量比较稳定，小于这个规模容易"想不清楚"。

定价与真实成本

DeerFlow 是 MIT 协议，本身完全免费。但实际成本有两块：

• LLM Token 费用：用 OpenAI、Claude 这类云模型，跑一次多小时的研究任务可能烧掉不少 token。用 Ollama 或 vLLM 跑本地模型则零成本。
• 基础设施：推荐最低 8 vCPU + 16 GB 内存，生产部署还需要网络隔离和安全加固。本质是用 SaaS 订阅费换 DevOps 成本。

注意：deerflow.net 是另一个独立的付费托管研究产品，不是字节官方项目，别买错。

适合谁，不适合谁

适合：有 Docker/K8s 经验、关心数据主权、要做长时间自主执行任务的技术团队。字节跳动背书 + 60K stars + 持续迭代，是当下最强的开源 SuperAgent 之一。

不适合：想要开箱即用托管服务的小团队、缺少运维能力的个人开发者。早期曾出现过沙箱逃逸 CVE，虽然已修复，但代理拥有"高权限"本身就意味着攻击面更大，部署前一定要做网络隔离。

如果你正在搭建国内 AI 编程工具栈，可以同时参考OpenClaw 完全安装指南和Coding Plan 对比评测，把 DeerFlow 作为执行层、把 OpenClaw 作为日常编程助手是不错的组合。

总结

DeerFlow 真正差异化的地方是"让代理拥有一台真实的计算机"。如果你的团队需要自动化跑研究报告、数据分析、自主写代码这类长周期任务，并且能 hold 住自托管的运维负担，那 DeerFlow 是 2026 年最值得关注的选择之一。