DeerFlow

DeerFlow 是一个开源的 SuperAgent 框架，官方描述为会研究、会写代码、会创作，基于 LangChain 构建。它的定位不是聊天机器人，而是把一件需要几十分钟到几小时的任务整段接过去：给 agent 一个沙箱、一份记忆、一批工具和若干子 agent，让它自己往下跑。二点零版本把重点放在运行时环境和技能体系上，而不只是检索加总结。

核心能力

• 沙箱执行环境：官方给 DeerFlow 配了一台「电脑」，可执行命令、管理文件、跑长任务，运行在 Docker 沙箱中，示例里能看到装依赖、写代码、跑物理引擎并稳定在 60 FPS。沙箱与本地环境隔离，装依赖、改文件都不会污染你自己的机器。
• 渐进式技能加载：Agent Skills 按需加载，只在用到时才读入，避免一次性把上下文塞满；可以用内置技能库，也可以写自己的技能文件扩展。团队可以把内部流程写成技能文件，沉淀成可复用的资产。
• 记忆与子 agent：通过 memories 与 subagents 拆任务，主 agent 负责规划与汇总，子 agent 处理检索、编码、生成等分支。子 agent 的结果回到主流程汇总，避免长任务上下文被单点撑爆。
• 深度研究：官网案例包括看完一支 Y Combinator 视频后做专题研究、汇总某位学者近半年的播客、对数据集做探索性分析并出可视化。研究过程会留下检索与执行记录，方便回溯结论从哪来。
• 多形态产出：研究结果可落成网页、漫画分镜、视频脚本与参考图，官方示例里有「用哆啦A梦讲 MOE 架构」这类跨模态任务。跨模态产出仍要人工挑素材，模型给的是可用的初稿。
• AIO Sandbox：官方推荐使用内置浏览器、Shell 等能力的 All-in-One 沙箱，省掉自己搭环境的成本。沙箱可换镜像，按任务装依赖比在本地污染环境省事。

适合谁

• 做行业调研、竞品分析的研究员和战略岗，要把散落资料整理成报告。
• 数据分析师，想让 agent 自己跑清洗、建模和画图。
• 内容策划团队，需要把一篇长报告变成网页、图文或视频脚本。
• 想基于开源框架二次开发内部 agent 平台的工程团队。
• 需要把一份研究结论快速转成可发布内容的自媒体团队。

使用建议

• 先在官方示例里挑一个和你任务结构最像的跑通，再改成自己的题目，比从空白开始快得多。
• 长任务一定要分段验收：让 agent 每完成一个子目标就落一份中间产物，跑偏时能回到上一个检查点。
• 沙箱里执行的代码来自模型生成，涉及外部请求、文件写入和生产凭据时要隔离，不要把真实密钥放进沙箱。
• 开源许可允许自建与修改，但模型调用与检索来源的合规责任在使用方；引用第三方内容需注明来源，商用前核对许可证与数据条款。
• 同一主题多次跑时固定检索源清单，结果可比性会明显提高。