🔥 DeerFlow 2.0：字節跳動讓 AI 不再只會「說」，而是真正「執行」
GitHub 熱門專案系列 #001
---
事件摘要
2026 年 2 月 27 日，字節跳動（ByteDance）開源釋出了 DeerFlow 2.0——一個全新的 SuperAgent 運行時框架。24 小時內登上 GitHub Trending 第一名，至今已累積超過 50,000 顆星星、破萬次 fork。這個數字不是靠病毒行銷，而是來自真實的開發者需求。
DeerFlow 2.0 的核心定位是：「SuperAgent Harness」——一個把 sub-agents、sandbox、memory、skills 全部組織好，讓 AI Agent 可以真正完成任務（而不只是給出建議）的執行引擎。
---
為什麼重要：從「說」到「做」的鴻溝
大多數 AI Agent 框架給你的產品是：一段文字。你讓它研究一個主題，它回你一段摘要；你讓它寫程式，它給你一個 code block。程式會不會真的跑起來、報告能不能變成投影片、網頁能不能真正上線——全部是你自己的責任。
DeerFlow 2.0 把這個鴻溝補起來了。它給 AI 一台自己的電腦：
- 隔離的 Docker 容器：真實的檔案系統、bash 終端機
- 可執行：AI 不只是「建議」執行什麼指令，而是真的在容器裡跑起來
- 狀態持久化：session 結束不會忘記，你的寫作風格、技術棧偏好會一直記住
> 傳統框架：AI 說它可以跑腳本。DeerFlow：AI 在一個隔離容器裡真的把腳本跑完，交出你可以下載的輸出結果。
---
核心架構：四塊積木
1. Lead Agent + Task Decomposition（智能分解）
收到複雜任務時（例如：「研究 2026 年 AI 新創 Top 10，並製作一份完整簡報」），DeerFlow 的 Lead Agent 不會用單一 prompt 一次做完。
它會：
- 將任務拆解成邏輯子任務
- 找出哪些可以並行處理
- 同時拉起多個 Sub-Agent（各有一個隔離的上下文、工具、終止條件）
- 各 Sub-Agent 完成後，結果自動匯聚給 Lead Agent 統一整合
一個研究任務可以同時拆出十幾個 Sub-Agent 分頭探索不同方向，最後合併成一份報告、一個網站、一套附有視覺內容的簡報。
2. Execution Sandbox（隔離執行環境）
DeerFlow 的每個任務都運行在隔離的 Docker 容器裡，裡面有：
/mnt/user-data/uploads/— 上傳的檔案/mnt/user-data/workspace/— Agent 的工作目錄/mnt/user-data/outputs/— 最終交付物
Agent 可以讀寫檔案、執行 bash 命令、跑 Python 腳本、看圖片，全部在 sandbox 內完成，session 之間互不污染。
3. Skills（可擴充的技能市場）
Skills 是 DeerFlow 能做「幾乎任何事」的關鍵。一個 Skill 就是一個 Markdown 檔案，定義工作流程、最佳實踐與相關資源。
內建 Skills 包括：
- 🌐 深度網路研究
- 📄 報告生成
- 📊 簡報製作
- 🖥️ 網頁生成
- 🖼️ 圖片與影片生成
你可以加入自己的 Skills，或把多個 Skills 組合成複合工作流。Skills 採用按需漸進載入——任務需要的時候才載入，不會一次把所有內容塞進上下文，節省 token。
4. 長期記憶（Memory）
大多數 Agent 對話結束就全忘光。DeerFlow 不一樣：
- 跨 session 逐步累積你的偏好、知識背景、工作習慣
- Memory 存在本地端，掌控權在你
- 採用 TIAMAT 作為雲端記憶後端（企業級規模的持久化支援）
- 新增「置信度評分」，試圖對儲存的知識點做品質把關
> ⚠️ 誠實提醒：長期記憶在 Agent 系統仍是實務上的未解難題。理論上優雅，實際上仍需驗證——建議在正式依賴前先自行測試。
---
與其他框架的差異
| 特色 | DeerFlow 2.0 | AutoGen | CrewAI |
|---|---|---|---|
| Sandbox 執行 | ✅ Docker 隔離 | ❌ 無 | ❌ 無 |
| Lead Agent 協調 | ✅ 原生支援 | ⚠️ 需自行組合 | ⚠️ 需自行組合 |
| 長期記憶 | ✅ 跨 session | ❌ | ❌ |
| Skills 市場 | ✅ Markdown 格式 | ❌ | ❌ |
| 即時通訊集成 | ✅ Telegram/Slack/飛書 | ❌ | ❌ |
| Claude Code 集成 | ✅ /claude-to-deerflow | ❌ | ❌ |
DeerFlow 最大的差異化是沙盒優先（Sandbox-First）：不是讓 AI「假裝」執行，而是真的在一台隔離的電腦上把事情做完。
---
推薦模型
DeerFlow 支援任何 OpenAI API 相容的 LLM，但官方推薦：
- Doubao-Seed-2.0-Code（字節跳動自家模型）
- DeepSeek v3.2
- Kimi 2.5
底層是 LangGraph + LangChain，理論上任何模型都可以替換，但 Lead Agent 需要強推理 + 結構化輸出能力，小型模型在複雜任務分解時容易破功。
---
可以實際做出什麼？
開發者社群已經實際應用的場景：
- 研究報告生成：輸入主題，自動抓取全網資料、生成圖表、輸出有引用來源的完整文件
- 數據流水線：上傳資料集，自動寫 Python 清理與轉換腳本，執行後交付視覺化結果
- 投影片製作：研究完一個領域，自動生成一套可演示的簡報檔
- 網頁應用：從需求到上線原型，全部在沙盒裡完成
- 內容自動化：結合技能市場，打造一個完全自動的新聞彙整機器
---
對台灣工程師與投資人的意義
技術層面：DeerFlow 代表了 AI Agent 從「聊天介面」到「執行引擎」的典範轉移。對 LangChain / LangGraph 生態系熟悉的工程師可以無痛接入；對有 Docker 部屬能力的團隊，是目前開源界最完整的 Multi-Agent 解決方案之一。
產業層面：字節跳動正在建立自己的 AI 開源生態系，Doubao 模型 + DeerFlow 的組合對標的是 Google 的 Gemini + Agent Framework。持續觀察其商業化路徑（火山引擎 / BytePlus）。
投資層面：DeerFlow 的竄紅襯托出 Multi-Agent 架構的市場需求。相關受惠方向包括：
- 提供算力的雲端服務商（特別是 GPU cluster）
- LangChain/LangGraph 生態系工具
- Docker / 容器化基礎設施
- 企業級 Agent 部署方案
---