如果你看到 deer-flow 还停留在“Deep Research 工具”的印象里，需要先换一下理解方式。现在的 DeerFlow 2.0 更像一个开源 SuperAgent harness：它不只负责搜索和写报告，还把子智能体、记忆、沙箱、工具、技能和长任务执行串成一套 Agent 工作台。

我会这样判断它的定位：如果一个框架只会把问题拆成搜索、总结、引用，它更像研究流水线；如果它还能调度子任务、保留上下文、进入沙箱执行命令、接入技能和模型供应商，那才更接近 DeerFlow 2.0 想做的 Agent harness。

DeerFlow 到底是什么

DeerFlow 的全称来自 Deep Exploration and Efficient Research Flow。它由字节跳动开源，官方仓库是 bytedance/deer-flow，README 里把 2.0 描述为一个 open-source super agent harness，用来编排 sub-agents、memory、sandboxes，并通过可扩展 skills 完成更长链路的任务。

这里的关键词是 harness，不是单个 Agent。它更像一套承载层：上面可以挂模型、搜索、代码执行、文件系统、MCP、Claude Code 或 Codex 这类 CLI-backed provider。你给它一个任务，它不是只生成一段回答，而是尝试把研究、编码、创建、验证拆成可运行的过程。

2.0 和旧版有什么区别

官方 README 特别提醒，DeerFlow 2.0 是一次 ground-up rewrite，和 v1 不共享代码。旧版 Deep Research 框架仍在 1.x 分支维护，但活跃开发已经转到 2.0。这一点很重要：读旧教程时，如果看到的还是单纯 research workflow，可能已经对不上现在的架构。

我会这样试：看教程发布时间，再看它是否提到 2.0、Super Agent Harness、sandbox、skills、sub-agents、long-term memory。只写“深度研究报告生成”的内容，通常只能解释 DeerFlow 的一部分。

它适合什么场景

DeerFlow 适合需要连续推进的复合任务，比如资料研究后生成页面、分析数据集并写报告、阅读视频或播客再做总结、在沙箱里跑代码并保存产物。官网首屏把它概括为 researches、codes、creates，这比“搜索增强问答”范围更大。

它不一定适合很轻的小问题。比如只问一个概念、改一行文案、查一个 API 参数，用普通聊天模型会更快。DeerFlow 更适合那些需要十几步甚至几十步才能完成、而且中间需要记忆、文件、工具和验证的任务。

核心能力看哪里

从官方页面看，DeerFlow 2.0 把 Agent Skills 放在比较核心的位置。Skills 可以按需加载，不是一上来把所有能力塞进上下文。这个设计对长任务很关键：任务越长，上下文越容易被无关信息挤满，按需加载比一次性说明更稳。

README 的目录也能看出它的能力边界：Skills & Tools、Claude Code Integration、Session Goals、Manual Context Compaction、Sub-Agents、Sandbox & File System、Context Engineering、Long-Term Memory 都在核心功能里。也就是说，它关心的不只是“怎么答”，还包括“任务怎么持续、上下文怎么压缩、文件和沙箱怎么管”。

本地跑起来要注意什么

DeerFlow 不是点开网页就能完全理解的轻工具。README 的 Quick Start 里先让你 clone 仓库，再运行 make setup，通过交互向导选择 LLM provider、可选 web search、sandbox mode、bash access、file-write tools 等配置。之后可以用 make doctor 检查环境和给出修复提示。

我会这样试：第一次不要直接上长任务，先用 make setup 配好模型和搜索，再跑 make doctor。如果只是单人轻量评估，本地开发资源可以低一些；如果要跑共享服务、多 Agent 或沙箱负载，就要按官方 README 的 sizing 建议提高 CPU、内存和磁盘空间。

和普通 Agent 框架的差别

普通 Agent 框架常常强调 planner、tools、memory 这些组件名，DeerFlow 2.0 更明显的方向是把这些组件放进一个可运行环境里。它有前后端目录、Docker 相关配置、sandbox、skills、tests、配置模板和文档，整体更像可部署的 Agent 系统，而不是只给开发者一个 SDK。

这也带来一个现实门槛：它比简单脚本重，需要你愿意配置模型、搜索、沙箱和运行方式。如果你想研究字节跳动开源的 AI Agent 工程化方向，DeerFlow 值得看；如果只是找一个开箱即用的聊天机器人，可能会觉得它偏重。

看 DeerFlow 要抓住 4 个点

第一，它是 2.0 重写后的 SuperAgent harness。第二，它的重点是子智能体、记忆、沙箱、技能和工具编排。第三，它适合长链路研究、代码、创建和验证任务。第四，本地部署前要认真看 make setup、make doctor、Docker 和资源建议。

我会把它归到“复杂任务 Agent 框架”里，而不是“搜索总结工具”。这个分类更接近它现在的形态：DeerFlow 想解决的不是让模型回答得更像报告，而是让 Agent 在较长时间里持续处理任务，并留下可以检查的执行过程。