[Open Source] DeerFlow 2.0 即將來襲，Docker 部署，Agent 助手倒數計時！

探索 DeerFlow 2.0：打造你的超級 Agent (初學者友善指南)

嘿，台灣的朋友們！ 最近 AI 領域真是熱鬧滾滾，各種新工具、框架不斷湧現。今天要來介紹一個超級酷的項目： DeerFlow 2.0。 簡單來說，它就像一個能讓你打造自己的超級 AI 助理的工具箱，而且功能強大，彈性十足。 就算你沒有寫程式的經驗，也能透過這篇文章了解 DeerFlow 的核心概念，並開始探索它的潛力！

網址： deerflow.tech

什麼是 DeerFlow？ (別被名詞嚇到，其實很簡單！)

DeerFlow (全名是 Deep Exploration and Efficient Research Flow，意思是：深度探索與高效研究流程) 是一個 開源 的 超級 Agent (代理人) 框架。 簡單來說，你可以把它想像成一個「AI 助理的工具箱」，它可以：

• 幫你處理各種任務： 從研究、寫報告、產生簡報、製作網頁，到生成圖片和影片，DeerFlow 都可以幫你完成。
• 靈活度超高：你可以自由地擴展它的功能，添加自己的技能，甚至修改現有的功能。
• 背後有強大的 LLM 支援： DeerFlow 建立在 LangChain 和 LangGraph 的基礎上，LangChain 是一個非常流行的用於開發 AI 應用程式的框架，而 LangGraph 則專門用於構建 AI 代理程式。
• 沙盒機制： 每個任務都會在獨立的環境 (Docker 容器) 中運行，確保安全且互不干擾。

DeerFlow 的目標是讓你在 AI 世界中更有效率地完成工作，它就像一個有著各種技能的超級助理，可以幫你處理各種繁瑣的任務。

DeerFlow 2.0 與其他框架的不同？ (為什麼它值得一試？)

DeerFlow 2.0 與之前的版本 (1.x) 完全不同，它是一個從零開始重寫的框架。 最大的區別在於：

• 不再是框架，而是 Agent Harness (工具框架)： 舊版的 DeerFlow 更像是一個框架，需要你把各種功能組件拼湊在一起。 而 2.0 版本已經內建了許多實用的功能，開箱即用。
• 內建功能齊全： 包含了文件系統、記憶體、技能、沙盒執行環境，以及規劃和調用子 Agent 來完成複雜任務的能力。
• 更容易上手： 因為內建了許多功能，所以你不需要從頭開始構建一切，可以更專注於你的任務。

簡而言之，DeerFlow 2.0 就像一個已經組裝好的超級 AI 助理，你只需要根據自己的需求進行調整和擴展。

快速開始：初學者入門指南

雖然 DeerFlow 功能強大，但它的上手難度其實並不高。 下面我將一步一步教你如何開始使用，即使你沒有寫程式的經驗，也能輕鬆上手！

1. 準備工作：安裝必要的工具

首先，你需要安裝一些必要的工具。 幸運的是，DeerFlow 支援 Docker，這使得安裝過程變得非常簡單，避免了環境配置的麻煩。

• Docker： Docker 是一個容器化平台，可以讓你輕鬆地打包、部署和運行你的應用程式。 如果你還沒安裝 Docker，請到 Docker 官網下載並安裝： https://www.docker.com/
• Git： Git 是一個版本控制系統，用於下載 DeerFlow 的程式碼。 如果你還沒安裝 Git，可以到 Git 官網下載並安裝： https://git-scm.com/
• 你的 OpenAI API Key (或其他 LLM 的 API Key)： DeerFlow 需要使用 OpenAI 或其他 LLM (例如 Anthropic) 的 API 來生成文字。 如果你還沒有 API Key，你需要先到 OpenAI 或其他 LLM 的網站申請。

2. 下載 DeerFlow 程式碼

在你的電腦上打開終端機 (Terminal) 或命令提示字元 (Command Prompt)，輸入以下指令來下載 DeerFlow 的程式碼：

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

• git clone 指令會從 GitHub 上下載 DeerFlow 的程式碼。
• cd deer-flow 指令會進入 DeerFlow 的程式碼目錄。

3. 建立設定檔

接下來，你需要建立一個設定檔，告訴 DeerFlow 你要使用哪些 LLM。 在程式碼目錄中，輸入以下指令：

make config

這個指令會根據範例範本建立本地的設定檔。

4. 設定你的 LLM (很重要！)

打開 config.yaml 檔案，你會看到一些預設的設定。 你需要編輯這個檔案，設定你要使用的 LLM。 範例如下：

models:
  - name: gpt-4                       # 內部識別碼
    display_name: GPT-4               # 容易閱讀的名字
    use: langchain_openai:ChatOpenAI  # LangChain 的類別路徑
    model: gpt-4                      # API 用的模型識別碼
    api_key: $OPENAI_API_KEY          # API 金鑰 (建議使用環境變數)
    max_tokens: 4096                  # 每次請求的最大 token 數
    temperature: 0.7                  # 抽樣溫度

• name: 給你的 LLM 取一個名字，方便你之後使用。
• display_name: 容易閱讀的名字，可以更清楚的知道是哪一個模型。
• use: 設定要使用的 LangChain 模型。
• model: 這是 OpenAI (或其他 LLM 提供商) 的模型名稱，例如 “gpt-4” 或 “gpt-3.5-turbo”。
• api_key: 你的 API 金鑰。 請注意，不要直接把 API 金鑰寫在 config.yaml 檔案中，這樣不安全！ 建議使用環境變數。
• max_tokens: 每次請求的最大 token 數，這會影響你的花費。
• temperature: 控制 LLM 生成文字的隨機性。 數值越高，生成結果越隨機，數值越低，生成結果越穩定。

5. 設定 API 金鑰 (安全第一！)

有三種設定 API 金鑰的方法，強烈建議使用方法 A，也就是設定環境變數：

• A. (推薦) 設定 .env 檔案： 在程式碼根目錄下建立一個 .env 檔案，然後輸入你的 API 金鑰：

  TAVILY_API_KEY=your-tavily-api-key
  OPENAI_API_KEY=your-openai-api-key
  # 根據你的需求，加入其他供應商的 API 金鑰
  

  這樣可以讓你的 API 金鑰更安全，也更容易管理。

• B. 在終端機中設定環境變數： 在終端機中輸入以下指令 (每次打開終端機都要重新設定)：

  export OPENAI_API_KEY=your-openai-api-key
  

• C. 直接在 config.yaml 檔案中設定 (不推薦)： 直接在 config.yaml 檔案的 api_key 欄位中輸入你的 API 金鑰。 不建議這麼做，因為這會讓你的 API 金鑰容易洩漏。

6. 運行 DeerFlow (Docker 方式，最簡單!)

現在，你已經完成了所有的設定，可以開始運行 DeerFlow 了！ 建議使用 Docker 方式，這樣可以確保你在一個乾淨、一致的環境中運行。 在終端機中輸入以下指令：

make docker-init    # (只需要執行一次，用來下載 sandbox 映像檔)
make docker-start   # 啟動服務

• make docker-init 指令會下載必要的 Docker 映像檔，只需要執行一次。
• make docker-start 指令會啟動 DeerFlow 的所有服務。

7. 存取 DeerFlow

在你的瀏覽器中打開 `http://localhost:2026`，你就可以看到 DeerFlow 的介面了！ 你可以開始測試你的 AI 助理，讓它幫你處理各種任務了！

DeerFlow 的核心功能 (讓你更了解它的能力！)

DeerFlow 的核心功能非常強大，讓你更容易構建 AI 應用程式：

• Skills & Tools (技能與工具)：
  • 技能 (Skills) 是 DeerFlow 的核心，它們定義了如何完成特定的任務。 就像是 AI 助理的專業技能，例如研究、寫報告、製作簡報等。 DeerFlow 內建了許多技能，你也可以自己添加或修改。
  • 工具 (Tools) 像是 AI 助理的工具箱， DeerFlow 提供了像是網路搜尋、檔案操作、Bash 執行等等的工具。 你也可以使用 MCP Server 或是 Python Function 來客製化工具。
• Sub-Agents (子 Agent)： 複雜的任務通常需要分解成多個步驟。 DeerFlow 允許你創建子 Agent，每個 Agent 都有自己的上下文、工具和終止條件。 這些子 Agent 可以並行運行，並將結果匯總到主 Agent 中。
• Sandbox & File System (沙盒與檔案系統)： 每個任務都在一個獨立的 Docker 容器中運行，擁有自己的檔案系統。 Agent 可以讀寫文件，執行 Bash 命令，查看圖像等，確保安全性和隔離性。 就像 AI 助理的工作室，在裡面可以安全地處理各種文件。
• Context Engineering (上下文工程)：
  • 隔離的子 Agent 上下文：每個子 Agent 在自己的獨立上下文中運行，互不干擾。 這樣可以確保子 Agent 專注於手頭的任務。
  • 摘要 (Summarization)：DeerFlow 會積極管理上下文，總結已完成的子任務，將中間結果卸載到檔案系統，壓縮不再相關的內容。 這樣可以在長時間、多步驟的任務中保持清晰。
• Long-Term Memory (長期記憶)： DeerFlow 可以跨會話建立你的個人資料、偏好和累積知識的持久記憶。 就像 AI 助理的筆記本，隨著你使用它，它會越來越了解你，你的寫作風格、你的技術堆棧、你的重複工作流程。 記憶體儲存在本地，由你控制。

實際應用場景：DeerFlow 能做什麼？ (發揮你的想像力！)

DeerFlow 可以應用於各種不同的場景：

• 研究助理： 從網路搜尋、收集資料、分析文獻，到撰寫報告，DeerFlow 都能幫你完成。
• 內容生成： 產生部落格文章、社群媒體貼文、行銷文案等。
• 簡報製作： 根據你的需求，自動生成簡報，包括文字、圖片和影片。
• 自動化工作流程： 將多個步驟組合起來，自動化完成複雜的任務。
• 開發輔助： 幫助你撰寫程式碼、除錯，甚至生成文件。

關於模型的選擇 (怎麼選適合你的模型？)

DeerFlow 與模型無關，它可以使用任何實現 OpenAI 相容 API 的 LLM。 但是，為了獲得最佳效果，建議使用支援以下功能的模型：

• 長上下文視窗 (100k+ tokens)：適用於深度研究和多步驟任務。
• 推理能力：適用於自適應規劃和複雜分解。
• 多模態輸入：適用於圖像理解和影片理解。
• 強大的工具使用：適用於可靠的函數調用和結構化輸出。

內嵌 Python Client (如果你是 Python 開發者)

DeerFlow 也提供內嵌 Python 程式庫，可以直接在 Python 程式碼中使用，而無需運行完整的 HTTP 服務。 透過 DeerFlowClient，你可以直接訪問所有 Agent 和 Gateway 功能，並獲得與 HTTP Gateway API 相同的回應格式：

from src.client import DeerFlowClient

client = DeerFlowClient()

# Chat
response = client.chat("Analyze this paper for me", thread_id="my-thread")

# Streaming (LangGraph SSE protocol: values, messages-tuple, end)
for event in client.stream("hello"):
    if event.type == "messages-tuple" and event.data.get("type") == "ai":
        print(event.data["content"])

# Configuration & management — returns Gateway-aligned dicts
models = client.list_models()        # {"models": [...]}
skills = client.list_skills()        # {"skills": [...]}
client.update_skill("web-search", enabled=True)
client.upload_files("thread-1", ["./report.pdf"])  # {"success": True, "files": [...]}

更多資源 (讓你深入探索)

• 官方網站： deerflow.tech
• GitHub 倉庫： https://github.com/bytedance/deer-flow
• Contributing Guide (貢獻指南)： 包含了開發環境設定和工作流程。
• Configuration Guide (設定指南)： 包含了設定和配置說明。
• Architecture Overview (架構概述)： 提供了技術架構的詳細資訊。
• Backend Architecture (後端架構)： 包含了後端架構和 API 參考。

總結：踏出你的 AI 助理開發第一步！

DeerFlow 2.0 是一個非常棒的工具，它提供了一個完整的環境，讓你無需從頭開始就能構建自己的超級 AI 助理。 透過這篇文章，你已經了解了 DeerFlow 的核心概念，以及如何開始使用它。 現在，就開始探索 DeerFlow，發揮你的想像力，打造你自己的 AI 助理吧！

參考閱讀

https://github.com/bytedance/deer-flow