CopoHub Trending

bytedance/deer-flow

An open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.

Python · ★ 82,022 · Fork 11,304 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

bytedance/deer-flow 已在 GitHub Trending 每日榜单上榜 24 天,最高排名第 2,首次上榜 2026-02-25,最近一次上榜 2026-09-08。

日期排名Star当日增长
2026-09-08#1082,022+195
2026-09-07#1081,805+188
2026-08-02#1578,874+209
2026-08-01#1578,681+204
2026-06-24#574,249+739
2026-06-23#573,859+741
2026-06-22#773,182+736
2026-06-21#872,514+415
2026-05-07#1465,791+337
2026-05-06#1465,498+350
2026-03-27#549,505+2,394
2026-03-26#548,182+2,388
2026-03-25#246,018+3,787
2026-03-24#242,981+4,319
2026-03-23#239,032+3,569
2026-03-22#1435,067+1,508
2026-03-11#1229,021+1,413
2026-03-10#1228,465+1,443
2026-03-02#523,311+355
2026-03-01#522,916+352
2026-02-28#722,567+891
2026-02-27#221,786+692
2026-02-26#421,048+622
2026-02-25#720,411+55

同期上榜的项目

bytedance/deer-flow 项目深度剖析与商业评估报告

bytedance/deer-flow 项目深度剖析与商业评估报告

1. 核心定位与商业落地价值

DeerFlow 的定位已从早期的 Deep Research 框架演进为 "Super Agent Harness"(超级智能体编排框架),其核心差异化在于:它不仅仅是 LLM 调用的编排层,而是将 子智能体(Sub-Agents)、长期记忆(Memory)、沙箱执行(Sandbox)、技能扩展(Skills) 四大支柱深度整合为一个开箱即用的生产级运行时。

解决的根本痛点: 当前企业落地 Agent 的最大障碍并非单次推理质量,而是 长时任务(Long-Horizon Tasks) 的可靠性——任务需跨分钟至小时级执行,涉及多步骤规划、工具调用、上下文管理与失败恢复。DeerFlow 基于 LangGraph 的持久化检查点(Checkpointer)机制,提供了对长时间运行工作流的原生容错与状态恢复能力,这是绝大多数自研 Agent 框架难以企及的技术深度。

商业落地场景与护城河:

企业知识运营自动化:从深度研报到数据管道构建、幻灯片生成、仪表盘搭建,其内置 Skills 已覆盖高频办公场景。其 Skill 采用 Markdown 定义的结构化能力模块,业务团队可低成本沉淀领域知识为可复用资产,形成企业内部的知识复利。 IM 渠道的"最后一公里"打通:对 Telegram、Slack、飞书、钉钉、企业微信等主流 IM 的全覆盖(且无需公网 IP 的 WebSocket/长轮询模式),使其成为将 Agent 能力嵌入现有企业协作流的绝佳载体,大幅降低终端用户的使用门槛。 字节跳动的生态杠杆:深度集成火山引擎的豆包模型与 InfoQuest 搜索工具集,在中文企业市场拥有天然的本土化优势与算力资源背书。背靠 ByteDance 的开源治理投入,其长期维护性与 Roadmap 确定性远强于个人开发者项目。

竞品护城河: 相较于 LangChain 的裸框架、Dify 的低代码平台,DeerFlow 占据了 "高可控性 + 高封装度" 的中间地带。它提供了类似 Dify 的易用性(一键启动),但保留了类似 LangChain 的底层 Graph 可编程性,且其 config.yaml 驱动的声明式配置在模型路由(如 vLLM 推理参数透传)上展现了对中国开源模型生态(Qwen、DeepSeek)的深度适配。

2. 核心架构设计与技术深度

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/bytedance/deer-flow.svg)](https://github.fq6825.top/repo/bytedance/deer-flow)