DeerFlow是一个社区驱动的深度研究框架，将语言模型与网络搜索、爬取及Python执行等工具相结合，同时回馈开源社区。
DeerFlow是一个开源的多智能体编排框架，旨在构建能够执行复杂任务的“超级智能体”。它将大型语言模型与网络搜索、代码执行等多种工具能力相结合，通过协调多个具备特定技能的“子智能体”来协同工作。该框架提供了沙箱环境、长期记忆和上下文工程等核心功能，使得智能体不仅能进行信息检索和深度研究，还能安全地执行Python代码等操作。其设计强调可扩展性，允许开发者灵活集成新工具或技能。适用于需要自动化处理研究分析、内容生成、数据整合等复杂流程的场景，帮助开发者和研究者高效构建功能强大的AI应用。
💡 应用场景
最适合需要AI自动完成网络搜索、数据爬取、代码执行等多步骤复杂研究任务的场景。
深度市场调研
问题：开发者需要快速获取竞品信息、市场趋势和技术方案，但手动搜索、整理和分析耗时耗力。
方案：使用DeerFlow的搜索、爬取和Python执行能力，让AI代理自动收集网络信息，执行数据分析脚本，生成结构化报告。
示例：调研某开源项目的技术架构、社区活跃度和竞品对比，AI自动搜索GitHub、技术博客，爬取相关数据，用Python分析后输出综合报告。
自动化数据收集
问题：开发者需要定期从多个网站收集数据，但网站结构各异，手动编写和维护爬虫脚本很繁琐。
方案：利用DeerFlow的智能爬取工具和Python执行环境，AI能理解网页结构并动态调整爬取策略，自动处理反爬机制。
示例：每周自动收集电商平台商品价格、库存信息，AI识别不同网站的页面布局变化，调整爬取逻辑，将数据存入数据库。
多步骤任务编排
问题：开发者需要协调多个AI子任务（如搜索、分析、代码执行）来完成复杂工作流，但手动串联容易出错。
方案：使用DeerFlow的超级代理框架，通过配置子代理、记忆和沙箱，自动编排任务流程，确保各步骤正确衔接。
示例：先搜索最新AI论文，再爬取相关代码仓库，接着用Python分析代码质量，最后生成技术评估文档，整个过程自动执行。
安全代码执行
问题：开发者需要让AI生成并执行代码来验证想法，但直接在主机上运行未知代码有安全风险。
方案：利用DeerFlow的Docker沙箱模式，将AI生成的代码在隔离容器中安全执行，避免污染主机环境。
示例：AI根据需求生成数据处理脚本，在Docker沙箱中运行该脚本处理敏感数据，完成后自动清理容器，确保安全。
📊 项目信息
- 语言
- Python
- Stars
- ⭐ 46,124
- Forks
- 5,456
- 今日新增
- +3,787
- 排名
- #2
- 收录
- 总榜
- 趋势日期
- 2026年3月25日
- 最后推送
- 2026/3/25
🏷️ 标签
📸 截图
