我在 NAS 上部署一个“豆包”，极空间部署 Deerflow

字节跳动开源了一个很有意思的项目，叫 DeerFlow。

简单说，它是一个 Super Agent 平台 —— 你可以理解为"能帮你干任何事的 AI 助手框架"。

DeerFlow 能干什么

它和普通的 AI 聊天不一样。普通聊天是一问一答，DeerFlow 是你给它一个任务，它会自己拆解、规划、调用子 Agent、搜索资料、写代码、执行验证，最后把结果给你。

它现在更像是在你的 NAS 里装上了一个 Kimi/Gemini/GLM 的超级 Agent，可以使用各种深度研究、工作流将一件事情安排的实处、落地。

核心能力：

• Sub-Agents 子 Agent 调度 — 一个主 Agent 可以调度多个子 Agent 协同工作

• Skills & Tools 技能扩展 — 可配置的 MCP Server 和工具集，支持自定义扩展

• Sandbox 沙箱执行 — 在隔离的 Docker 容器里运行代码，安全可靠

• 长期记忆 — 记住之前的对话和上下文，跨 session 持续工作

• 多渠道接入 — 支持 Slack、飞书等 IM 渠道，不需要公网 IP

• Claude Code / Codex 集成 — 可以直接调用 Claude Code 或 Codex 作为底层编码引擎

推荐搭配的模型：豆包 Seed 2.0 Code、DeepSeek v3.2、Kimi 2.5。

如果你专注于进行一项深度任务，可以试一下 DeerFlow。

如果你只需要一个日常聊天、轻任务、多 agents 场景，那么不建议使用 DeerFlow。

一、极空间部署 DeerFlow

DeerFlow 这个项目目前还没有正式定版本号，在不断的开发中。

我以 4 月 7 日的 github 仓库状态为原型，创建了一系列的镜像。

夸盘 s/403363b66bda

然后将所有的 .env，docker-compose.yaml，config.yaml ，nginx/skill都放在了一起，直接网盘下载拷贝到极空间里。

新版本的 docker ，直接选择刚才的路径，然后分别导入项目下的 .env，docker-compose.yaml 直接部署。

老版本的 docekr，直接导入 docker-compose.yaml，然后使用查询路径功能，把相对路径全部改成绝对路径。

所有的 volumes 、 environment、env_file 里，把 ./XXX 都改成 复制路径/XXX。

主要是第 8、39-41、50-51、54、66-68、74-75、78 这几行。

二、配置 config

Config.yaml 的整个配置建议提前做，因为至少需要开启一个 Model 才能让容器正常运行。

🟧 接入 IM 渠道

DeerFlow 支持飞书，不需要公网 IP，配好对应的 API Key 就行。

# config.yaml

channels:

  feishu:

    enabled: true

    app_id: $FEISHU_APP_ID

    app_secret: $FEISHU_APP_SECRET

    domain: https://open.feishu.cn

🟧 Sandbox 沙箱模式

DeerFlow 支持三种沙箱执行方式：

sandbox:

  use: deerflow.community.aio_sandbox:AioSandboxProvider  # 推荐

  # use: deerflow.sandbox.local:LocalSandboxProvider     # 本地开发用

  # use: deerflow.sandbox.provisioner:...                 # K8s 生产用

  allow_host_bash: false  # 建议关闭，避免安全风险

• AIO Sandbox — 一体化 Docker 容器执行（推荐，最简单）

• Local Sandbox — 直接在宿主机跑代码（开发调试用）

• K8s Provisioner — 通过 Kubernetes Pod 执行（生产环境用）

🟧 Models 模型配置

支持 OpenAI、Anthropic、DeepSeek、MiniMax、通义千问等多种模型，可以同时配置多个：

models:

  # MiniMax（OpenAI 兼容）

  - name: minimax-m2.7

    display_name: MiniMax M2.7

    use: langchain_openai:ChatOpenAI

    model: MiniMax-M2.7

    api_key: $MINIMAX_API_KEY

    base_url: https://api.minimaxi.com/v1

    request_timeout: 600.0

    max_retries: 2

    max_tokens: 4096

    temperature: 1.0

    supports_vision: true

    supports_thinking: true

API Key 统一在项目根目录的 .env 文件中管理，config.yaml 中用 $变量名 引用即可。

🟧 Memory 长期记忆

自动开启，无需配置。

memory:

  enabled: true

  storage_path: memory.json

  debounce_seconds: 30

  max_facts: 100

  injection_enabled: true

  max_injection_tokens: 2000

🟧 Summarization 对话摘要

自动开启，无需配置。长对话自动压缩，避免超出 token 限制。

summarization:

  enabled: true

  model_name: null  # null = 使用默认模型

🟧 Checkpointer 状态持久化

支持 memory（内存）、sqlite（文件）、postgres（生产）三种模式。

checkpointer:

  type: sqlite

  connection_string: checkpoints.db

🟧 Sub-Agents 子 Agent 配置

subagents:

  timeout_seconds: 900

  agents:

    general-purpose:

      timeout_seconds: 1800

      max_turns: 160

    bash:

      timeout_seconds: 300

      max_turns: 80

.env 环境变量

所有 API Key 在 .env 中统一管理：

MINIMAX_API_KEY=your-minimax-key

MOONSHOT_API_KEY=your-moonshot-key

FEISHU_APP_ID=your-app-id

FEISHU_APP_SECRET=your-app-secret

# ... 其他 Key

三、个人体验

DeerFlow 我选择使用飞书来作为 IM 对话载体。

在对话体验上，它给我的感觉是相当惊艳的。

三个阶段：

1. Deer Flow OK，接收到聊天信息后就会发出 emoji。

2. 创建子话题，每一句话都会有一个子话题，在子话题内聊天。充分利用飞书特性，精简主会话。

3. Deer Flow Done，首条主会话任务完成后，会在主会话创建一个 done。后续不影响在子会话继续聊天。

在子会话中，DeerFlow 的飞书输出块很有意思，它是在一个块内不断清空内容，填充内容。

最终将一个连思考、连答案的长文再输出出来。

🔻Action 1

🔻Action 2

这个功能喜参半与，有些人喜欢，有些人不喜欢。

但是如果把 DeerFlow 作为一个深度研究工具来使用的话，我个人认为还是有必要的，可以看到 AI 思考过程，更能发现有问题的地方，支持随时调整。

DeerFlow 2.0 发布后直接冲上了 GitHub Trending 第一名。

用官方的话 —— Do Anything With DeerFlow。

包括作者曾也在小红书俏皮留言说， DeerFlow 是他见过最牛逼的项目~

言归正传，系统没有账号密码配置，直接打开就可以用。

所以建议是跑在 localhost 环境下的，然后通过 IM 渠道对接。

启动项目后，先点开左下角的设置页面。

这里可以配置记忆、工具、技能。

记忆分两部分，事实、摘要。

事实支持人工维护，即用户、或者环境的既定事实。

摘要则是 DeerFlow 根据对话自然学习而得的。

DeerFlow 内置了 20 个技能，主要围绕 PPT、音频图片生成、Github 搜索、页面设计、数据分析、编程等生产力技能，也是 DeerFlow 深入研究的核心依靠。

下面我们一起来看看 DeerFlow 的具体工作流程。

我让它结合目前市面上比较火爆的几个项目，比如 Openclaw、Hermes、DeerFlow ，进行一次深度对比。

可以看到左侧是主对话框，右侧是生成的文档。

点开对话框，类似我们常见的网页 agent 工作流赫然在目。

N 个步骤，每个步骤具体的执行指令。最终会汇聚成一份深入的调研结果，并反馈到页面或者 IM 渠道。

最后，在智能体里，我们可以根据一系列的对话，来创建一个更专业的智能体。它拥有独立的 SOUL.md 可以开展更多的服务。

总结

DeerFlow 2.0 把 "AI 助手" 这件事做到了一个新高度 —— 不是简单的对话，而是一个能自主规划、调用工具、执行代码、持续记忆的 Super Agent 框架。

如果你对 AI Agent 平台感兴趣，或者想体验一下"给 AI 一个任务它自己搞定"的感觉，DeerFlow 值得花半小时折腾一下。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～