DeerFlow 是字节跳动开源的深度研究框架，基于 LangGraph 1.0 构建，支持多智能体协作、代码执行、持久化记忆。40k+ GitHub Stars，OpenAI Deep Research 的开源替代方案，支持 Docker 沙箱隔离执行，适合需要深度研究能力的开发者和企业用户。
🎤 引言
OpenAI Deep Research 功能确实强大，但问题是——它是封闭的，得付费，而且数据在人家服务器上，你想自定义？想本地部署？想批量跑任务？门都没有。
那有没有一个开源的、可以本地部署的、功能类似的替代方案？
还真有。字节跳动开源的 DeerFlow（Deep Exploration and Efficient Research Flow）就是这么一个项目，在 GitHub 上已经狂拦 40k+ Stars，被称为"OpenAI Deep Research 开源替代方案"。今天就来看看这玩意儿到底有多强。
⭐ 核心功能
DeerFlow 是一个基于 LangGraph 1.0 构建的多代理协同深度研究框架，核心功能包括：
1. 多智能体协作
DeerFlow 采用主代理 + 多个子代理的架构。用户输入一个复杂任务，主代理会自动拆解成多个子任务，分配给不同的子代理并行执行。
比如说，你想研究"AI Agent 的发展趋势"，DeerFlow 会自动拆解：
- 子代理 A 负责搜索最新论文
- 子代理 B 负责分析技术架构
- 子代理 C 负责生成报告
三个代理同时工作，最后结果自动汇总，效率比单一代理快 3-5 倍。
2. Docker 沙箱代码执行
这是 DeerFlow 区别于其他类似框架的关键功能。每个子代理都在独立的 Docker 沙箱中运行，可以：
- 读写文件
- 执行 Bash 命令
- 运行 Python 代码
- 生成 Artifact（可视化输出）
安全隔离，任务之间互不影响。
3. 持久化记忆
DeerFlow 内置持久化记忆系统，代理在执行任务过程中收集的信息会存储下来，下次执行类似任务时可以复用。比如你让它研究过 "大语言模型的安全性问题"，下次再问相关话题，它会结合之前的记忆给出更连贯的答案。
4. Markdown 技能扩展
DeerFlow 支持通过 Markdown 文件扩展功能：
- 公共技能目录
/mnt/skills/public/存放内置技能 - 自定义技能目录
/mnt/skills/custom/存放你自己的技能
你可以自己编写技能文件，让 DeerFlow 调用特定工具或执行特定工作流。
5. 支持多种输出格式
不只是生成文字报告，DeerFlow 还能生成 PPT、代码、视频等多种形式的输出。比如让它分析一篇小说并生成场景视频，它会调用视频生成模型，输出配好画面和配音的视频内容。
📥 安装与使用
环境要求：
- Python 3.10+
- Docker（用于沙箱执行）
- 16GB+ 内存（推荐）
快速部署（3 分钟）：
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
docker-compose up -d部署完成后访问 http://localhost:8080 即可看到 Web UI。
开发模式部署：
cd deer-flow
docker-compose -f docker-compose-dev.yaml up -d使用流程：
- 打开 Web UI，输入你的研究主题
- 系统自动拆解任务，启动多个子代理
- 每个子代理在独立沙箱中执行任务
- 主代理汇总结果，生成最终报告
✅ 总结
DeerFlow 是目前最接近 OpenAI Deep Research 的开源替代方案，40k+ Stars 的热度说明社区对这类工具的需求非常强烈。
优点：
- 开源免费，可本地部署，数据完全自主
- 多代理并行执行，效率高
- Docker 沙箱隔离，安全可靠
- 支持代码执行和多种输出格式
- 技能系统可扩展
局限：
- 需要一定的技术背景才能部署
- 内存占用较高
- 界面相对简单，不如商业产品美观
适合人群：
- 需要深度研究能力的开发者
- 对数据安全有要求的企业（可私有化部署）
- 想自定义研究流程的高级用户
- 替代 OpenAI Deep Research 的开源爱好者
如果你一直在找 OpenAI Deep Research 的替代方案，DeerFlow 值得一试。40k+ Stars 的项目，背后是有真东西的。