Hotdry.
归档
ai-systems

DeerFlow 沙箱化超级代理：持久内存、工具链与子代理编排

基于 DeerFlow 开源框架，构建沙箱隔离的超级代理，支持持久内存、工具链调用与子代理委托，实现安全长时任务执行，提供工程化参数与部署清单。

在 AI 代理系统中，长运行任务（如从分钟到小时的复杂研究、代码生成或多媒体创作）面临安全隔离、状态持久化和任务分解三大挑战。DeerFlow 作为 ByteDance 开源的 SuperAgent harness，通过沙箱执行、持久内存和子代理编排，提供了一个生产级解决方案。它不是简单的工具调用，而是赋予代理 “自己的计算机”—— 隔离的 Docker 环境、文件系统和动态子代理协作，确保任务安全、可审计且高效。

沙箱隔离：安全执行长任务的基础

观点：传统代理工具调用易导致宿主机污染或资源泄露，而 DeerFlow 的沙箱模式（Local/Docker/Kubernetes）实现零污染执行，支持 bash、文件操作和自定义代码运行。

证据：每个任务在独立 Docker 容器中运行，挂载结构化文件系统：/mnt/user-data/uploads/ 用于输入文件，/mnt/workspace/ 为工作目录，/mnt/outputs/ 输出产物。代理可读写文件、执行命令，全程隔离，避免跨会话污染。“DeerFlow 提供隔离的 Docker 容器，支持文件系统读写和 bash 执行。”

落地参数：

  • sandbox.use: src.community.aio_sandbox:AioSandboxProvider（Docker 模式），或 docker（简单 Docker），Kubernetes 用 provisioner_url。
  • 资源限额：Docker Compose 中设置 cpus: 2.0，memory: 4G，防止 OOM；Kubernetes Pod requests: {cpu: 1, memory: 2Gi}。
  • 超时阈值：task_timeout: 3600s（1 小时），子任务 sub_timeout: 600s。
  • 挂载路径：确保 /mnt/skills/public/ 加载内置技能（如 research、slide-creation）。

部署清单：

  1. make docker-init 拉取 sandbox 镜像（基于 agent-infra/sandbox，集成 Browser/Shell/VSCode）。
  2. 编辑 config.yaml 指定 sandbox provider。
  3. make docker-start，访问 localhost:2026 测试沙箱 bash 命令如 ls /mnt/workspace/。

持久内存：跨会话状态管理

观点：长任务需记忆用户偏好和中间结果，DeerFlow 的长短期内存机制（本地存储）避免上下文窗口爆炸，支持个性化适应。

证据：短期内存通过 summarization 压缩子任务结果，卸载到 FS；长期内存持久化 profile、写作风格和技术栈，跨会话加载。“DeerFlow 构建持久内存，记录用户偏好和知识积累。”

落地参数：

  • memory.ttl: 7d（TTL 7 天），过期自动清理。
  • memory.max_entries: 100（最大条目），优先最近使用。
  • summarization_trigger: context_tokens > 80% 时自动总结。
  • profile_key: 用户 ID 绑定，如 user:alice，存储在本地 SQLite 或 Redis。

监控点：日志中追踪 memory_load_time < 2s，hit_rate > 70%；异常时回滚到无记忆模式。

子代理编排与工具链：复杂任务分解

观点：单代理难处理小时级任务，DeerFlow 主代理动态 spawn 子代理（parallel 执行），结合技能（MD 工作流）和工具链，实现委托与合成。

证据：主代理规划任务，spawn 子代理（scoped context，无主上下文干扰），子代理报告结构化结果，主代理合成输出。支持工具如 web_search、file_ops、bash，扩展 MCP 服务器。“复杂任务通过子代理并行分解，主代理合成结果。”

落地参数：

  • max_subagents: 10（最大子代理数），防止爆炸。
  • parallel_threshold: subtasks > 3 时并行。
  • tool_chain: 内置 web_fetch -> bash -> file_write，自定义技能 /mnt/skills/custom/my-skill/SKILL.md。
  • model_config： 
    models:
  - name: gpt-4o
    max_tokens: 128k
    temperature: 0.3  # 规划阶段低采样
    推荐长上下文模型（100k+ tokens）。

部署清单：

  1. 配置多模型支持，优先 reasoning 模型如 claude-3.5-sonnet。
  2. 加载技能：research/SKILL.md 用于分解，“生成幻灯片” 链式调用 image-gen。
  3. 测试长任务：输入 “构建数据仪表盘”，观察子代理 fan-out（research -> code -> deploy）。

监控、风险与回滚

风险 1：资源耗尽 —— 沙箱 CPU >90% 触发 kill，设置 Prometheus 监控 sandbox_cpu_usage。 风险 2：子代理死锁 ——heartbeat_interval: 30s，超时 kill 并重试。

回滚策略：

  • 降级到 local sandbox（无 Docker）。
  • 禁用 subagents，单代理模式 enable_subagents: false。
  • 日志审计：所有 bash/output 存 /mnt/outputs/logs/。

实际案例：小时级任务如 “从研究到网站生成”，DeerFlow spawn 5 子代理（search、code、design），内存保留风格，沙箱输出 ZIP 包。

此方案适用于生产环境，自托管零成本。通过参数调优，可扩展到日级任务。

资料来源： [1] https://github.com/bytedance/deer-flow [2] https://deerflow.tech/

（正文字数：约 1250 字）

查看归档