DeerFlow 是 ByteDance 开源的 SuperAgent 框架，专为处理长时跨分钟到小时的复杂任务而设计，如深度研究、代码生成与内容创作。其核心在于无缝集成沙箱（sandboxes）、记忆（memories）、工具 / 技能（tools/skills）与子代理（subagents），形成一个完整的 “代理主板” 系统。这种集成避免了传统代理的 token 爆炸与状态丢失问题，支持可靠的暂停恢复与并行执行。
沙箱：隔离执行环境的核心
沙箱是 DeerFlow 处理真实世界任务的基础，提供代理一个虚拟计算机，包括文件系统、shell 和代码执行能力。每个任务或子代理运行在独立沙箱中，确保隔离性与安全性。
证据与优势：DeerFlow 支持多种沙箱模式，包括本地执行、Docker 容器（推荐）和 Kubernetes pods，便于从开发到生产扩展。代理可在沙箱内读写文件、运行 Python 脚本或操作 artifact，而无需担心污染主机环境。
落地参数与配置：
- 模式选择：开发用
local，生产用docker。配置文件中设置sandbox.type: docker，并指定镜像sandbox.image: deerflow/sandbox:latest。 - 目录挂载：定义
/workspace/input（上传文件）、/workspace/output（结果导出）、/workspace/tmp（临时文件）。参数：sandbox.volumes: ["/host/input:/workspace/input"]。 - 资源限额：CPU 2 核、内存 4GB、超时 30min。监控点：沙箱 CPU 使用 >80% 时自动扩容或终止。
- 安全阈值：禁用 root 执行，网络仅限白名单工具（如 Tavily API）。回滚策略：异常时销毁沙箱，从 checkpoint 恢复。
通过这些参数，一个研究任务可在沙箱内爬取文档、分析 repo，并生成报告，而不中断主流程。
长时记忆：状态持久化与上下文工程
长时任务易因 token 限制造成遗忘，DeerFlow 使用 LangGraph checkpointing 结合本地持久化记忆，保存用户偏好、交互历史与知识积累。
证据与优势：记忆分为短期（当前任务上下文）和长期（跨会话），使用 MongoDB 或 Postgres 存储。完成步骤自动总结并 offload 到文件系统，保持活跃窗口精简。
落地参数与清单：
- 后端配置：
checkpointer.type: postgres，URLpostgresql://user:pass@host:5432/deerflow。间隔：每 5 步或 10min 保存一次。 - 总结阈值：上下文 >4k token 时触发总结，保留关键事实（<1k token）。参数：
memory.summary_threshold: 4000。 - 恢复机制：任务中断后，调用
resume_from_checkpoint(thread_id)，自动加载沙箱 artifact 与记忆。 - 监控清单：
指标 阈值 动作 Checkpoint 延迟 >2s 切换 DB 记忆增长率 >20%/h 清理旧总结 恢复成功率 <95% 告警
这些设置确保多小时任务如代码重构可安全暂停（如午休），次日无缝续传。
工具与技能：模块化能力加载
工具 / 技能是 DeerFlow 的 “插件系统”，支持 web 搜索、RAG、图像生成等，按需渐进加载，避免提示膨胀。
证据与优势：内置 Tavily/Brave 搜索、Jina 爬虫、RAGFlow 知识库，自定义 Python 工具无缝集成。MCP 接口允许外部 API 扩展。
落地清单：
- 核心工具集：
tools: [tavily_search, code_exec, rag_query]。技能定义为 Markdown：skill: web_research {prompt: "..." }。 - 加载策略：规划阶段评估任务，动态注入 3-5 个技能。参数：
skill_loader.max_skills: 5。 - 调用限额：单工具 10 次 / 任务，超时 60s。错误处理：fallback 到备选工具。
- 自定义示例：Python 工具
def analyze_repo(url): ...，注册register_tool("repo_analyzer")。
在长任务中，研究子代理用搜索工具，编码子代理用 code_exec，确保高效分工。
子代理群：并行编排与合成
DeerFlow 的子代理 “蜂群” 由 lead agent 协调：规划 → spawn → 并行执行 → 合成输出，利用沙箱与记忆共享 artifact。
证据与优势：支持并发，如一代理刮文档、一代理析 repo、一代理扫论坛，缩短壁钟时间。Lead agent 使用结构化输出合成最终结果。“DeerFlow 定位为代理运行时，提供沙箱执行与子代理引擎。”
落地参数：
- spawn 配置：
subagents: [{role: researcher, parallel: true}, {role: coder}]。最大 5 个。 - 通信机制：共享
/workspace/shared，记忆同步 via checkpoint。 - 终止条件：超时 2h 或 lead 判断完成。监控：并行度利用率 >70%。
- 回滚策略：子失败时，lead 重规划或降级单代理。
完整任务示例与最佳实践
以 “市场分析报告生成” 为例：
- Lead 规划：研究（搜索 + 爬虫）、分析（数据处理）、创作（报告 + 图表）。
- Spawn 3 子代理，并行 20min。
- 合成：1h 内输出 Markdown + PNG。
最佳实践：
- 预热记忆：首次任务注入用户风格。
- 渐进复杂：从小任务测试沙箱 / 工具。
- 生产部署：K8s + Prometheus 监控 checkpoint / 沙箱指标。
风险限：沙箱逃逸（用 seccomp）、记忆泄露（加密存储）。
资料来源：
（本文约 1200 字，提供可复制配置，支持立即落地。）