暴涨47.3k Stars！字节开源Harness项目DeerFlow 2.0，让智能体几乎能完成任何复杂任务
回顾过去三年，AI 工程的焦点经历了两次剧烈跃迁：
2023-2024年，我们痴迷于提示工程（Prompt Engineering），绞尽脑汁教人类怎么跟AI说话；
2025年，重心转向上下文工程（Context Engineering），我们开始精算给AI看什么信息；
而站在2026年的今天，当大模型的能力趋于同质化，真正决定智能体能否落地、能否稳定干重活，不再是模型本身，而是Harness。
Harness直译就是马具，而 AI Agent 就是那匹强壮却野性难驯的骏马。Harness 不提供动力，却能牢牢牵住方向、稳住步伐，让这匹烈马既能全力奔驰，又始终走在正确的路上。
前Hugging Face 工程师Philipp Schmid 在博客《The importance of Agent Harness in 2026》中给出定义：Agent Harness 是包裹在 AI 模型周围的基础设施，专门用于管理长期任务。它并不是 Agent 本身，而是位于 Agent Framework 之上的更高层架构。它提供了预设 Prompt、工具调用的标准化处理、生命周期钩子，以及开箱即用的能力，例如规划、文件系统访问、子智能体管理等。
为此，今天要给大家介绍一个字节跳动的开源项目DeerFlow 2.0，将第一代的Deep Research直接升级成Super Agent Harness。通过将 sub-agents、memory 和 sandbox 有机组织在一起，再配合可扩展的 skills，让 Agent 几乎能完成任何复杂任务。该项目刚发布时便登顶 GitHub Trending 第一，目前 Stars 已突破 47.3k。
项目链接：
https://github.com/bytedance/deer-flow/tree/main
01
项目介绍
DeerFlow的全称是Deep Exploration and Efficient Research Flow，最初只是一个Deep Research框架。但在实际使用过程中，社区逐渐将它拓展到了更多场景——从数据流水线搭建、PPT 生成，到 dashboard 构建与内容自动化生产，玩法不断延展。
于是字节团队干脆从头重构，推出了DeerFlow 2.0。
DeerFlow 2.0是一个开箱即用、具备高度扩展能力的super agent harness。它基于 LangGraph 和 LangChain 构建，借助沙盒环境、长期记忆、工具集、技能模块、子智能体以及消息网关，它可以处理从几分钟到几小时的不同复杂度任务。
DeerFlow 2.0的核心能力主要可以拆成以下几个部分：
(1)Skills 与 Tools
DeerFlow 内置研究、报告生成、幻灯片制作、网页生成、图文视频创作等skills。可以一键添加、替换、组合skills，还支持按需渐进加载，不浪费token。Tools同样可插拔，网页搜索、抓取、文件操作、Bash执行一应俱全，还能通过MCP Server或Python函数无限扩展。
(2)Sub-Agents（子智能体）
复杂任务DeerFlow会进行自动拆解，主智能体可以按需动态拉起子智能体，每个子智能体拥有独立上下文、工具和终止条件，可并行执行，最后由主智能体汇总结果。这也是 DeerFlow 能处理从几分钟到几小时任务的原因。
（3）Sandbox 与文件系统——给Agent一台“电脑”
每个任务都在隔离的Docker容器里运行，拥有完整的文件系统，包括 skills、workspace、uploads、outputs。agent 可以读写和编辑文件，可以执行 bash 命令和代码，也可以查看图片。整个过程都在 sandbox 内完成，可审计、会隔离，不同 session 之间不会互相污染。
（4）Context Engineering
**子智能体的上下文完全隔离，避免干扰。并且DeerFlow 能够自动总结、压缩、持久化中间结果，超长任务不爆上下文，**稳定跑完复杂流程。
（5）长期记忆
DeerFlow能够跨会话积累个人偏好、写作风格、技术栈，memory 保存在本地，控制权也始终在用户手里。
此外，它还支持Claude Code直接交互、内嵌Python Client、多模型兼容，并集成了智能搜索抓取工具InfoQuest。
02
使用方法
（1）克隆 DeerFlow 仓库
git clone https://github.com/bytedance/deer-flow.git cd deer-flow(2) 生成本地配置文件
在项目根目录（deer-flow/）执行：
make config这个命令会基于示例模板生成本地配置文件。
（3）配置要使用的模型
编辑config.yaml，至少定义一个模型：
models: - name: gpt-4 # 内部标识 display_name: GPT-4 # 展示名称 use: langchain_openai:ChatOpenAI # LangChain 类路径 model: gpt-4 # API 使用的模型标识 api_key: $OPENAI_API_KEY # API key（推荐使用环境变量） max_tokens: 4096 # 单次请求最大 tokens temperature: 0.7 # 采样温度 - name: openrouter-gemini-2.5-flash display_name: Gemini 2.5 Flash (OpenRouter) use: langchain_openai:ChatOpenAI model: google/gemini-2.5-flash-preview api_key: $OPENAI_API_KEY # 这里 OpenRouter 依然沿用 OpenAI 兼容字段名 base_url: https://openrouter.ai/api/v1（4）为已配置的模型设置 API key
编辑项目根目录下的.env文件。
TAVILY_API_KEY=your-tavily-api-key OPENAI_API_KEY=your-openai-api-key # 如果配置使用的是 langchain_openai:ChatOpenAI + base_url，OpenRouter 也会读取 OPENAI_API_KEY # 其他 provider 的 key 按需补充 INFOQUEST_API_KEY=your-infoquest-api-key（5）运行应用
推荐使用Docker。
- 开发模式（支持热更新，挂载源码）：
make docker-init # 拉取 sandbox 镜像（首次运行或镜像更新时执行） make docker-start # 启动服务（会根据 config.yaml 自动判断 sandbox 模式）- 生产模式（本地构建镜像，并挂载运行期配置与数据）：
make up # 构建镜像并启动全部生产服务 make down # 停止并移除容器访问地址：http://localhost:2026
（6）Claude Code 集成
借助claude-to-deerflow技能，可以直接在Claude Code里和正在运行的 DeerFlow实例交互。不用离开终端，就能下发研究任务、查看状态、管理 threads。
安装这个 skill：
npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow然后确认DeerFlow已经启动，在 Claude Code 里使用/claude-to-deerflow命令即可。
完整步骤请参考：
https://github.com/bytedance/deer-flow/blob/main/README_zh.md#%E5%BF%AB%E9%80%9F%E5%BC%80%E5%A7%8B
03
Harness 崛起：
AI 从“能聊”走向“能干”
过去的竞争，比的是谁的模型参数更多、谁的单点能力更惊艳。
而未来的分水岭，很可能取决于谁能打造出更成熟、更强大的Harness 体系——谁能让 AI Agent 在真实业务场景中稳定、可靠地连续运行；谁能在隔离与开放、灵活与安全之间，找到工程上的最优平衡。
从提示工程到上下文工程，再到如今的 Harness，这条演进路径的本质是从“教模型如何理解人类”迈向“为模型构建一个可执行、可信赖、可长期运转的数字世界”。
当越来越多像 DeerFlow 2.0 这样的 Super Agent Harness 走向普及，AI 将真正进化为能理解、会规划、可执行、敢交付、长期负责的成熟生产力形态。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～