DeerFlow 长期记忆:用户画像与跨会话注入

昨天说了「前端、TypeScript、报告用中文」,今天再要一份技术报告时,没有记忆的 agent 会把语言和篇幅再问一遍。DeerFlow 的 Memory 在回合结束后异步提炼事实,写入 memory.json,下次开聊注入模型可见、界面默认不可见的提醒,让连续使用时少重复交代背景。

Read more

DeerFlow Sandbox:隔离执行与虚拟路径

agent 要读 CSV、写脚本、再 python stats.py。若命令直接落在宿主机,脚本 bug 或恶意代码会伤到真实系统;多用户共享同一环境还会串文件。DeerFlow 给每个 thread 一块隔离工作区:Sandbox。agent 在里面折腾,宿主机与其他用户数据尽量不受影响。

Read more

DeerFlow 工具系统:装配、调用与延迟加载

Skill 可以说「用 web_search 再 write_file」,没有工具的话这些词只是空话。用户让 agent「搜今天 AI 新闻并存成 Markdown」时,真正发生的是:调搜索后端、在沙箱写文件、再用 present_files 交给前端。Tools 是 agent 对外交互的通道,在 config.yaml 声明,按场景装配。

Read more

DeerFlow Skills:SKILL.md 与渐进式加载

让 agent 写「带引用的行业对比报告」时,若没有固定流程,常见结果是随便搜几条、不落盘、格式散。Skills 把可复用步骤写成 Markdown 操作手册:系统提示词里先放技能目录,agent 需要时再读全文,按手册一步步做,报告结构更稳。

Read more

DeerFlow 子代理编排:task 工具与并行任务分解

用户要调研 Cursor、Windsurf、Cline 三款工具并各写约五百字分析时,单个 Lead Agent 只能串行:搜完 A 再写,再搜 B。总耗时接近单任务的三倍,搜索过程里的噪声还会堆进主上下文,后面的判断越来越糊。DeerFlow 用 Sub-Agents 把这件事拆开:主智能体当项目经理,多个子代理各自开工,最后只交回结构化结果。

Read more

DeerFlow IM Channels:从飞书 Slack Telegram 接入 Agent

网页 Gateway 解决了浏览器侧的登录与 API。实际办公里更常见的入口是飞书、Slack、Telegram、钉钉:在聊天窗口 @ 机器人一句,就把任务丢给 agent。各平台消息格式、认证方式和限流策略都不一样,按平台各写一套调度逻辑会迅速失控。DeerFlow 的 IM Channels 把外部消息翻译成统一入站结构,经 MessageBus 交给 agent,再把回复翻译回原平台。渠道只负责收发,调度与线程映射集中在 Manager;新增一个平台,主要是实现一个 Channel 子类,不必复制半套运行时。

Read more

DeerFlow Gateway 与鉴权:HTTP API 与用户隔离

网页里输入「查今天天气」并发送,浏览器实际打的是类似 POST /api/threads/{id}/runs/stream 的请求。服务器必须确认调用者身份、是否有权访问该 thread、是否伪造跨站请求,还要把流量路由到正确 handler。这些逻辑若复制到每个接口,既难维护也容易漏洞。DeerFlow 用 FastAPI 构建 Gateway,把路由分发、身份认证、权限校验、用户隔离和 CSRF 防护收成统一入口;进门之后才轮到 Runtime 起 run、SSE 推流。多用户并存时,「张三看不到李四的对话」也靠这一层兜住。

Read more

DeerFlow Runtime:流式桥接、事件总线与状态持久化

Lead Agent 和中间件在执行时,会持续产生消息增量、工具调用和状态变更。前端需要打字机式输出和「正在搜索」一类中间态;关掉页面再回来,对话还要在;服务器重启后也不能整段失忆;调试和审计还要留住中间事件。这些若写进 agent 本体,会把业务逻辑淹没。DeerFlow 单独抽出 Runtime,把实时推送、状态持久化、事件存档做成管道层:Agent 只负责产生内容,管道负责播出去和记下来。

Read more

DeerFlow Lead Agent 与 Middleware 链:决策与横切关注点分离

Harness 提供骨架之后,接用户请求的是 Lead Agent。用户说「查 2026 年最火的 AI 编程工具,写对比报告」时,系统要做的事远不止调一次模型:注入当前日期和用户记忆、解析上传文件、准备沙箱写盘、压缩超长历史、管理计划模式下的 TodoList、自动生成标题、写回长期记忆、限制子代理并发、检测工具死循环、信息不够时停下来澄清……如果全部塞进一个大函数,横切逻辑会淹没「下一步做什么」的决策,也很难单独替换某一环。DeerFlow 的拆法是:Lead Agent 负责思考与调度,杂活拆成中间件流水线,按固定顺序处理每一次对话。

Read more

DeerFlow 的 Super Agent Harness:给 Agent 用的运行时骨架

普通聊天机器人接到「调研 2026 年 AI Agent 进展,写报告再做成 PPT」这类需求时,常见表现是一口气猜答案、没有地方落文件和跑代码、聊完上下文就丢。能真正把任务做完的 agent,至少需要跨会话记忆、可调用工具、隔离执行环境、可复用技能流程,以及把大任务拆给子代理并行推进的能力。这些基建如果每个项目从零搭,成本太高,也难保证边界一致。DeerFlow 2.0 把它们收成一套可声明、可拆组的运行时基础设施,项目定位里叫 Super Agent Harness。后面 Lead Agent、Runtime、Gateway 等模块怎么拆,都挂在这副骨架上。

Read more