应用搭建上手难度 🔧 进阶#多智能体#工作流编排#声明式#字节跳动
DeerFlow · 字节跳动多智能体编排框架
声明式长时程多 Agent 协作：任务拆解→资源调度→结果收敛，全过程可回溯
指标同步中，请稍后刷新查看 在 GitHub 查看源码
5 分钟上手
无需 GPU：纯编排层，模型调用走外部 APIpip install deer-flow
# 一份 YAML 定义 Agent 流水线
cat > pipeline.yaml << 'EOF'
agents:
- role: researcher
tool: web_search
- role: analyst
tool: data_analysis
flow: researcher -> analyst
EOF
deer-flow run pipeline.yaml项目速览
DeerFlow 是字节跳动 2026 年开源的 Agent 编排框架（81k+ Star），定位是让多个 AI Agent 像流水线车间一样协同完成复杂长时程任务。它用声明式 DSL 定义「谁做什么、顺序如何、产出传谁」——不写代码、不画节点图，一份 YAML 就能描述跨 Agent 协作流。字节跳动的内部 AI 工作流跑了一年多才开源，可靠性经过大规模验证。
能做什么
- 声明式 DSL 定义多 Agent 协作管线，零代码编排
- 内置任务队列、资源调度、失败重试与熔断
- 全过程执行轨迹可回溯：每个 Agent 的输入/输出/耗时/决策
怎么部署
pip 安装，Python 3.10+ 环境。编排定义与 Dify / n8n 的图形化编排不同，DeerFlow 走代码声明路线，适合 Dev 团队。
适合谁
搭建需要多个 Agent 接力完成的任务管线（调研→分析→报告）的开发者，以及需要可观测、可回溯的 AI 工作流的团队。
✅ 优点
- •字节内部大规模验证的可靠性
- •声明式 DSL 零代码编排，可 git 管理
- •全过程可回溯，适合合规与审计场景
⚠️ 局限与坑
- •Python 技术栈限制非 Python 团队使用
- •声明式 DSL 在复杂条件分支时表达能力有限
- •社区主要在字节生态内，第三方集成偏少
💼 典型应用场景
- 1.「市场调研→数据分析→报告生成」Agent 流水线
- 2.客服场景多 Agent 接力（识别→检索→生成→质检）
- 3.批处理管线：数据清洗→模型推理→结果校验→入库
应用搭建· 同类项目推荐
返回全部开源项目指标每周自动更新，数据来自 GitHub API