DeerFlow 低价 API 接入：自托管 AI Agent 最佳实践

DeerFlow 是一个强大的开源超级 Agent 框架，它基于 LangGraph 和 LangChain 构建，能够帮助你创建功能完备的 AI 助手。与普通的聊天机器人不同，DeerFlow 拥有自己的文件系统、沙箱执行环境和长期记忆能力，可以真正帮你完成复杂的多步骤任务。

简介

DeerFlow (Deep Exploration and Efficient Research Flow) 是由字节跳动开源的 AI Agent 框架。2026 年 2 月 28 日，DeerFlow 2.0 一经发布便登顶 GitHub Trending，展现了其强大的社区吸引力。

这个框架的核心特点在于它的可扩展性和完整性。它不仅仅是一个聊天界面，而是一个完整的 AI 工作站：

Skills 系统：内置研究、报告生成、幻灯片创建、网页生成、图像和视频生成等多种技能
Sub-Agents：主 Agent 可以动态生成子代理，并行处理复杂任务
Sandbox：每个任务在隔离的 Docker 容器中运行，安全可控
Memory：跨会话的长期记忆，记住你的偏好和工作习惯
Tools：Web 搜索、文件操作、Bash 执行等完整工具集

DeerFlow 兼容任何实现 OpenAI 协议的 LLM provider，让你可以灵活选择性价比最高的模型服务。

方法一：使用 Defapi（推荐）

Defapi 是一个新兴的 LLM API 聚合平台，其最大优势是价格仅为官方的半价。对于需要频繁使用 AI 的开发者来说，这能显著降低成本。

为什么选择 Defapi？

价格优势：同样的模型，价格只有官方的一半
兼容性强：完全兼容 OpenAI API 协议，无需修改代码
多模型支持：支持 GPT、Claude、Gemini 等多种主流模型
稳定可靠：企业级服务保障

配置步骤

第一步：获取 API Key

访问 https://defapi.org 注册账号并获取 API Key。

第二步：配置环境变量

在项目根目录创建 .env 文件：

DEFAPI_API_KEY="dk-xxxxxxxxxxxxxxxx"

第三步：修改 config.yaml

models:
  - name: gpt-4o-mini
    display_name: GPT-4o Mini (Defapi)
    use: langchain_openai:ChatOpenAI
    model: openai/gpt-4o-mini
    api_key: $DEFAPI_API_KEY
    base_url: https://api.defapi.org
    max_tokens: 4096
    temperature: 0.7
    supports_vision: true

支持的模型列表

Defapi 提供丰富的模型选择：

模型	标识符	特点
GPT-4o Mini	openai/gpt-4o-mini	性价比高，支持 vision
GPT-4o	openai/gpt-4o	强大平衡，支持 vision
Claude Sonnet 4.5	anthropic/claude-sonnet-4.5	编程能力强
Gemini 2.0 Flash	google/gemini-2.0-flash	速度快

方法二：OpenAI 官方 API

如果你prefer 使用官方服务，可以直接配置 OpenAI。

配置 config.yaml

models:
  - name: gpt-4o
    display_name: GPT-4o
    use: langchain_openai:ChatOpenAI
    model: gpt-4o
    api_key: $OPENAI_API_KEY
    max_tokens: 4096
    temperature: 0.7
    supports_vision: true

设置环境变量：

export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxx"

方法三：DeepSeek

DeepSeek 以其出色的推理能力和极具竞争力的价格受到关注。

通过官方 API

models:
  - name: deepseek-v3
    display_name: DeepSeek V3
    use: langchain_openai:ChatOpenAI
    model: deepseek/deepseek-v3
    api_key: $DEEPSEEK_API_KEY
    base_url: https://api.deepseek.com
    max_tokens: 4096
    supports_thinking: true
    when_thinking_enabled:
      extra_body:
        thinking:
          type: enabled

通过 Defapi（半价）

models:
  - name: deepseek-v3
    display_name: DeepSeek V3
    use: langchain_openai:ChatOpenAI
    model: deepseek/deepseek-v3
    api_key: $DEFAPI_API_KEY
    base_url: https://api.defapi.org
    max_tokens: 4096
    supports_thinking: true
    when_thinking_enabled:
      extra_body:
        thinking:
          type: enabled

方法四：Anthropic Claude

Claude 以其出色的编程能力和安全性著称。

配置示例

models:
  - name: claude-3-5-sonnet
    display_name: Claude 3.5 Sonnet
    use: langchain_anthropic:ChatAnthropic
    model: claude-3-5-sonnet-20241022
    api_key: $ANTHROPIC_API_KEY
    max_tokens: 8192
    supports_vision: true

通过 Defapi（半价）

models:
  - name: claude-3-5-sonnet
    display_name: Claude 3.5 Sonnet (Defapi)
    use: langchain_openai:ChatOpenAI
    model: anthropic/claude-sonnet-4.5
    api_key: $DEFAPI_API_KEY
    base_url: https://api.defapi.org
    max_tokens: 8192
    supports_vision: true

方法五：Novita AI

Novita AI 提供丰富的开源模型和极具竞争力的价格。

配置示例

models:
  - name: novita-deepseek-v3.2
    display_name: Novita DeepSeek V3.2
    use: langchain_openai:ChatOpenAI
    model: deepseek/deepseek-v3.2
    api_key: $NOVITA_API_KEY
    base_url: https://api.novita.ai/openai
    max_tokens: 4096
    temperature: 0.7
    supports_thinking: true
    supports_vision: true
    when_thinking_enabled:
      extra_body:
        thinking:
          type: enabled

方法六：OpenRouter

OpenRouter 聚合了全球多种 LLM 服务，支持你通过单一接口访问数百种模型。

配置示例

models:
  - name: openrouter-gpt-4o
    display_name: GPT-4o (OpenRouter)
    use: langchain_openai:ChatOpenAI
    model: openai/gpt-4o
    api_key: $OPENROUTER_API_KEY
    base_url: https://openrouter.ai/api/v1
    max_tokens: 4096
    temperature: 0.7

验证 DeerFlow 是否正常工作

启动服务

# Docker 方式（推荐）
make docker-init
make docker-start

# 或本地开发
make dev

访问界面

打开浏览器访问 http://localhost:2026

测试方法

在聊天框中输入：请介绍一下你自己
DeerFlow 应该回复关于其功能和架构的详细介绍
尝试更复杂的任务：帮我搜索最新的 AI 新闻并总结

测试工具

尝试使用内置工具：

请列出当前目录的文件结构

内部机制：LangGraph Agent 架构

DeerFlow 的核心是基于 LangGraph 的 Agent 系统。理解其架构有助于更好地定制和扩展。

Lead Agent 的工作流程

用户输入 → Middleware Chain → LLM → Tools → Subagents → 输出

Middleware Chain 包含 9 个中间件，按顺序执行：

ThreadDataMiddleware：为每个会话创建隔离的目录
UploadsMiddleware：处理上传的文件
SandboxMiddleware：获取沙箱执行环境
SummarizationMiddleware：当接近 token 限制时压缩上下文
TodoListMiddleware：跟踪多步骤任务（计划模式）
TitleMiddleware：自动生成会话标题
MemoryMiddleware：异步更新长期记忆
ViewImageMiddleware：为视觉模型注入图像数据
ClarificationMiddleware：拦截澄清请求

沙箱系统

DeerFlow 使用抽象的沙箱接口，支持多种执行模式：

LocalSandbox：直接在主机上执行
AioSandboxProvider：在 Docker 容器中隔离执行
Provisioner：Kubernetes Pod 中执行（生产环境）

虚拟路径系统：

Agent 看到：/mnt/user-data/{workspace,uploads,outputs}
实际路径：backend/.deer-flow/threads/{thread_id}/user-data/...

子代理系统

子代理允许复杂任务并行处理：

general-purpose：通用代理，拥有全部工具
bash：命令执行专家
最大 3 个并发子代理
15 分钟超时

常见用例

1. 深度研究

DeerFlow 的原始设计用途就是深度研究。你可以让它：

搜索某个技术领域的最新进展
阅读并总结多篇论文
生成详细的研究报告

2. 代码开发和调试

结合沙箱环境，DeerFlow 可以：

帮你编写和测试代码
调试程序错误
重构现有代码库

3. 内容创作

利用内置的 Skills：

生成专业的技术报告
创建演示幻灯片
撰写博客文章

4. 数据分析

通过文件操作和代码执行：

读取和分析数据文件
生成数据可视化
创建自动化数据管道

5. 自动化工作流

利用子代理系统：

并行执行多个搜索任务
复杂的多步骤自动化流程
定期任务执行