让 AI 完成长任务，难点不只是“会不会回答”，而是能否像一个项目负责人：拆分工作、安排帮手、调用工具，还记得前面做过什么。ByteDance 开源的 DeerFlow 2.0 押注的正是这层能力。它不是新的底层模型，而是一套 SuperAgent 运行架——负责组织模型持续规划和执行较长流程。
具体来说，主控系统可以把检索、写代码或验证等工作交给子 Agent，并用记忆保存上下文；代码与文件操作则放进沙箱，也就是与宿主系统隔离的受控环境。DeerFlow 还支持 Skills——用说明文件定义的可复用工作流程，让系统学会某类任务。项目提供设置向导，可配置模型、网页搜索、沙箱模式、命令行和文件写入权限。
值得注意的是，2.0 是一次从头重写，与 v1 不共享代码；原来的 Deep Research 框架仍留在 1.x 分支。换句话说，DeerFlow 的方向已经从“帮你做一次研究”，转向“承载研究、编码和环境操作的一整段工作”。至于它在真实长任务中能多稳定、比其他运行架强多少，现有材料没有给出对比测试。