让 AI 连续干几小时的活，难点不只是“会不会答”，而是能不能记住进度、拆分任务，并安全地操作工具。字节跳动开源的 DeerFlow 2.0，瞄准的正是这层执行系统：它是一套 Agent harness——包在模型外面的框架，负责安排步骤、保存状态和连接工具，让 AI 从聊天走向持续办事。
它把子 Agent、持久记忆、沙箱、Skills 和消息网关收进同一套系统。子 Agent 是主 Agent 临时派出的独立执行者；沙箱用来隔离代码运行；Skills 则把特定流程和工具封装成可复用能力。换句话说，DeerFlow 想提供的不是一个更会说话的模型，而是一支带工作台、档案柜和分工机制的 AI 队伍。2.0 是从头重写的新版本，与 1.x 不共享代码；原来的 Deep Research 框架仍留在 1.x 分支。项目尚未在材料中披露统一基准或效果数字，因此目前更值得关注的是它对“长任务基础设施”的整合，而非已经得到验证的性能领先。