于是我不顾夜深，直接clone下来跑了个demo。这一跑，直接改变了我的工作方式。
## 我是怎么用起来的：从克隆到跑通只花了20分钟
deer-flow的安装非常友好，几乎没有任何“智商税”环节。我的是Python 3.10环境，直接：
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
pip install -r requirements.txt
cp .env.example .env
# 然后编辑 .env，填入OpenAI API Key
python main.py“去研究这五家竞品官网的定价页面，提取套餐价格、限制条件和适合人群，最后输出一份对比表格并给出推荐建议。”deer-flow不声不响，但终端日志开始一条一条刷：它先自己规划了几个子任务，包括“获取网页内容”“解析价格表格”“对比差异”“生成Markdown报告”。然后它真的逐个打开了网页，抓取内容，并且自动把抓下来的大段HTML塞给大模型做总结。整个过程完全不需要我手动安排每一步——这是一个“super-agent”，它会自己用工具、自己反思、自己调整。 大概八分钟后，它输出了一份结构清晰的报告，甚至用表格形式排列了竞品价格。我核对了一下，数据基本准确，只有一个网站的“企业版”价格标签它看漏了。这个表现已经超过了我之前手动操作AI的预期。 ## 好用在哪：它真的在“干活”，而不是“聊天” 我深度用了它三四天，总结了几个让我惊艳的点。 ### 1. 长任务不死循环，自带“反思”机制 一般的AI聊天机器人，你让它查五家网站，它通常查完第一家就忘了第二家，或者干脆编一个。deer-flow最让我感动的是，它有一个类似“待办清单”的机制，每个子任务完成后会打勾，遇到不确定的信息，它会在日志里标注“验证一下”，然后重新访问网站对比。这种“计划-执行-反思-再执行”的循环，让我感觉在带一个实习生，而不是在玩一个玩具。 ### 2. 工具调用非常自然 它内置了网页抓取、文件读取、代码执行、搜索等工具。我甚至尝试让它直接运行一段Python脚本去解析JSON数据，它居然自己写代码、自己运行、自己读输出，最后把结果整合到报告里。这种“自主性”是普通ChatGPT不具备的。 ### 3. 适合叠加RAG 因为它本质上是一个agent harness，所以我可以把私有文档放到本地目录，让它读取后再结合网络信息做分析。比如我让它“对比我们公司的产品文档和竞品的公开文档，列出功能差异”，它真的做到了——先读我的本地文件，再抓取竞品页面，最后输出差异清单。 ## 【我遇到的坑】 说实话，deer-flow不是神器，它有几处让我骂娘的地方。 ### 坑一：默认模型太贵 我一开始用的默认GPT-4o，一次完整任务消耗了三分之一的代币。它的长期任务需要反复调用大模型来做计划、反思、总结，每反思一次就要烧一次token。后来我改成DeepSeek-V3走OpenRouter，才把成本降下来。如果你没设置好模型路由，钱包会哭。 ### 坑二：网页抓取经常被反爬拦截 我让它调研五家竞品，有两家是Cloudflare防护，它直接爬了个验证码页面回来，然后“自以为”获取成功了，还在报告里写“该页面未发现定价信息”。这其实是“假成功”，坑了我不少时间。后来我给.env里加了代理和浏览器指纹伪装，才勉强解决。但如果你要爬的网站防护太强，建议直接用API或者填好cookie。 ### 坑三：长任务偶尔会“绕远路” 有一回我让它“查询三篇论文的摘要”，它居然先建了个知识库目录，然后去下载了一堆PDF，再调用OCR引擎，最后才把摘要提取出来。明明用arxiv的API几秒钟就能搞定，它非要走一条最复杂的路。这是因为它的规划器更擅长处理泛化任务，而不是最优路径。 ### 坑四：日志刷屏但缺少关键信息 它的终端日志非常详细，但大多是无用的调试信息。有一次它卡在“等待浏览器渲染”，我根本不知道它在等什么。最后我是打开它的debug模式，手动加了超时时间才解决。新手遇到这种情况大概率会以为程序死锁了。 ## 和竞品比怎么样 我长期用过Dify和Composio，所以这里做一个非正式但诚实的对比。 Dify：类似“可视化IDE”，搭工作流非常直观，但一旦遇到需要动态决策的任务，它的节点式流程就显得僵硬。你得自己设计好所有分支，agent没有真正的自主性。deer-flow正好相反，上手时黑盒感强，但做大任务时更聪明。 Composio：它主打“1000+工具调用”，更像一个工具仓库。deer-flow自己的工具类型不算多，但胜在“组织工具的方式”很智能。Composio的agent需要自己写规划逻辑，而deer-flow直接给你一个完整的“超级大脑”。 普通ChatGPT/AI编程助手：它们适合单轮问答或写代码片段，但如果你想让它“自己完成一个持续30分钟以上的项目”，基本都会中途跑偏。deer-flow是少数让我敢把任务委托给它去“后台执行”的agent框架。 不过我必须承认，deer-flow的学习曲线比Dify陡峭得多。Dify是我看一眼UI就能上手，deer-flow我得先读它的架构文档。 ## 什么场景才适合用deer-flow 我用下来，觉得它最适合这几类场景：
- 需要长期自主调研的科研需求：比如文献综述，需要下载、阅读、总结几十篇文章。
- 批量竞品分析：像我开头说的那种“查五家十家网站再对比”的任务。
- 复杂代码库问题：让它去多个文件里找线索，而不是你手动把代码粘贴进对话框。
- 需要定期执行的任务：虽然不是原生定时任务，但你可以写个cron包装一下，让它每天自动跑一遍数据采集。