先把项目拉下来，这一步很简单。 git clone https://github.com/bytedance/deer-flow.git cd deer-flow cp .env.example .env 然后编辑.env文件，填上模型API的key。DeerFlow兼容OpenAI接口，我用的是第三方渠道，不用改太多配置。接下来启动容器。 docker compose up -d 启动过程中拉了几个镜像，我的网速一般，等了大概几分钟。完成后浏览器打开Web界面，一眼看去，不像Dify那种拖拽画布，更像一个任务监控后台，中间一大块空白，左侧是任务列表。我在输入框里敲下任务：“写一个Pyth

我记得好几年前玩AutoGPT，它也是一个循环：“思考-行动-观察”，但跑不了几步就开始原地打转，上下文一长就乱套。DeerFlow把任务拆成DAG，每个节点是一个独立步骤，worker之间通过消息通信，状态的隔离做得明显更好。另一个让我觉得舒服的点是它自带工具。不只是写代码，它还会真的去搜索pygame的文档，然后根据文档调整代码。这一点在跑之前我没预期到。我原本以为它只会机械地生成代码，没想到它会主动找资料。在它跑到一半的时候，我注意到控制台日志里蹦出几行红色的Traceback，是其中一个worker执行python脚本时报错了。我原本以为整个流程会中断，但DeerFlow自动把这

先说模型选择，这是一个大坑。最开始我用了一个免费的轻量模型，结果它完全看不懂任务，一直重复“我要写一个游戏”却没有任何产出。整个流程像是卡在一个死循环里，最后还是我手动中断的。后来换了一个更强的模型才正常。第二个坑是环境。我的Docker Desktop之前版本有点旧，compose文件里某个字段不认，启动时直接报错。升级完Docker才能跑。如果你也遇到类似问题，先检查Docker版本。第三个坑是运行时间。一个看起来不太复杂的贪吃蛇，它花了大概十几分钟。中间还有一次worker执行Python脚本报错，来回折腾了好几个回合。这个过程我可以接受，但如果你在赶时间，真的等不起。第四个坑是

和竞品比怎么样

我最近也用Dify搭过几个工作流。Dify的定位是“人编排工作流”，每一步逻辑都是你自己定好的，AI只是执行一个节点。而DeerFlow的想法不一样，它让AI自己去规划工作流，人只需要提目标。这两者的差别，有点像公司里的流程管理系统和一个什么都能干的实习生。和Manus比，Manus体验当然更完整，但不开源。DeerFlow至少能让你看到内部结构，而且能用docker跑起来。你说它比Manus强吗？说实话，从最终效果看，我拿到的贪吃蛇代码里还有几个小bug，比如食物刷新偶尔和蛇重叠，但整体跑通了，这已经超出我的预期。还有一个我想提的是Composio，它给agent接了一千多个工具，本质

我觉得最适合的场景是“科研和实验”。比如你想验证一个想法，不需要自己写具体的脚本，让DeerFlow去跑一遍，哪怕它写得不够好，至少能给你一个起点。如果是在生产环境，我建议你别让它完全自主。它现在的能力还不足以独立维护一个真实的项目，尤其是老项目，依赖一堆，环境复杂，它自己就搞不定。我还试着让它读一个开源项目的README然后改一个小bug，结果它最后还是去搜索了外部资料，而不是仔细看项目里的代码。所以，它能做的是项目内部的某几个文件，不是项目整体的重构。还有一种适合的场景是“教学”。如果你想给朋友展示自主智能体是怎么工作的，DeerFlow的可视化界面几乎是完美的教具，它比看一堆代码文

让DeerFlow自己写贪吃蛇，我等了半小时，结果有点意外

加载中...