演讲主题

DeerFlow 2.0：从深度研究框架到 Super Agent 运行时的架构重构之路

当 Agent 从"快速问答"进化到"深度思考"，我们面临一个核心挑战：如何让 AI 不止于秒级响应，而是能完成分钟到小时级的复杂任务？DeerFlow 2.0 用具体的实践给出了答案。本次演讲将深度解析我们如何从 1.x 的深度研究框架，重构为支持子 Agent 协作、分层记忆、沙箱隔离的 Super Agent 运行时。如果进行安全与性能的平衡，以及Agent具体实现的一些思考。无论你是技术决策者、开发者，或是对 Agent 未来感兴趣的研究者，都能从中获得构建下一代 AI 应用的实战经验与深度思考。 大纲： 1. 为什么需要重写？1.x 的局限性与 2.0 的架构设计 2. 核心技术决策：LangGraph、MCP、沙箱、分层记忆 3. 技术实践：安全审计、性能优化、子 Agent 协作 4. 对 Agent 的思考：工具、记忆、协作、智商与情商 5. 社区与 RoadMap：55K Stars 背后的开源实践 听众受益： 1. 理解 DeerFlow 的价值 • 不仅是深度研究工具，更是通用 Agent 运行时 • 分层架构、子 Agent 协作、长期记忆 2. 掌握 Agent 开发的核心原则 • 工具标准化（Skills/Tools/MCP） • 记忆持久化（分层架构） • 安全优先（沙箱隔离） 3. 知道如何参与项目开发 • 贡献代码、文档、Skills • 成为社区贡献者