convez.ai
SkillAutomaçãoAvançado
lgwanai

DeerFlow Skill

lgwanai/deerflow-skill

Orquestração de agentes IA com pesquisa web, raciocínio multi-step e sub-agentes paralelos

Ver no GitHub
InicialPluginScore · de 0 a 100

Integra orquestração de agentes DeerFlow 2.0 nativamente no Claude Code, executando tarefas complexas como pesquisa profunda, raciocínio multi-etapa e delegação paralela de sub-agentes sem necessidade de servidor externo. Funciona também como CLI independente com suporte a web search via Tavily e extração de conteúdo via Jina AI.

Instalação

$npx convez-ai lgwanai/deerflow-skill

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
1
Forks
0
Acompanhando
0
Saúde
28%
Último commit
há 4 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Pesquisa profunda e análise de tendências de mercado/tecnologia
  • Planejamento estruturado de projetos complexos com decomposição de tarefas
  • Comparação estratégica entre múltiplos atores (competidores, tecnologias, rotas)
  • Geração de relatórios com citações e síntese de múltiplas fontes web

Veredito

DeerFlow Skill é uma ferramenta enterprise-grade que eleva significativamente as capacidades de raciocínio e pesquisa do Claude com orquestração de agentes, busca web integrada e execução paralela — ideal para tarefas de análise profunda que exigem múltiplas etapas e integração de dados externos. Requer investimento em setup (API Keys para DeepSeek, Tavily, Jina) mas entrega valor proporcional em automação de workflows complexos.

README

A tradução para o português deste README ainda está na fila.

DeerFlow Skill

将 DeerFlow 智能体能力嵌入 Claude Code,无需服务器即可在本地进程内运行深度研究、多步推理、并行子代理等复杂任务。支持独立 CLI 运行,不依赖 Claude Code 也可直接使用。

基于 deer-flow 内核,持续同步上游更新(last sync: 2026.07 最新,同步 130+ 个 commits)。


能解决什么问题

当你需要 AI 完成「一次对话搞不定」的任务时,这个 Skill 提供企业级 AI Agent 能力:

场景典型问题对应模式
快速问答"Python 和 Go 的区别?"--flash
深度调研"调研 2026 年 AI 最新进展,并给出分析"--standard
复杂规划"制定一个月的 Python 学习计划"--pro
大规模分析"对比特斯拉和比亚迪的技术路线、市场策略、未来发展"--ultra
研究报告"研究 XX 行业趋势,输出 Markdown 报告"--flash + 管道

核心能力:自主搜索网页 → 阅读文章 → 多步推理 → 并行分发子任务 → 生成引用报告


使用方法

在 Claude Code 中激活

/deer 研究量子计算的最新进展
/deer --flash 今天北京的天气
/deer --pro 制定一个 REST API 项目计划
/deer --ultra 对比三家竞品公司的技术栈

命令行使用(独立运行,无需 Claude Code)

# 交互式对话(ENTER 发送,/exit 退出)
./scripts/chat.sh

# 一次性执行
./scripts/chat.sh -c "Python 的 GIL 是什么"
./scripts/chat.sh --pro -c "分析 2026 年 AI 行业趋势"
./scripts/chat.sh --ultra -c "对比国内外新能源汽车技术路线"

# 输出到文件
./scripts/chat.sh -o report.md -c "研究 AI 行业趋势"

交互命令:/help /clear /save <file> /tools /mode <name> /exit

模式说明

模式思考规划子代理适用场景
--flash✗✗✗一句话能说清的问题
--standard✓✗✗默认模式,平衡速度和质量
--pro✓✓✗需要结构化规划的复杂任务
--ultra✓✓✓大规模任务,并行分发子代理

快速开始

# 1. 复制配置模板
cp config.example.yaml config.yaml

# 2. 编辑 config.yaml,填入 API Keys

# 3. 安装依赖
pip install langchain langchain-anthropic langchain-openai tavily-python httpx pyyaml

# 4. 运行
./scripts/chat.sh --flash "你的第一个问题"

所需 API Keys

Key用途获取地址
DEEPSEEK_API_KEY模型推理https://platform.deepseek.com
TAVILY_API_KEY网页搜索https://tavily.com
JINA_API_KEY网页内容抓取https://jina.ai/reader

配置说明

models:
  - name: deepseek-v4-flash
    use: langchain_anthropic:ChatAnthropic
    model: deepseek-v4-flash
    api_key: $DEEPSEEK_API_KEY
    base_url: https://api.deepseek.com/anthropic

tools:
  - name: web_search
    use: deerflow.community.tavily.tools:web_search_tool
    api_key: $TAVILY_API_KEY
  - name: web_fetch
    use: deerflow.community.jina_ai.tools:web_fetch_tool
    api_key: $JINA_API_KEY

# 子代理配置(可选)
subagents:
  max_concurrent: 3      # 最大并行子代理数
  timeout_seconds: 900   # 子代理超时时间(秒)

功能特性

  • 网页搜索:通过 Tavily 实时搜索互联网
  • 内容抓取:通过 Jina AI 提取网页正文
  • 多步推理:复杂问题的深度思考链路
  • 规划模式:TodoList 结构化的任务分解和追踪
  • 子代理委托:持久化事件循环驱动的并行子任务执行
  • 循环检测:可配置的重复调用检测,支持每种工具单独设定阈值
  • 安全终止处理:Provider 安全过滤时自动抑制截断的 tool_calls(OpenAI/Anthropic/Gemini)
  • MCP 会话池:有状态 MCP 服务器会话复用,修复跨任务 cancel-scope 错误
  • 子代理状态契约:结构化 subagent_status 字段,替代字符串解析
  • Brave/SearXNG/Serper/Browserless:社区搜索/图片搜索/抓取工具
  • StepFun 模型:适配 step-3.7-flash/step-3.5-flash 推理模型
  • MiniMax 模型:文本对话 + 图片/视频/音乐/播客生成
  • MiMo 推理支持:解析小米 MiMo 模型的 reasoning_content
  • Memory JSON 解析:解析包装的 memory update JSON 响应
  • 工具输出预算:大型工具输出自动截断/持久化,防止上下文爆炸
  • 事件循环优化:Uploads/Memory 扫描异步化,不阻塞主线程
  • Async/Sync 桥接:tools/sync.py 自动为 async 工具生成同步包装器
  • 沙箱安全:路径穿越防护,禁止越权访问文件系统;幂等状态合并
  • 输出隔离:日志到 stderr,AI 内容到 stdout,文件输出零污染

内置技能 (19 个)

Agent 启动时自动加载 skills/public/ 下的技能模块,按需调用。

多媒体生成

技能说明依赖
image-generationAI 图片生成MINIMAX_API_KEY
video-generationAI 视频生成MINIMAX_API_KEY
music-generationAI 音乐生成MINIMAX_API_KEY
podcast-generationAI 播客生成MINIMAX_API_KEY

数据分析

技能说明
data-analysisPython 数据分析(需 sandbox)
chart-visualization24 种图表生成(柱/饼/雷达/桑基/词云...)
ppt-generationPPT 幻灯片生成

深度研究

技能说明
deep-research多步深度调研
consulting-analysis专业咨询分析报告
github-deep-researchGitHub 仓库深度分析
systematic-literature-review学术论文系统综述 + arxiv
academic-paper-review学术论文审阅

设计与开发

技能说明
frontend-design前端 UI 设计
web-design-guidelinesWeb 界面设计规范
code-documentation代码文档生成

其他

技能说明
bootstrap初始化 Agent SOUL
newsletter-generation新闻简报生成
find-skills技能发现与安装
surprise-me随机技能推荐

项目结构

deerflow-skill/
├── SKILL.md              # Skill 定义
├── config.yaml           # 配置文件(gitignored)
├── config.example.yaml   # 配置模板
├── scripts/
│   ├── skill.py          # 主入口
│   ├── chat.sh           # Shell 包装
│   └── package.sh        # 打包脚本
├── deerflow/             # 嵌入的 deer-flow 核心
│   ├── client.py         # DeerFlowClient API
│   ├── agents/           # Agent 编排 + 中间件
│   ├── tools/            # 工具定义 + sync 包装器
│   ├── config/           # 20+ 配置模型
│   ├── community/        # Tavily, Jina, Brave, SearXNG, Serper, Browserless 等
│   ├── subagents/        # 子代理执行器 + Token 收集
│   ├── runtime/          # Checkpointer、运行时、用户上下文
│   ├── models/           # LLM 提供者适配 (DeepSeek, StepFun, MiniMax...)
│   ├── sandbox/          # 本地沙箱(含路径穿越防护)
│   ├── skills/           # Skill 管理 + 存储 + 工具策略
│   └── mcp/              # MCP 协议客户端
├── skills/               # 内置技能定义(19 个)
│   └── public/           # 多媒体生成 / 数据分析 / 深度研究 / 设计
├── lib/                  # 辅助工具
├── tests/                # 测试套件(95 个用例)
└── dist/                 # 打包输出

打包

./scripts/package.sh
# 输出: dist/deerflow-skill-YYYYMMDD.zip (~390KB)

开发

# 运行测试
python -m pytest tests/ -q

# 测试结果: 95 passed

License

MIT

Ver o original no GitHub

Bom para

Relacionados