DeerFlow Skill
lgwanai/deerflow-skill
Orquestração de agentes IA com pesquisa web, raciocínio multi-step e sub-agentes paralelos
Ver no GitHubIntegra 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-skill1 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
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-generation | AI 图片生成 | MINIMAX_API_KEY |
| video-generation | AI 视频生成 | MINIMAX_API_KEY |
| music-generation | AI 音乐生成 | MINIMAX_API_KEY |
| podcast-generation | AI 播客生成 | MINIMAX_API_KEY |
数据分析
| 技能 | 说明 |
|---|---|
| data-analysis | Python 数据分析(需 sandbox) |
| chart-visualization | 24 种图表生成(柱/饼/雷达/桑基/词云...) |
| ppt-generation | PPT 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-research | GitHub 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-guidelines | Web 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