• 

  Weaviate：AI 开发者最爱的开源向量数据库，语义搜索与 RAG 的首选数据底座

  📦 项目简介

  Weaviate 是一款开源、云原生的向量数据库，同时存储对象和向量，支持大规模语义搜索。它将向量相似度搜索、关键词过滤、检索增强生成（RAG）和重排序功能整合到单个查询接口中，是构建 AI 应用的理想数据底座。

  

  ⚙️ 安装要求和过程

  环境要求

  • Docker 20.10+（推荐方式）
  • 内存：最低 4GB RAM，生产环境建议 8GB+
  • 客户端：Python 3.8+、Node.js 16+、Java 11+、Go 1.18+

  快速安装（Docker 本地部署）

  第一步：创建 docker-compose.yml：

  services:
    weaviate:
      image: cr.weaviate.io/semitechnologies/weaviate:1.36.0
      ports:
        - "8080:8080"
        - "50051:50051"
      environment:
        ENABLE_MODULES: text2vec-model2vec
        MODEL2VEC_INFERENCE_API: http://text2vec-model2vec:8080
    text2vec-model2vec:
      image: cr.weaviate.io/semitechnologies/model2vec-inference:minishlab-potion-base-32M
  

  第二步：启动 & 安装客户端

  docker compose up -d
  pip install -U weaviate-client
  

  也可使用 Weaviate Cloud 免费试用，或部署到 Kubernetes/AWS/GCP。

  🚀 核心功能

  ⚡ 毫秒级十亿向量搜索

  基于 Go 构建，HNSW 索引，十亿级向量语义搜索毫秒返回。

  🔀 混合检索（向量+关键词+过滤）

  单接口同时支持语义搜索、BM25 关键词搜索、图像搜索，内置 hybrid 查询自动融合分数。

  🤖 内置 RAG & 重排序

  无需额外工具，直接支持生成式搜索（RAG）和重排序，快速构建 Q&A、聊天机器人。

  📈 生产级可扩展性

  支持水平扩展、多租户隔离、副本、RBAC 权限控制，Kubernetes 原生编排。

  💾 向量压缩 & TTL

  内置标量/二进制/产品量化，大幅降低内存占用；支持对象 TTL 自动清理过期数据。

  💡 典型使用场景

  场景一：RAG 检索增强生成系统

  将企业文档导入 Weaviate，结合 LLM 构建精准问答系统，大幅降低幻觉率。

  import weaviate
  from weaviate.classes.query import Filter
  
  client = weaviate.connect_to_local()
  results = client.collections.get("Document").query.near_text(
      query="如何申请退款？", limit=5,
      filters=Filter.by_property("category").equal("help")
  )
  for obj in results.objects:
      print(obj.properties["content"])
  

  场景二：语义搜索 & 推荐引擎

  电商/内容平台实现”理解意图”的搜索，支持多模态（文本+图像）检索。

  📌 推荐理由

  • 生态最完整：Python/JS/Java/Go/C# 五大官方 SDK
  • AI Agent 集成：官方提供 Agent Skills，支持 Claude Code/Cursor
  • 商业友好：BSD-3-Clause 许可，可自由修改和分发
  • 云原生架构：存储计算分离，Kubernetes 原生，水平扩展无忧

  📥 下载地址 & 相关链接

  • 🌐 项目官网
  • 🐙 GitHub 仓库（16.4K+ Stars）
  • 📚 官方文档
  • 🐳 Docker：cr.weaviate.io/semitechnologies/weaviate:latest
  • ☁️ Weaviate Cloud（免费试用）

  ✝️ BSD 3-Clause License | Go | 2016年发布

  2026年6月25日

• 

  Weaviate：AI 开发者最爱的开源向量数据库，语义搜索与 RAG 的首选数据底座

  📦 项目简介

  Weaviate 是一款开源、云原生的向量数据库，同时存储对象和向量，支持大规模语义搜索。它将向量相似度搜索、关键词过滤、检索增强生成（RAG）和重排序功能整合到单个查询接口中，是构建 AI 应用的理想数据底座。

  

  Weaviate —— AI 开发者最爱的开源向量数据库

  ⚙️ 安装要求和过程

  环境要求

  • Docker 20.10+（推荐方式）
  • 内存：最低 4GB RAM，生产环境建议 8GB+
  • 存储：持久化卷（可选，用于数据持久化）
  • 客户端：Python 3.8+、Node.js 16+、Java 11+、Go 1.18+ 可选

  快速安装（Docker 本地部署）

  第一步：创建 docker-compose.yml 配置文件：

  services:
    weaviate:
      image: cr.weaviate.io/semitechnologies/weaviate:1.36.0
      ports:
        - "8080:8080"
        - "50051:50051"
      environment:
        ENABLE_MODULES: text2vec-model2vec
        MODEL2VEC_INFERENCE_API: http://text2vec-model2vec:8080
  
    # 轻量级嵌入模型，导入数据时会自动生成向量
    text2vec-model2vec:
      image: cr.weaviate.io/semitechnologies/model2vec-inference:minishlab-potion-base-32M
  

  第二步：启动服务

  docker compose up -d
  

  第三步：安装 Python 客户端

  pip install -U weaviate-client
  

  也可以使用 Weaviate Cloud 托管服务（免费试用），或部署到 Kubernetes、AWS、GCP 等云平台。

  🚀 核心功能

  ⚡ 毫秒级十亿向量搜索

  基于 Go 构建，高负载下响应稳定。采用 HNSW（Hierarchical Navigable Small World）索引算法，支持 ANN 基准测试领先性能，十亿级向量复杂语义搜索毫秒级返回。

  🔀 混合检索（向量 + 关键词 + 过滤）

  单接口同时支持语义搜索、传统关键词（BM25）搜索、图像搜索，支持高级过滤，可灵活组合获得最优结果。内置 hybrid 查询类型，自动融合向量相似度与关键词相关性分数。

  🤖 内置 RAG & 重排序

  无需额外工具，直接支持生成式搜索（RAG）和重排序（Reranking）能力。可快速构建 Q&A 系统、聊天机器人、摘要工具。集成 Cohere、OpenAI、Voyage 等主流 Reranker 模型。

  📈 生产级可扩展性

  支持水平扩展、多租户隔离、副本、细粒度 RBAC 权限控制，适配从原型到大规模生产场景。存储计算分离架构，支持 Kubernetes 原生编排。

  💾 低成本运维 & 向量压缩

  内置向量压缩能力（标量量化、二进制量化、产品量化），通过向量量化、多向量编码降低内存占用，对搜索性能影响极小。支持对象 TTL 机制，按集合配置数据过期时间，自动清理过期数据。

  💡 典型使用场景

  场景一：RAG（检索增强生成）系统

  将企业文档、知识库导入 Weaviate，结合 LLM 构建精准问答系统。Weaviate 负责语义检索召回相关段落，LLM 负责生成最终答案，大幅降低幻觉率。

  import weaviate
  from weaviate.classes.query import Filter
  
  client = weaviate.connect_to_local()
  
  # 语义搜索 + 元数据过滤
  results = client.collections.get("Document").query.near_text(
      query="如何申请退款？",
      limit=5,
      filters=Filter.by_property("category").equal("help")
  )
  for obj in results.objects:
      print(obj.properties["content"])
  

  场景二：语义搜索 & 推荐引擎

  电商、内容平台可用 Weaviate 实现”理解意图”的搜索体验。用户输入自然语言查询，系统返回语义最匹配的商品或内容，而非简单的关键词匹配。

  Weaviate 也支持多模态搜索（文本 + 图像），用户可用图片搜索相似商品，或用文本描述搜索相关图片。

  📦 Python 快速上手

  import weaviate
  from weaviate.classes.config import Configure, DataType, Property
  
  # 连接本地 Weaviate 服务
  client = weaviate.connect_to_local()
  
  # 创建集合（类似关系数据库的表）
  client.collections.create(
      name="Article",
      properties=[Property(name="content", data_type=DataType.TEXT)],
      # 使用 Model2Vec 向量化器，导入时自动生成向量
      vector_config=Configure.Vectors.text2vec_model2vec(),
  )
  
  # 插入数据并自动生成向量
  articles = client.collections.get("Article")
  articles.data.insert_many([
      {"content": "Vector databases enable semantic search"},
      {"content": "Machine learning models generate embeddings"},
      {"content": "Weaviate supports hybrid search capabilities"},
  ])
  
  # 执行语义搜索
  results = articles.query.near_text(query="Search objects by meaning", limit=1)
  print(results.objects[0].properties["content"])
  
  client.close()
  

  📌 推荐理由

  Weaviate 是我推荐的向量数据库首选之一，尤其适合以下场景：

  • 与已发布的同类项目对比：Qdrant（Rust，极致性能）、Milvus（分布式，大规模）、Chroma（轻量，快速上手）—— Weaviate 则胜在生态最完整和集成最丰富
  • AI Agent 生态集成：Weaviate 积极拥抱 AI Agent 生态，官方提供 Agent Skills，支持 Claude Code、Cursor 等 AI 编码工具直接操作
  • 多语言 SDK 覆盖最全：Python、JavaScript/TypeScript、Java、Go、C#/.NET 五大官方 SDK，社区还有 Rust、PHP、Ruby 等扩展
  • BSD-3-Clause 许可：商业友好，可自由修改和分发，适合企业内嵌使用

  如果你正在构建 RAG 系统、语义搜索功能，或任何需要”理解语义”的 AI 应用，Weaviate 值得作为向量数据库的第一选择进行评估。

  📥 下载地址 & 相关链接

  • 🌐 项目官网：https://weaviate.io
  • 🐙 GitHub 仓库：https://github.com/weaviate/weaviate（16.4K+ Stars）
  • 📚 官方文档：https://weaviate.io/developers/weaviate
  • 🐳 Docker 镜像：cr.weaviate.io/semitechnologies/weaviate:latest
  • ☁️ Weaviate Cloud：https://console.weaviate.cloud（免费试用）
  • 💬 社区论坛：https://forum.weaviate.io

  ✝️ 开源协议：BSD 3-Clause License | 开发语言：Go | 2016年发布，持续维护至今

  2026年6月25日

• 

  Milvus：高性能云原生向量数据库，为AI应用打造的神经记忆中枢（44.9K Stars）

  

  Milvus：高性能云原生向量数据库，为AI应用打造的神经记忆中枢

  44,934+ ⭐ · Go + C++ · Apache 2.0 · LF AI & Data 基金会托管

  📌 项目简介

  Milvus 是由 Zilliz 开发、LF AI & Data 基金会托管的开源向量数据库，专为 AI 应用的大规模非结构化数据检索而设计。底层使用 Go 和 C++ 编写，支持 CPU/GPU 硬件加速，可在十亿级向量规模下实现毫秒级检索延迟，是 RAG、推荐系统、多模态搜索等 AI 应用的首选向量存储引擎。最新稳定版：v2.5.13（2026年6月）。

  44.9K

  GitHub Stars

  4,089

  Forks

  10亿+

  向量规模

  5种

  SDK语言

  ⚙️ 安装要求和过程

  💻 环境要求

  • CPU：4核以上（生产推荐16核+）
  • 内存：16GB以上（十亿级向量推荐128GB+）
  • 存储：SSD推荐，冷数据可归档至S3/GCS（成本降低10倍）
  • Docker：Standalone模式需Docker 19.03+（最简方式）
  • Kubernetes：分布式部署需K8s 1.20+
  • Python：3.8～3.12（pymilvus SDK支持）

  🐳 快速安装（Docker Standalone，生产推荐）

  # 下载 docker-compose.yml（含 etcd + MinIO 依赖）
  wget https://github.com/milvus-io/milvus/releases/download/v2.5.13/milvus-standalone-docker-compose.yml -O docker-compose.yml
  
  # 启动 Milvus
  docker compose up -d
  
  # 验证（看到三个容器均为 healthy 即成功）
  docker compose ps

  🐍 Python SDK 安装（最常用）

  # 标准安装（连接远程Milvus服务）
  pip install -U pymilvus
  
  # 包含 Milvus Lite（嵌入式，pip install即可运行，无需Docker）
  pip install "pymilvus[milvus-lite]"
  
  # 验证
  python -c "from pymilvus import MilvusClient; print('Milvus OK')"

  ☁️ 零配置托管（Zilliz Cloud）

  不想自建服务？试用 Zilliz Cloud，提供 Serverless（按量付费）、Dedicated（专属集群）、BYOC（自带云）三种模式，免费额度足够个人开发使用。与 AWS Bedrock、Azure OpenAI 深度集成。

  ✨ 核心功能

  ⚡ 十亿级高性能检索

  存储计算分离架构，支持 HNSW / IVF / SCANN / DiskANN 等全部主流索引。GPU 加速兼容 NVIDIA CAGRA，十亿级向量下毫秒级延迟，QPS 可达数万次/秒。在 官方性能基准中处于行业第一梯队。

  🔀 混合检索（稠密+稀疏向量）

  原生支持 BM25 全文检索和学习的稀疏嵌入（SPLADE、BGE-M3），同一集合可同时存储稠密和稀疏向量，自定义重排策略合并多路结果，RAG 召回率提升 30%+。这是 Milvus 相比其他向量数据库的显著优势。

  🏢 企业级多租户与安全

  支持数据库/集合/分区/分区键四级隔离，单集群可承载数百万租户。强制用户认证、TLS 加密、RBAC 细粒度权限控制，满足 SOC 2 合规要求。适合 SaaS 平台多客户场景。

  💾 冷热存储分离

  热数据存内存/SSD，冷数据自动归档至 S3/GCS，存储成本降低 10 倍。支持对象存储原生架构，无需额外 ETL 即可直接读取云存储中的向量数据。Collection 级别的 Fork（写时复制）功能，大幅提升实验迭代效率。

  🌐 多语言 SDK + 丰富 AI 生态集成

  官方 SDK 覆盖 Python（pymilvus）、Java、Go、Node.js、Restful API 五种语言。原生集成 LangChain、LlamaIndex、OpenAI、HuggingFace、AutoGPT 等主流 AI 框架，可作为 RAG 应用的即插即用向量存储。Attu 提供图形化管理界面，Prometheus/Grafana 支持监控告警。

  🏗️ 架构设计

  Milvus 采用存储与计算分离、无状态微服务的分布式架构，所有组件以容器化方式部署，可充分利用 Kubernetes 的调度和自愈能力。

  ┌───────────────────────────────────────────────┐
  │            API Service Layer                 │
  │    gRPC / REST / Python / Java / Go SDK   │
  └──────────────┬──────────────────────────────┘
                  │
  ┌───────────────▼──────────────────────────────┐
  │         Coordinator Service (元数据)            │
  │   Root Coord  │  Query Coord  │  Data Coord  │
  └────┬──────────┴─────────────┴──────────────┘
        │          │              │
        ▼          ▼              ▼
  ┌──────────┐┌──────────┐  ┌──────────┐
  │ Query    ││ Data     │  │ Index    │  ← 可独立扩缩容
  │ Node     ││ Node     │  │ Node     │
  │(读密集) ││(写密集) │  │(索引构建)│
  └───┬──────┘└───┬──────┘  └───┬──────┘
       │          │            │
  ┌─────▼──────────▼────────────▼─────────┐
  │      Object Storage (S3 / GCS / MinIO)  │
  │       + Hot Cache (内存 / SSD)           │
  └──────────────────────────────────────────┘

  所有协调服务支持多副本部署，单节点故障秒级恢复。存储与计算解耦，可按业务特征独立调整查询/写入容量。

  🎯 典型使用场景

  场景一：RAG（检索增强生成）应用

  将企业知识库文档向量化存入 Milvus，用户提问时检索最相关的 Top-K 片段，注入 LLM 上下文窗口，显著提升回答准确性并减少幻觉。混合检索（向量+全文）可进一步提升召回率。官方 RAG 教程 30分钟可跑通 Demo。

  场景二：多模态语义搜索引擎

  利用 CLIP 等多模态模型将图片、音频、视频转为向量存入 Milvus，实现”以文搜图”、”以图搜图”、”视频片段检索”等功能。支持动态字段存储原始元数据，检索结果可直接返回图片 URL 或视频时间戳。图像检索实战教程 可直接参考。

  场景三：实时推荐系统

  将用户行为特征和物品特征向量化后存入 Milvus，通过近似最近邻搜索实时找相似用户或相似物品，实现个性化推荐。支持流式数据实时更新，新用户行为可在秒级反映到推荐结果中。官方电影推荐系统教程 可直接参考。

  💡 推荐理由

  在向量数据库赛道中，Milvus 是最成熟、生产案例最多的开源选择之一。与 Chroma（轻量级，适合原型）和 Qdrant（Rust 性能优异）相比，Milvus 的独特优势在于：

  • 云原生分布式架构：K8s 原生支持，可独立扩展查询/数据/索引节点，真正适合生产环境大规模部署（Chroma 无分布式，Qdrant 分布式为企业版功能）
  • 混合检索能力：稠密+稀疏向量一体化，RAG 场景召回率显著优于单一向量检索（多数竞品仅支持稠密向量）
  • LF AI & Data 基金会托管：开源治理规范，Apache 2.0 永久开源，不会突然变更许可协议
  • Milvus Lite 零配置：pip install 即可运行嵌入式版本，本地开发、单元测试、CI/CD 均无需 Docker

  如果你正在构建 RAG 应用或语义搜索功能，Milvus 值得作为向量存储的首选方案进行评估。根据 官方性能基准，Milvus 在十亿级向量场景下的检索性能处于行业第一梯队。

  📥 下载地址

  🐙 GitHub 仓库

  milvus-io/milvus · 44.9K ⭐

  
  

  🌐 官方网站

  milvus.io · 文档 + 在线 Demo

  
  

  ☁️ Zilliz Cloud

  托管服务 · 免费额度 · Serverless

  
  

  🐍 Python SDK

  pymilvus · PyPI 安装 · Milvus Lite

  
  

  📚 官方文档

  安装 · 教程 · API 参考 · 性能基准

  
  

  📦 发布版本

  v2.5.13（最新稳定版）· 发布说明

  LF AI & Data 基金会托管 · Apache 2.0 开源协议 · Zilliz 主导开发

  最后更新：2026年6月25日 · 数据来源：GitHub API + milvus.io

  2026年6月25日

• 

  deer-flow：ByteDance 开源超级智能体框架，74K+ Stars 让 AI 处理小时级复杂任务

  2026年2月，ByteDance（科技公司）开源了其内部打磨多时的超级智能体框架 deer-flow 2.0，发布当天即登顶 GitHub Trending 榜首，目前已收获 74,000+ Stars。这不仅仅是一个”AI聊天机器人”，而是一个能够处理分钟级到小时级复杂任务的长周期智能体框架——从深度研究、代码编写，到内容创作、幻灯片制作，deer-flow 都能自主规划并执行。

  🦌 项目简介

  deer-flow（鹿流）是 ByteDance 开源的长周期超级智能体框架（Super Agent Harness），由初代 Deep Research 框架完全重构而来。它支持研究、编码、内容创作等复杂任务，通过沙箱隔离、持久化记忆、工具调用、子智能体协作等能力，处理从几分钟到数小时的各类任务。2.0 版本为完全重构版本，架构更清晰、扩展性更强。

  

  🛠 安装要求和过程

  环境要求

  • Python：3.12+（推荐使用 uv 管理依赖）
  • Node.js：22+（前端界面需要）
  • pnpm：前端包管理工具
  • Docker：推荐部署方式（可选，用于沙箱隔离）
  • 操作系统：macOS / Linux / Windows（WSL2）

  快速安装（3分钟上手）

  # 1. 克隆仓库
  git clone https://github.com/bytedance/deer-flow.git
  cd deer-flow
  
  # 2. 运行交互式配置向导（2分钟完成，生成 config.yaml 和 .env）
  make setup
  
  # 3. 安装依赖（本地开发模式）
  make install
  
  # 4. 启动本地服务
  make dev
  # 访问地址：http://localhost:2026
  

  配置向导会引导你设置 LLM 提供商（支持 OpenAI / DeepSeek / MiniMax / Qwen / 本地 vLLM 等）、网页搜索提供商（Tavily / Brave / Exa 等），无需手动编辑配置文件。配置完成后可随时运行 make doctor 验证配置是否正确。

  Docker 部署（推荐生产环境）

  # 开发模式（支持热重载）
  make docker-init    # 仅首次或沙箱镜像更新时运行
  make docker-start   # 启动服务
  
  # 生产模式
  make up             # 构建镜像并启动所有生产服务
  make down            # 停止并删除容器
  

  🎯 核心功能

  • 🧠 子智能体调度：主智能体可按需创建子智能体，每个子智能体拥有独立上下文、工具和终止条件；子智能体支持并行执行，执行结果结构化返回，主智能体最终汇总输出。长任务可拆分为多个子步骤，支持分钟到小时级别的复杂任务处理。
  • 📦 沙箱与文件系统隔离：每个任务拥有独立执行环境，支持文件读写、编辑、图像查看；支持多种沙箱模式：本地执行、Docker 隔离容器执行、Kubernetes Pod 执行。沙箱内文件路径 /mnt/user-data/ 下包含 uploads/（用户上传文件）、workspace/（智能体工作目录）、outputs/（最终交付物）。
  • 🧩 技能与工具扩展：内置研究、报告生成、幻灯片制作、网页生成、图像/视频生成等开箱即用技能；支持自定义技能、MCP 服务器扩展、Python 函数自定义工具；技能按需加载，避免上下文窗口过度占用；支持通过 /skill-name 前缀手动激活单轮技能。
  • 💾 长期记忆：跨会话持久化存储用户偏好、技术栈、常用工作流等信息；自动跳过重复记忆条目，避免记忆无限膨胀；记忆本地存储，用户完全可控。让智能体”记得”你之前的项目背景和编码习惯。
  • 🔌 IM 渠道集成：支持接入 Telegram、Slack、飞书、企业微信、钉钉、微信等 IM 渠道，无需公网 IP 即可接收任务。在聊天工具中直接使用 /new、/status、/models、/memory 等命令管理对话和智能体。
  • 📊 可观测性：内置 LangSmith、Langfuse 可观测性集成，支持全链路 LLM 调用、智能体运行、工具执行追踪。生产和调试时都能清晰了解智能体的决策过程。

  💡 典型使用场景

  场景一：深度研究报告自动生成

  输入”研究 Transformer 架构的演进历程，输出一份 5000 字的技术报告，包含关键论文引用和架构对比图”，deer-flow 会自动规划研究步骤：搜索相关资料 → 阅读并提取关键信息 → 对比不同架构差异 → 生成结构化报告 → 输出为 PDF/Markdown。整个过程无需人工干预，耗时约 10-30 分钟。

  场景二：代码项目从零搭建

  输入”帮我搭建一个基于 FastAPI + Redis 的短链接服务，包含单元测试和 Docker 部署配置”，deer-flow 会创建子智能体分别处理：API 路由设计、Redis 缓存逻辑、测试用例编写、Dockerfile 生成。最终在 outputs/ 目录下产出完整项目代码，可直接运行。

  场景三：内容创作与多语言本地化

  deer-flow 内置内容创作技能，支持文章撰写、幻灯片制作、网页生成。结合 IM 渠道集成，可以将已有视频/文章自动翻译为多种语言并生成配音版本，实现内容的多语言分发。适合自媒体运营者和内容创作者使用。

  🌟 推荐理由

  deer-flow 2.0 是目前开源超级智能体框架中最接近”生产可用”的项目之一。与 LangChain、CrewAI 等框架相比，deer-flow 的最大特点是长周期任务处理能力——通过子智能体调度和上下文管理，它可以处理耗时数小时的复杂任务而不超出上下文窗口。这是很多同类框架做不到的。

  几个让我印象深刻的细节：

• 上下文工程做得很到位：子智能体上下文隔离 + 自动摘要已完成子任务 + 中间结果卸载到文件系统，这套组合拳让长任务不 OOM。如果你用过其他框架处理长任务，就知道这个有多重要。
• 沙箱设计务实：支持本地 / Docker / K8s 三种沙箱模式，开发时可以用本地模式快速迭代，生产时切到 Docker 隔离。不用一上来就搞复杂的 K8s 部署。
• ByteDance 背书：这不是个人业余项目，是 ByteDance 内部打磨后开源的框架，2.0 版本完全重构，代码质量和文档都相当不错。74K+ stars 和 GitHub Trending 第一也证明了社区认可度。
• IM 渠道集成很实用：无需公网 IP 就能通过飞书/企微接收任务，对国内用户非常友好。想象一下在企业微信群里 @ 一下你的 AI 智能体，它就去后台帮你跑一个深度研究任务，完成后通知你——这个体验很丝滑。

当然也有一些注意事项：项目默认设计为本地可信环境部署，不可信环境需要额外配置认证网关；生产环境扩容需要通过提升单 worker 资源配置或拆分数据库、沙箱到独立节点实现，不能直接增加 worker 数量。部署前建议仔细阅读安全文档。

📦 下载地址

如果你正在寻找一个能处理复杂长任务的 AI 智能体框架，或者想了解 ByteDance 级别的工程团队是如何设计超级智能体的，deer-flow 绝对值得深入研究。74K+ 社区星标不会骗你。