ByteDance DeerFlow 完整教學：安裝、設定 DeepSeek、實戰研究，以及你一定在意的隱私問題

DeerFlow 上個月在 GitHub 拿了 45k 顆星，登上 Trending 第一名。Twitter 和 Threads 上到處有人轉貼，但繁體中文的完整教學？一篇都沒有。

這篇補上這個缺。從「DeerFlow 跟 ChatGPT 到底差在哪」開始，帶你走完安裝、設定低成本的 DeepSeek API、跟 Perplexity 和 OpenAI Deep Research 做比較，最後正面處理那個大家心裡都有但很少人認真討論的問題：ByteDance 的東西，我的資料安全嗎？

TL;DR

• DeerFlow 不是更聰明的 ChatGPT，它是「讓 AI 能執行研究任務」的自架框架，有 Docker 沙盒、能跑程式、能讀寫檔案
• 安裝需要 Docker + Python 3.12 + Node.js 22，用 make docker-start 啟動，連到 localhost:2026
• 最省錢搭配：DeepSeek v3 API，比 GPT-4o 便宜數倍，效果接近
• ByteDance 隱私疑慮是真的：用 Ollama 本地模型可以讓資料完全不離開你的電腦
• 適合需要重複做深度研究的人（競品分析、市場報告），偶爾查個東西用 Perplexity 就夠了

DeerFlow 到底是什麼？跟 ChatGPT 的本質差別

先搞清楚一件事：DeerFlow 不是另一個聊天機器人。

你用 ChatGPT 問「幫我分析 A 公司和 B 公司的競爭策略」，它會給你一篇看起來很有道理的文字。但那些資訊是從訓練資料裡拼出來的，它沒有真的去查 A 公司最新的財報，也沒有打開 B 公司的網站看他們上週改了什麼。

DeerFlow 做的事情本質上不同。它給 AI 一台「專屬電腦」：一個隔離的 Docker 沙盒環境，裡面有真實的檔案系統和 bash 終端機。AI 不只是「說」要怎麼做，它能真正去執行：上網搜資料、跑 Python 腳本分析數據、把結果寫成報告存檔。

Twitter 上 @lxfater 的描述意外地精準：「字節搞了個 openclaw + claude code + 沙箱。」

架構上，DeerFlow 是一個 SuperAgent 編排框架。主代理（Orchestrator）接到你的任務後，會拆成子任務分配給不同的子代理並行執行，最後由 Reporter 合成輸出。整個過程你只需要下一個指令，然後等結果。

但老實說，「等結果」也是它的侷限。多步驟 agent 系統天生有 hallucination 疊加的問題，第一步的小錯可能在第三步被放大。DeerFlow 沒有內建的 grounding 或交叉驗證機制，輸出結果你還是得自己 review。把它當成一個能力很強的研究助理，不是一個你可以完全信任的分析師。

判斷你是否需要 DeerFlow 的核心問題：你的研究任務需要 AI 去「執行動作」嗎？（搜集網頁、跑分析、整理資料）如果是，DeerFlow 值得花時間設定。如果你只是需要快速問答，Perplexity 更實際。

DeerFlow 2.0 核心功能：不只是做研究

DeerFlow 2.0 跟初版完全不同。官方說法是「因為社群的使用方式超出預期，跟 v1 零共用程式碼，完全重寫」。重寫後的四大核心能力：

Docker 沙盒執行環境：每個任務在隔離容器中運行，AI 可以安裝套件、跑腳本、讀寫檔案，不會弄亂你的系統。這是 DeerFlow 和純聊天工具的根本分界線。不過要注意：沙盒裡的 Coder Agent 可以執行任意 bash 命令，這代表如果有 prompt injection 攻擊（讓 AI 執行惡意指令），沙盒雖然隔離了你的主系統，但沙盒內部的資料仍然暴露。不要在沙盒中處理敏感檔案。

階層式多代理系統：主代理拆解任務，子代理並行處理。做一份競品分析，可能同時有三個子代理分別在搜集不同公司的資料，最後合成一份報告。

Markdown Skills 系統：工作流程用 Markdown 檔案定義，不用寫程式碼。你可以自訂研究流程（例如「先搜集 → 再分析 → 最後生成簡報」），系統會按步驟執行。

持久化記憶：跨 session 記住你的偏好和上下文。你上週做過的競品分析，這週追蹤更新時它還記得之前的結論。

輸出不只有文字報告。根據官方展示，DeerFlow 可以生成研究報告（含圖表和引用）、PPT 簡報、甚至完整網頁。主要輸出格式是 Markdown 和 HTML，你可以直接複製到 Notion 或其他工具中。不過 PPT 和網頁生成的品質我沒有看到獨立評測，官方 demo 看起來不錯，實際效果你得自己試。

Telegram、Slack、飛書的整合支援也是亮點。你可以在 Telegram 群組裡直接下指令給 DeerFlow，它會在背景執行完把結果傳回來。對團隊協作來說，這比開一個網頁介面方便不少。

最後提一個現實面：DeerFlow 2.0 在 2026 年 2 月底才發布，目前仍在快速迭代。安裝需求已經從 Python 3.11 升到 3.12，未來幾個月指令和設定都可能改變。建議固定在某個 release tag 使用，而不是直接追 main branch。

環境需求與安裝教學（Mac / Windows）

安裝 DeerFlow 不算難，但有幾個地方第一次一定會卡。我先列環境需求，再走一遍流程。

你需要準備的東西

• Python 3.12+（注意，3.11 以下不行）
• Node.js 22+
• Docker Desktop（必備，沙盒環境靠它）
• pnpm（Node 套件管理器）
• uv 0.7.20+（Python 套件管理器）

Mac 使用者如果有 Homebrew，大部分都能 brew install 解決。Windows 使用者建議先裝好 Docker Desktop 和 WSL2。

安裝步驟

# 1. 把專案抓下來
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 產生設定檔模板
make config

# 3. 編輯 .env 設定你的 API Key（下一節會詳細說明）
# 先用你習慣的編輯器打開 .env 檔案

# 4. 用 Docker 啟動（推薦方式）
make docker-start

啟動後打開瀏覽器，連到 http://localhost:2026，看到介面就代表成功了。

第一次一定要知道的事

最多人卡在的地方：跳過 make config 直接執行。這個指令會產生 config.yaml 和 .env 模板，沒跑的話後面全部會報錯。

另外，DeerFlow 會佔用四個 port：2026（nginx 統一入口）、8001（gateway API）、2024（LangGraph server）、3000（前端介面）。如果你電腦上有其他服務佔了這些 port，啟動會失敗。

想確認環境是否正確，可以跑：

make check

它會自動檢查所有依賴是否就緒。

API 設定與模型選擇：DeepSeek、Gemini、Ollama 怎麼選？

DeerFlow 最棒的設計之一是完全 model-agnostic，任何相容 OpenAI API 格式的模型都能接。這代表你不一定要花大錢用 GPT-4o。

三條路徑，看你的需求

路徑一：DeepSeek API（推薦大部分人）

費用低、效果好、設定簡單。打開 .env 檔案，填入：

DEEPSEEK_API_KEY=your-key-here

然後打開 config.yaml，在 model 相關設定中把模型名稱改成 DeepSeek v3（具體欄位名稱依版本而異，跑 make config 後產生的模板會有註解說明）。DeepSeek API 的費用比 GPT-4o 便宜不少，對預算有限的使用者來說是務實的起點。

路徑二：OpenAI API（你已經有 key 的話）

最直接的方式。在 .env 中設定：

OPENAI_API_KEY=your-key-here

品質最穩定，但費用也最高。如果你已經在付 API 費用做其他專案，直接沿用即可。

路徑三：Ollama 本地模型（零費用 + 最高隱私）

資料完全不離開你的電腦。先安裝 Ollama，拉一個模型（建議 Qwen 或 DeepSeek local），然後把 DeerFlow 的 API endpoint 指向 localhost:11434。

代價是你需要有一張還行的 GPU（至少 8GB VRAM），而且推論速度會比雲端 API 慢不少。但如果你在意隱私，這是唯一讓資料零外傳的方案。

怎麼選？

考量	DeepSeek API	OpenAI API	Ollama 本地
費用	低	高	零（但需要 GPU）
品質	接近 GPT-4o	最穩定	取決於模型和硬體
隱私	資料送至 DeepSeek 伺服器	資料送至 OpenAI	完全本地
設定難度	低	低	中

如果你沒有特殊隱私需求，DeepSeek API 是我會推薦的起點。等你確定 DeerFlow 適合你的工作流程，再考慮要不要投資 Ollama 方案。

DeerFlow vs OpenAI Deep Research vs Perplexity：不是同一個賽道

這三個工具常被放在一起比，但它們解決的問題其實不太一樣。

Perplexity：最快、最簡單。問一個問題，幾秒內拿到帶引用的答案。適合日常查詢、快速 fact-check。不需要任何設定，打開就用。

OpenAI Deep Research：需要 ChatGPT Plus 訂閱。給它一個研究主題，它會花幾分鐘生成一份深度報告。品質很好，但你沒辦法客製化研究流程，輸出就是一份報告。

DeerFlow：開源自架，根據 LiveResearchBench 評測，研究品質與 Deep Research 接近（兩者整體均分差距不到 1 分），但多了「執行能力」和「客製化」。你可以定義自己的研究流程、讓它跑 Python 分析、甚至部署成 Telegram bot 讓團隊共用。代價是你要花時間安裝和設定。

	Perplexity	OpenAI Deep Research	DeerFlow
適合場景	快速查詢、引用	單次深度報告	複雜長線任務、客製化流程
費用	Pro $20/月	ChatGPT Plus $20/月	模型 API 費用（可零費用）
設定門檻	零	零	中高
可客製化	不行	不行	完全開放
執行能力	無	有限	完整（Docker 沙盒）

我的建議：如果你每週只查幾次東西，用 Perplexity。如果你偶爾需要一份深度報告，Deep Research 夠用。但如果你每週都在做類似的研究任務（競品追蹤、市場報告、技術文件整理），DeerFlow 一次設定、長期省時間。

ByteDance 隱私風險：你的資料到底去哪裡？

這是寫這篇文章時我最不想迴避的部分。DeerFlow 是 ByteDance 出品的開源專案，而 ByteDance 是一家中國公司。這個事實不會因為它開源就消失。

技術層面（可以解決）

好消息是，DeerFlow 本身不直接收集你的資料。你的研究內容會送到哪裡，完全取決於你選的 LLM backend：

• 用 OpenAI API → 資料送到 OpenAI
• 用 DeepSeek API → 資料送到 DeepSeek 伺服器
• 用 Ollama 本地模型 → 資料完全不離開你的電腦

所以從技術上來說，選 Ollama 就能確保資料零外傳。官方 README 中文版也明確寫了「僅供本機可信環境部署」的警告。

法律層面（無法透過技術解決）

壞消息是，ByteDance 受中國法律管轄。VentureBeat 的企業分析報導特別指出，金融、醫療、政府等受管制產業在採用 DeerFlow 前需要做合規審查。

更讓人在意的是前例。ByteDance 另一個開發者工具 Trae IDE 曾被 TechRadar 報導有收集用戶數據的行為。雖然 DeerFlow 是不同的產品，但同一家公司的信任紀錄會影響判斷。

還有一點：目前沒有任何公開的獨立安全審計報告。45k stars 的專案，很多人在用，但我沒有找到任何第三方對 source code 做過系統性的安全檢查。Twitter 上 @NFTCPS 的質疑：「收藏從未停止，使用從未開始」，某種程度上也反映了社群對實際使用深度的疑慮。

我自己怎麼選

分三種情況：

• 個人研究、不敏感的資料：直接用 DeepSeek API，省事又便宜。反正你用 Google 搜尋也在送資料出去。
• 企業非敏感資料：可以用，但建議不對外暴露 DeerFlow 的 port，只在內網跑。
• 企業敏感資料（財務、客戶、醫療）：要嘛用 Ollama 完全離線，要嘛就不要用 DeerFlow。法律風險不是技術方案能消除的。

這不是恐嚇，是讓你做 informed decision。工具是好工具，但信任要給對地方。

安裝失敗怎麼辦？5 個最常見錯誤

根據 GitHub Issues 和社群回報，新手碰到的問題幾乎都是這五個：

1. API Key 未設定

症狀：啟動後任何任務都報 API key not configured 錯誤。

解法：確認你有先跑 make config 產生 .env 檔案，然後在裡面填入至少一組 API key。最常見的原因就是忘記跑 config。

2. Pydantic 驗證錯誤 / JSON 解析失敗

症狀：任務執行到一半噴出 ValidationError 或 JSON parse 相關錯誤。

解法：通常是模型能力不足，無法穩定輸出結構化 JSON。換一個更強的模型（例如從 DeepSeek v2 升到 v3），或確認你的 DeerFlow 版本是最新的。

3. Port 衝突

症狀：make docker-start 失敗，log 顯示 port already in use。

解法：

# 查看哪個程式佔了 port
lsof -i :2026
# 關掉佔用的程式，或改 DeerFlow 的 port 設定

DeerFlow 預設用 2026、8001、2024、3000 四個 port，任何一個被佔都會啟動失敗。

4. Python 版本不對

症狀：安裝過程中出現語法錯誤或套件不相容。

解法：

# 確認 Python 版本
python3 --version
# 如果不是 3.12+，用 uv 固定版本
uv python pin 3.12

5. Docker sandbox 映像未拉取

症狀：任務執行時沙盒環境啟動失敗。

解法：

make setup-sandbox

這個指令會拉取 DeerFlow 需要的 Docker 映像。第一次執行可能要等幾分鐘，取決於你的網速。

通用診斷工具

不確定問題在哪的時候，試這三個：

make check              # 檢查所有依賴
curl localhost:2026/api/health  # 檢查 API 是否正常
make docker-logs-gateway        # 看 gateway 的 log

結論：好工具，但不是每個人都需要

DeerFlow 不是完美的。它有安裝門檻、有隱私疑慮、輸出品質還是需要人工 review。但對於需要「定期做深度研究」的人（每週追蹤競品、整理產業報告、系統性收集技術文件），它目前是開源市場上最完整的選擇。

用 DeepSeek 壓低成本，用 Ollama 解決隱私問題，花一個小時設定好之後就是長期受益的事。

如果你決定要試，建議的順序是：先確認電腦有 Docker 和 Python 3.12 → git clone → make config → 填好 DeepSeek API key → make docker-start → 給它一個你平常會花 30 分鐘手動做的研究任務，看結果是否值得你繼續投入。