前言

在过去几天时间里面，字节终于把自家的Coze和Deerflow两个企业级项目进行开源，一下子，字节的裤子被扒下来了。

首先来唠嗑唠嗑Deep Research深度研究项目Deerflow。作为一个长期由社区驱动的框架，建立在开源社区与不同开发者的杰出工作基础上，将大语言模型结合能够让模型可以进行自主使用的专业工具（如Web网页端搜索、本地化文件管理、Web网页自动化等等）。在个人方面，可以说绝对是一个非常能干的私人助理。在网页搜索以及网页信息提取方面，经过近几年AI工具的快速发展，从以前的Function Call，到AI Tool，再到现在的MCP Tool，相较于Tavily Search MCP Tool和OpenResearch这两个工具而言，Deerflow项目的开源确实是重新定义了更多开发者心中AI Web Search与推理相结合的地位，让开发者更专注于项目的开发，而不是重新对工具进行再加工。

目录

前言

一、为什么对于Deerflow的开源充满新的定义？

应用测试案例

二、Coze的开源为什么让开发者异常兴奋？

核心功能亮点

三、Flowgram.ai与Deerflow的性能对比

1、核心定位对比

2、技术架构与功能整合

Flowgram.ai 技术特性：

DeerFlow 技术特性

整合两个项目的潜力

💎 总结：字节跳动AIGC工具链的双引擎

---

一、为什么对于Deerflow的开源充满新的定义？

其实，在过去几个月的时间中，我也尝试了制作一些有趣的智能体来解锁一些特定场景的玩法，比如脸部皮肤分析与网页信息搜索，但是在使用Web Search MCP工具时，我也深深地尝试了很多相关的工具，整体测试效果并不算太完美，但是在看到了字节的Deep Research深度搜索项目之后，就感觉这才是我想要的Web Research工具！

Deep Research深度搜索开源项目，不仅与MCP服务无缝集成，还能在与智能体进行多轮对话中，进行深入研究并生成含有图像的综合报告，甚至还能为该报告生成专属播客音频。对于研究对的智能化、深度化、用户个性化，确实是一个独具特色的项目。

应用测试案例

就拿我的皮肤分析智能体为例:

首先在测试阶段，我已经将在一定条件下的用户脸部皮肤图片转化为了json格式化数据，如下图：

脸部转换后的数据如下：

然后我直接将文件数据，连同制定好的提示词发给DeerFlow 智能体进行测试看看，
在这次测试中，我采用了字节在2025年原动力大会上发布的豆包1.6模型，希望能够带来不同分析体验：

这是修订版之后的Plan

感觉Deep Research在制作决策性内容很在行，尤其可以作为Agentic的主心骨。

在我看来，Deep Research深度探索项目的确很不错，尤其看好之后几年字节火山引擎的走势。

Deer-flow开源地址：bytedance/deer-flow: DeerFlow is a community-driven Deep Research framework, combining language models with tools like web search, crawling, and Python execution, while contributing back to the open-source community.https://github.com/bytedance/deer-flow/tree/main

---

二、Coze的开源为什么让开发者异常兴奋？

对于一个适合新手入门AI应用行业的平台，Coze深受很多开发者的喜爱，Coze的开源也表明了字节想牵手开源社区共同发展的本心。

Coze作为智能体工作流与智能体应用构建的低代码平台，以可视化拖拽模块为优点，让开发者实时关注整体项目workflow的进度以及不同方向的调整。

Coze采用节点式设计和 AI 增强功能，提供直观的可视化工作流构建体验。它支持 固定布局（结构化流程） 和 自由布局（灵活连接），通过 AI 自动化任务（如数据清洗、报告生成），并允许开发者扩展节点功能。

通过前端可视化编辑器（React）实现节点拖拽和连接，结合后端 AI 集成（支持 豆包、DeepSeek、Kimi 等通用大模型），提供流畅的交互体验。FlowGram 的设计目标是简化工作流开发，同时通过 AI 增强自动化能力。

• 特别适合需要明确输入输出的可视化工作流场景。

核心功能亮点

• 双布局模式：支持固定布局、自由布局，可实现卡片式排布（节点拖拽）或流程图式排布（自由线条连接）。
• AI 能力增强：可接入豆包、月之暗面Kimi、DeepSeek等大模型能力，增强工作流的智能化处理。
• 丰富的交互体验：提供拖拽、连线、节点配置、参数输入、状态高亮等交互设计，确保输入输出清晰。
• 节点控制丰富：分支判断、循环执行、嵌套子流程、条件表达式等均可灵活配置
• 强大的扩展能力：具备良好扩展性，可为节点增加自定义功能或集成外部服务
• 低代码能力支撑：具备构建更大规模自动化系统的基础组件和扩展体系

flowgram.aihttps://github.com/bytedance/flowgram.ai

---

三、Flowgram.ai与Deerflow的性能对比

1、核心定位对比

2、技术架构与功能整合

Flowgram.ai 技术特性：

1.1、双模式工作流引擎：

• 固定布局：网格化节点编排，支持复合结构（分支/循环），自动生成代码框架，适用于物流分拣、审批系统等标准化流程。
• 自由布局：无约束拖拽节点，实时流程图与代码双向同步，适合算法原型设计（如医疗影像处理管道）。 

1.2、AI增强能力：

• 智能推荐模块（如对数据进行分析，结合电商API封装的MCP工具进行产品信息筛选、过滤、推荐）
• 风险预判（对制作应用的前景以及难度损耗进行预判）与本地化文档自动化。 

DeerFlow 技术特性

1.1、多模态生成引擎：

• 图文报告→PPT转换、文本→播客（双人主持+多音色），依赖火山引擎语音技术。

1.2、交互式研究工具：

• Replay模式追溯AI决策链，支持Web搜索/私有知识库增强研究深度。 

整合两个项目的潜力

1. 流程驱动内容生成：
   Flowgram构建数据处理工作流 → DeerFlow将结果转为播客/PPT（例：医疗影像分析报告自动生成讲解视频）。
2. 调试协同：
   DeerFlow的Replay日志可导入Flowgram，通过流程图定位研究逻辑缺陷。

---

大体来说，字节这次的裤子真的被扒下来了。

💎 总结：字节跳动AIGC工具链的双引擎

• Flowgram.ai ： 逻辑具象化工具，将抽象业务逻辑转化为可执行系统，解决“怎么做”问题；

• DeerFlow ： 知识产品化工具 ，将信息转化为易传播的多模态内容，解决“怎么讲”问题； 二者构成从技术实现到知识交付的完整闭环，代表字节在AIGC领域“工具链+生态”的战略布局。