DeerFlow二次开发：构建自己的Openclaw企业级平台

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

文章总结： 本文介绍DeerFlow开源智能体框架的二次开发实践，重点解析其基于LangGraph的中间件架构、飞书集成方案及三层安全防御体系。核心展示如何通过13个中间件构建执行流水线，利用独立事件循环实现飞书WebSocket全双工交互，并通过权限网关和Guardrails机制保障AIAgent安全。文末提供源码链接及团队推广信息。 综合评分： 62 文章分类： 安全开发,解决方案,应用安全,安全工具,软文广告

cover_image

油漆工油漆工

C4安全

2026年4月3日 14:15 江苏

在小说阅读器读本章

去阅读

什么是deerflow？

DeerFlow 是字节跳动开源的一款超级智能体运行时框架，全称是 Deep Exploration and Efficient Research Flow（深度探索与高效研究流），可以说拥有Openclaw的绝大部分一模一样的功能。

他有预制、自定义的skill和配置，也可以设置多个子agent干不同的活。

现在来拆解它是如何基于 LangGraph 构建一个具备文件系统、长期记忆和安全沙箱的 Super Agent 运行时，并实现在飞书环境下的深度集成。

一、架构核心

DeerFlow 2.0 放弃了简单的 Linear Chain 模式，转而采用了更灵活的 Middleware（中间件）管道架构。

13+ 中间件构成的执行流水线

在 DeerFlow 中，每一条用户指令都会经过一个严密的中间件链条（Pipeline）。这就像是 Web 开发中的拦截器，但针对的是 Agent 的生命周期。以 SandboxMiddleware 为例，它负责在 Agent 启动前挂载沙箱，在结束后释放资源：

class SandboxMiddleware(AgentMiddleware):     @override     def before_agent(self, state: SandboxMiddlewareState, runtime: Runtime) -> dict | None:         # 在 Agent 运行前，根据 thread_id 获取或创建隔离的沙箱环境         if “sandbox” not in state or state[“sandbox”] is None:             thread_id = (runtime.context or {}).get(“thread_id”)             sandbox_id = self._acquire_sandbox(thread_id)             return {“sandbox”: {“sandbox_id”: sandbox_id}}         return None

@override def after_agent(self, state: SandboxMiddlewareState, runtime: Runtime) -> dict | None: # 任务结束后，确保沙箱资源被正确回收 sandbox = state.get(“sandbox”) if sandbox: get_sandbox_provider().release(sandbox[“sandbox_id”])

基于 LangGraph 的状态机编排

DeerFlow 的大脑由 LangGraph 驱动。通过 make_lead_agent 函数，我们将模型、工具集和中间件链条组装成一个健壮的 Compiled Graph：

def make_lead_agent(config: RunnableConfig):     # 动态加载工具集与中间件     return create_agent(         model=create_chat_model(name=model_name, thinking_enabled=thinking_enabled),         tools=get_available_tools(subagent_enabled=subagent_enabled),         middleware=_build_middlewares(config),         system_prompt=apply_prompt_template(…),         state_schema=ThreadState,     )

二、飞书集成：WebSocket 模式下的“全双工”交互

这里先简单带过一句，为了deerflow能隔离多用户，我在这里二开了登录系统，以及不同用户和ai之间的对话隔离，在开源版中是没有这一部分功能的。

为了让 Agent 进入企业办公场景，我尝试在deerflow2.0当中为飞书开发了深度的 WebSocket 连接器。

技术难点：异步事件循环的兼容

飞书的 lark-oapi 在 WebSocket 模式下对 Event Loop 的处理比较特殊。为了不阻塞主服务的 uvloop，我们在 feishu.py 中实现了一个巧妙的隔离方案：

def _run_ws(self, app_id: str, app_secret: str, domain: str) -> None:     # 为飞书 WebSocket 客户端创建一个独立的事件循环     loop = asyncio.new_event_loop()     asyncio.set_event_loop(loop)

# 关键：手动补丁 SDK 的模块级 loop 引用，避免与主线程冲突 import lark_oapi.ws.client as _ws_client_mod _ws_client_mod.loop = loop

ws_client = lark.ws.Client( app_id=app_id, app_secret=app_secret, event_handler=event_handler, domain=domain ) ws_client.start()

交互闭环：动态卡片更新

DeerFlow 不仅仅是发送消息，它会利用飞书的消息 ID（msg_id）作为线程锁，实时更新同一个互动卡片，让用户能看到 Agent 思考的每一步。

这里可以看下效果，对接飞书通道只需要你填入AppID以及AppSecret即可，自动配对。

在飞书创建机器人并开通权限，配对成功之后，我们直接可以在飞书中下发任务给deerflow。

可以看到完成的热点抓取任务很顺利，文章内容的完成度也不错。

三、网络安全：AI Agent 的“防御纵深”

当 AI 获得代码执行权限时，安全就是生命线。DeerFlow 构建了三层防御体系：

严格的权限网关

在 security.py 中，我们定义了严苛的检查逻辑，防止 Agent 在非受信环境下执行宿主机指令：

def is_host_bash_allowed(config=None) -> bool:     “”“只有在明确配置且非本地沙箱模式下，才允许执行 host bash”“”     sandbox_cfg = getattr(config, “sandbox”, None)     if not uses_local_sandbox_provider(config):         return True # AioSandbox (Docker) 模式下默认安全     # 本地模式下必须显式开启 allow_host_bash     return bool(getattr(sandbox_cfg, “allow_host_bash”, False))

Guardrails：工具调用的“防火墙”

在工具真正执行前，中间件会拦截 tool_call 并比对预设的策略（Policy）。如果是敏感操作，会触发“人工介入确认”，用户在飞书里点击“同意”后，Agent 才会获得临时授权。

[探索 DeerFlow 源码]

GitHub – bytedance/deer-flow

感兴趣的师傅可以公众号私聊我进团队交流群，咨询问题，hvv简历投递，nisp和cisp考证都可以联系我

内部src培训视频，内部知识圈，可私聊领取优惠券，加入链接：https://wiki.freebuf.com/societyDetail?society_id=184 安全渗透感知大家族

（新人优惠券折扣20.0￥，扫码即可领取更多优惠）

加入团队、加入公开群等都可联系微信：yukikhq，搜索添加即可

END

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：C4安全油漆工

 油漆工《DeerFlow二次开发：构建自己的Openclaw企业级平台》

DeerFlow二次开发：构建自己的Openclaw企业级平台

相关推荐