📰 今日AI新闻
1. 迪卡侬AI机器人"迪宝"全球首发，进博会成AI应用秀场
迪卡侬在第X届中国国际进口博览会上全球首发了人工智能机器人"迪宝"。这款AI机器人专为商场场景设计，可在90分钟内完成4000平方米商场的盘点工作。据官方介绍，"迪宝"将于年底在上海各商场上岗，标志着AI机器人在零售行业的实际落地迈出了重要一步。
2. 阿里巴巴HappyHorse 1.0开启灰测，3分钟生成短视频
阿里巴巴视频生成模型HappyHorse 1.0已开启灰度测试，提供从智能生成到编辑的一体化创作能力。据实测反馈，该模型约3分钟即可生成短视频，创作者对其成本、速度和一致性表现关注度高。在国内外AI视频大模型竞争加剧的背景下，国内用户需求更偏向生产力场景，HappyHorse的灰测上线意味着阿里在AI视频生成赛道进一步加速。
3. 智己汽车上海车展发布"AI4M智能战略"
上汽集团旗下智己汽车在上海车展正式发布"AI4M智能战略"，将AI技术深度改造汽车技术底座。智己将"为用户创造颠覆性的智能场景体验"作为核心目标，拉开了AI变革智能出行的战略序幕。这是全球汽车行业内首次以AI科技深度改造汽车技术底座的大规模尝试，代表了中国汽车品牌在AI转型上的决心。
🔥 本周GitHub热门Skills TOP 3
🥇 第1名：DeerFlow — 46,126 ⭐
- 项目地址：github.com/bytedance/deer-flow
- 开发者：字节跳动（ByteDance）
- 简介：DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动2026年2月开源的全栈AI超级Agent框架，上线即登顶GitHub Trending榜首。基于LangGraph 1.0重构，作为OpenAI Deep Research的开源替代方案。
- 核心亮点：子代理并行调度（效率提升3-5倍）、真实Docker沙箱执行环境、Markdown技能系统、长短期记忆机制、完整MCP协议支持。
🥈 第2名：last30days-skill — 11,014 ⭐
- 项目地址：github.com/mvanhorn/last30days-skill
- 开发者：mvanhorn
- 简介：专为AI Agent设计的趋势研究技能包，能自动搜索和分析过去30天内Reddit、X、YouTube、Hacker News、Polymarket等多个平台的热门话题。
- 核心亮点：跨平台数据聚合、渐进式披露架构、实体级别热力评分、中文版（last30days-skill-cn）已由社区维护发布。
🥉 第3名：Agent-Skills-for-Context-Engineering — 9,875 ⭐
- 项目地址：github.com/muratcankoylan/Agent-Skills-for-Context-Engineering
- 开发者：muratcankoylan
- 简介：面向上下文工程、多智能体架构和生产级Agent系统的综合技能集合。
- 核心亮点：上下文优化可降低50%%的Token成本、内置持久化记忆系统设计、支持多Agent协作架构。
🏆 第1名DeerFlow详解：字节跳动开源的超级Agent框架
什么是DeerFlow？
DeerFlow 2.0是字节跳动于2026年2月28日开源的全栈AI智能体框架，全称"Deep Exploration and Efficient Research Flow"。它在发布后迅速登顶GitHub Trending榜首，30天内斩获近4.9万Star，成为AI Agent领域最受关注的开源项目之一。
与传统的AI框架不同，DeerFlow不是一个简单的"聊天机器人"，而是一个真正能干活的Agent运行环境。它拥有自己的文件系统、沙箱执行环境、长期记忆系统，可以自主规划任务并调度多个子Agent协同工作。
核心架构
DeerFlow的核心架构采用"Lead Agent + Middleware Chain + Dynamic Sub-Agent"模式：
Lead Agent（主导代理）：作为任务的总指挥，负责理解用户意图、制定执行计划、分配子任务给子代理，并在最后整合结果。
Middleware Chain（中间件链）：在Agent执行过程中提供横切关注点的处理，包括记忆管理、工具选择、安全检查、日志记录等。
Dynamic Sub-Agent（动态子代理）：根据任务需要动态创建和销毁的专项代理，每个子代理专注于特定领域（如代码编写、数据分析、网页搜索等），支持并行执行，效率提升3-5倍。
关键特性
- Docker沙箱执行：所有代码执行都在真实的Docker容器中运行，确保安全隔离。
- Markdown技能系统：采用Markdown格式定义技能，开发者可以通过编写简单的Markdown文件来扩展DeerFlow的能力。
- 长短记忆机制：短期记忆在单次任务执行过程中维护上下文；长期记忆支持跨任务的持久化知识存储和向量化检索。
- MCP协议完整支持：完整实现了Model Context Protocol（MCP），可以与外部工具和服务无缝对接。
实际应用场景
- 深度研究：作为OpenAI Deep Research的开源替代方案，可自动化完成从文献搜索到报告撰写的全流程
- 代码开发：在沙箱环境中自主编写、测试和迭代代码
- 数据分析：处理复杂的多步骤数据分析任务
- 内容创作：支持从调研到创作的全链路自动化
快速开始
# 克隆项目
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
# 安装依赖
pip install -r requirements.txt
# 配置API Key
cp .env.example .env
# 启动Docker
docker-compose up -d
# 运行DeerFlow
python main.py为什么DeerFlow值得关注？
DeerFlow代表了AI Agent领域从"对话工具"向"执行系统"的根本性转变。它不是一个演示项目，而是一个面向生产环境的完整Agent运行时框架。字节跳动的工程能力和开源决心，让这个项目具备了成为Agent开发事实标准的潜力。
对于开发者和企业来说，DeerFlow提供了构建自有AI Agent的最佳起点——你可以直接基于它进行定制开发，也可以从中学习业界领先的Agent架构设计理念。
评论区