学习笔记:DeerFlow vs OMOC/Sisyphus——多 Agent 架构的两种范式:自由意志 vs 预设规则

这篇文章，我想和你深入探讨这两种架构的设计思路差异——不是非黑即白的对立，而是各有侧重、可以相互融合的两种设计思路。

一、设计思路差异：从一个简单的问题开始

让我们从一个最简单的问题开始：当用户输入一个任务时，系统第一步做什么？

这个问题的答案，恰恰体现了两种架构的不同设计侧重点。

1.1 DeerFlow 的回答：我有一个 Super Agent，让它来处理

用户输入
    ↓ (动态规划)
Super Agent（我有一个超级智能体）
    ↓ (自主决策)
Super Agent 看着任务，思考：
    ├─ "这个任务需要研究吗？" → 生成 Research Sub-Agent
    ├─ "这个任务需要写代码吗？" → 生成 Coding Sub-Agent
    └─ "这个任务需要生成报告吗？" → 生成 Report Sub-Agent
    ↓ (并行执行)
Sub-Agents 在沙箱中并行工作
    ↓ (结果合成)
Super Agent 收集所有结果，合成最终输出

关键特征：

• 首先启动一个全能的 Super Agent
• Super Agent 自主决定：需要什么子 Agent、什么时候启动、怎么协调
• Super Agent 拥有完全的控制权和决策权

1.2 OMOC/Sisyphus 的回答：我有一套流程，按步骤执行

用户输入
    ↓ (状态流转)
Task Definition（先定义清楚这是什么任务）
    ↓ (流程驱动)
Sisyphus（我是一个流程编排者）
    ↓ (按图索骥)
Sisyphus 看着预定义的流程：
    ├─ 第一步：调用 Research Agent
    ├─ 第二步：调用 Writing Agent
    ├─ 第三步：调用 Review Agent
    └─ 第四步：调用 Format Agent
    ↓ (串行执行)
Agents 按顺序串行工作
    ↓ (结果输出)
输出最终结果

关键特征：

• 首先明确定义任务类型和流程
• Sisyphus 是一个编排者，不是全能的决策者
• 流程通常是预定义的，按步骤执行

二、设计理念的差异：自主智能 vs 流程编排（道）

这两种架构的差异，本质上是**"自主智能"与"流程编排"**两种设计思路在技术上的体现——它们不是对立的，而是各有侧重，可以相互融合。

2.1 DeerFlow：智能体中心——强调"自主智能"

核心信念：智能体应该拥有足够的自主性和智能，来应对复杂的、不可预测的任务。

设计原则：

1. 赋予智能体最大的自主权
2. 提供完整的执行环境
3. 结构化的能力模块（Skills）

适用场景：任务复杂且不可预测、需要执行环境、需要长期记忆和个性化

类比：DeerFlow 像是给你一个经验丰富的项目经理，你告诉他目标，他自己决定怎么完成。

2.2 OMOC/Sisyphus：流程中心——重视"流程编排"

核心信念：大多数任务是可预测的、可标准化的，通过明确的流程编排可以更高效、更可控地完成。

设计原则：

1. 明确定义任务和流程
2. 专业化的 Agent 分工
3. 灵活可扩展

适用场景：任务相对标准化、可预测、不需要复杂执行环境、需要快速开发

类比：OMOC/Sisyphus 像是给你一条高效的装配线，每个工人只负责一道工序。

三、工程实现对比：五个维度看技术差异（术）

3.1 状态管理

DeerFlow：分散式上下文

• 每个 Agent 拥有独立的上下文窗口
• 状态分散存储，隔离性好但同步复杂
• 所有状态都是可观测的（不是黑盒），只是分布在不同地方

OMOC/Sisyphus：全局状态机

• 整个系统是明确的状态机
• 状态集中管理，流转可追踪、可回滚，可控性强

3.2 容错机制

DeerFlow：动态自愈

• 依赖大模型的理解能力去阅读错误信息并动态调整策略
• 容错能力强，可以尝试多种修复方案
• 但消耗 Token 较多，且存在"越修越错"的可能性
• 不是"一出错就全局崩盘重来"，而是智能体持续尝试修复

OMOC/Sisyphus：节点重试 西西弗斯的隐喻就在这里——不断推石头上山。

• 如果第三步（Review）发现第二步（Writing）不达标，精准打回第二步重做
• 不需要让全局大脑重新思考一遍
• 用"流程的确定性"换取"容错的极高确定性"

3.3 扩展方式

重要说明：Tool 与 DAG 并不互斥，它们是两种不同的扩展思路：

DeerFlow：扩充全局工具箱

• 通过给 Super Agent 增加更多 Tools/Skills 来扩展能力
• Super Agent 自主决定什么时候使用新工具
• 开发者只需要把新工具放入工具箱，无需修改流程
• 好处：灵活性高，智能体可以创造性地组合使用工具
• 挑战：需要智能体有足够的能力判断何时使用何种工具

OMOC/Sisyphus：修改执行拓扑图

• 通过在 DAG 中显式添加新节点来扩展能力
• 开发者必须明确地将新节点连入现有流程
• 每个新能力的使用时机和位置都是预先定义好的
• 好处：可控性强，执行路径完全可预测
• 挑战：每次扩展都需要修改流程图

3.4 开发重心

DeerFlow：写 Prompt/调优模型

• 开发重心在如何更好地 Prompt 智能体
• 对模型能力依赖高，上限高但调试难度大

OMOC/Sisyphus：画流程图/状态管理

• 开发重心在如何设计合理的流程
• 对模型能力依赖低（每个节点可以用相对简单的模型）
• 可控性强，可预测

3.5 调试与可观测性

重要澄清：两者本质上都是"白盒"——所有日志和状态都是可观测的。真正的区别在于执行路径的可复现性。

DeerFlow：执行路径不可复现

• 所有决策过程都有日志记录，完全可观测
• 但因为大模型有温度值（Temperature）和概率波动，相同输入可能导致不同的执行路径
• Bug 难以稳定复现，这是调试的最大痛点

OMOC/Sisyphus：执行路径可复现

• 每个节点的输入输出明确
• 状态流转可追踪、可回放
• 相同输入必然产生相同的执行路径，Bug 易于复现和定位

四、如何融合两种设计思路？

实际上，大多数实际系统都不是非黑即白的选择，而是以一种思路为主，融合另一种思路的架构设计模式。

4.1 以 DeerFlow 为主的场景

当你的场景更偏向 DeerFlow 的设计理念时：

1. 任务复杂且不可预测
• 你不知道任务会怎么演变
• 需要智能体自主决策和调整
• 例子：深度研究、开放式探索、复杂问题解决
2. 需要完整的执行环境
• 需要运行代码、执行命令、处理文件
• 例子：代码生成、数据处理、自动化工作流
3. 需要长期记忆和个性化
• 需要跨会话保持状态、学习用户偏好
• 例子：个性化助手、持续学习系统

融合建议：即使以 DeerFlow 为主，也可以在关键节点引入 OMOC 的流程化思想，比如在输出前增加固定的 Review 环节，提高确定性。

4.2 以 OMOC/Sisyphus 为主的场景

当你的场景更偏向 OMOC/Sisyphus 的设计理念时：

1. 任务相对标准化、可预测
• 你知道这类任务应该按什么步骤执行
• 例子：内容创作、文章写作、标准化处理
2. 需要快速开发和迭代
• 想要快速上手，快速产出
• 例子：原型验证、快速迭代、MVP 开发
3. 不需要复杂的执行环境
• 主要是纯文本任务
• 例子：文本生成、内容编辑、摘要翻译
4. 需要高确定性和容错能力
• 需要节点级别的重试机制、状态可回滚
• 例子：生产环境、关键业务流程

融合建议：即使以 OMOC 为主，也可以在具体节点内部引入 DeerFlow 的自主性思想，让单个 Agent 有更大的灵活度。

4.3 最佳实践：混合架构——带护栏的赛道

大多数时候，我们不需要二选一。可以结合两者的优势，构建"带护栏的赛道"。

推荐方案：

• 宏观上用 OMOC/Sisyphus：流程清晰，易于理解和扩展
• 微观上用 DeerFlow 的理念：Agent 内部可以有更大的自主性

wxwriter 就是这样的例子：

在宏观上，文章的生产被严格限制在 Research → Compose → Review 的 OMOC 流程中，保证了产出的稳定性。

但在微观上，比如 skill(wx-research) 这个节点，它内部可能是一个小型的 DeerFlow 架构——Agent 可以自主决定去哪个网站搜索、搜索几次、如何提炼数据。

这就是"带护栏的赛道"：宏观上有清晰的流程和边界（护栏），微观上有足够的灵活性和自主性（赛道）。

五、总结：两种思路，融合创新

写在最后

DeerFlow 和 OMOC/Sisyphus 的差异，不是"谁对谁错"的区别，而是设计思路的差异——是"自主智能"与"流程编排"这两种理念在技术上的体现。

• DeerFlow 强调：智能体应该拥有足够的自主权，去应对复杂的世界
• OMOC/Sisyphus 强调：流程应该清晰可控，通过标准化和节点重试来提高确定性

这两种思路不是对立的，而是可以相互融合的。

理解了这两种设计思路后，你不需要二选一——可以像 wxwriter 那样，结合两者的优势，走出自己的道路：宏观上用 OMOC 设定护栏，微观上用 DeerFlow 释放活力。