DeerFlow 2.0

DeerFlow — открытый проект ByteDance, который вырос из инструмента для Deep Research в полноценный super agent harness: систему, дающую LLM-агенту песочницу, долгосрочную память и умение порождать субагентов для задач, растянутых на минуты и часы. Построен поверх LangChain и LangGraph. Ниже — разбор архитектуры, ключевых механизмов и того, как развернуть проект у себя.

1. Что такое DeerFlow 2.0

• Расшифровка: DeerFlow — Deep Exploration and Efficient Research Flow, харнесс, оркеструющий субагентов, память и песочницы.
• История: первая версия была фреймворком для Deep Research; 2.0 — полностью переписанный с нуля харнесс, не имеющий общего кода с v1 (старая ветка сохранена как main-1.x).
• Лицензия: MIT, открытый исходный код, репозиторий bytedance/deer-flow.
• Звёзды на GitHub: на момент проверки — около 68 тысяч. Счётчик звёзд меняется постоянно, поэтому цифры из разных источников и в разное время могут отличаться — ориентируйся на живой счётчик в самом репозитории.
• Признание: 28 февраля 2026 года DeerFlow занял 1-е место в GitHub Trending после релиза второй версии.

2. Субагенты и декомпозиция задач

• Ведущий агент (lead agent) на лету порождает субагентов — у каждого свой изолированный контекст, набор инструментов и условия завершения.
• Субагенты выполняются параллельно, где это возможно, и возвращают ведущему агенту структурированные результаты для синтеза в единый ответ.
• Пример: одна исследовательская задача может разойтись на десяток субагентов — каждый копает свой угол, а результаты сходятся в отчёт, сайт или презентацию со сгенерированной визуализацией.
• Изоляция контекста: субагент не видит контекст главного агента или других субагентов — это защищает его от отвлечения посторонней информацией и держит фокус на задаче.

3. Skills и инструменты

• Skill — структурированный markdown-модуль с описанием workflow, лучших практик и ссылок на вспомогательные ресурсы; встроены skills для research, генерации отчётов, слайдов, веб-страниц, изображений и видео.
• Прогрузка: skills подгружаются по требованию конкретной задачи, а не все сразу — это держит контекстное окно компактным даже на моделях с ограниченным контекстом.
• Расширение: можно добавлять свои skills, заменять встроенные или комбинировать их в составные workflow; кастомные skills лежат в /mnt/skills/custom.
• Инструменты: базовый набор — веб-поиск, веб-фетч, файловые операции, выполнение bash; плюс кастомные инструменты через MCP-серверы и Python-функции.
• Интеграция с Claude Code: skill claude-to-deerflow позволяет слать задачи в запущенный DeerFlow прямо из терминала Claude Code — установка: npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow (github.com/bytedance/deer-flow — claude-to-deerflow SKILL.md).

4. Песочница и файловая система

• Каждая задача получает своё исполнительное окружение с полноценной файловой системой: skills, workspace, uploads, outputs.
• Docker-режим: AioSandboxProvider запускает shell в изолированных контейнерах — рекомендованный вариант для продакшена.
• Локальный режим: LocalSandboxProvider мапит файловые операции на директории на хосте, но host-bash по умолчанию выключен, так как это не безопасная изоляция.
• Kubernetes-режим: выполнение в подах Kubernetes через provisioner-сервис — для тяжёлых многоагентных нагрузок и общего сервера.

5. Память и context engineering

• Долгосрочная память сохраняется между сессиями: профиль, предпочтения, стиль письма, технический стек и повторяющиеся workflow пользователя — хранится локально.
• Дедупликация: обновления памяти пропускают повторяющиеся факты, поэтому данные не накапливаются бесконечно от сессии к сессии.
• Суммаризация: внутри сессии DeerFlow агрессивно управляет контекстом — суммирует завершённые подзадачи и выгружает промежуточные результаты в файловую систему.
• Восстановление после сбоя: при обрыве цепочки tool-call DeerFlow подставляет плейсхолдер-результаты для незавершённых вызовов, чтобы reasoning-модели с жёсткой валидацией истории не падали с ошибкой.

6. Установка и запуск

• Клонирование: git clone https://github.com/bytedance/deer-flow.git, затем cd deer-flow и make setup — интерактивный визард выбора LLM-провайдера и режима песочницы занимает около 2 минут.
• Docker: make docker-init разово подтягивает образ песочницы, make docker-start поднимает сервисы для разработки; для продакшена — make up и make down.
• Доступ: после запуска интерфейс открывается по адресу http://localhost:2026.
• Требования для локальной разработки: Node.js 22+, pnpm, uv и nginx — проверяются командой make check.
• Ресурсы: для одного разработчика достаточно 4 vCPU / 8 ГБ RAM; для сервера с несколькими агентами и тяжёлыми задачами — от 16 vCPU / 32 ГБ RAM.

7. Интеграции с мессенджерами

• DeerFlow принимает задачи напрямую из чатов — каналы стартуют автоматически при конфигурации, публичный IP не требуется.
• Поддерживаемые каналы: Telegram (Bot API), Slack (Socket Mode), Feishu/Lark (WebSocket), WeChat, WeCom, DingTalk.
• Команды в чате: /new — новый диалог, /status — инфо о треде, /models — список моделей, /memory — просмотр памяти, /help — справка.
• Наблюдаемость: встроена трассировка через LangSmith и Langfuse — вызовы LLM, агентов и инструментов видны в дашборде.