DeerFlow 2.0: open-source SuperAgent от ByteDance — исследует, кодит и создаёт

Что такое DeerFlow и для кого он создан

DeerFlow (Deep Exploration and Efficient Research Flow) — это open-source SuperAgent harness, который оркестрирует суб-агентов, память и песочницы для выполнения практически любых задач, опираясь на расширяемые навыки (skills).

Проект начался в 2025 году как узкоспециализированный фреймворк для глубоких исследований. С версией 2.0, выпущенной в конце февраля 2026 года, ByteDance репозиционировал его как полноценную «SuperAgent»-систему — и это не косметическое обновление.

28 февраля 2026 года DeerFlow занял первое место в GitHub Trending сразу после релиза версии 2.

Архитектура: как это работает

Фреймворк включает несколько ключевых компонентов: песочницы (sandboxes) для безопасного выполнения кода, память (memory) для сохранения контекста, набор инструментов и навыков (tools & skills), суб-агентов (subagents) для делегирования задач и шлюз сообщений (message gateway) для координации.

Центральная идея — паттерн «SuperAgent»: один главный агент-супервизор получает высокоуровневую цель и разбивает её на задачи, которые передаются специализированным суб-агентам. Стандартный набор включает исследователя (веб-поиск и анализ документов), кодера (выполнение Python в изолированной среде) и репортёра (синтез результатов). Супервизор управляет потоком контекста между ними и поддерживает общее состояние сессии.

graph TD
    U[👤 Пользователь] --> S[Supervisor Agent]
    S --> R[🔍 Researcher\nВеб-поиск, анализ]
    S --> C[💻 Coder\nКод в Docker-sandbox]
    S --> Rep[📝 Reporter\nСинтез и отчёт]
    R --> MEM[(🧠 Memory\nПостоянная память)]
    C --> MEM
    Rep --> MEM
    S --> GW[📨 Message Gateway\nTelegram / Slack / Feishu]
    MEM --> S
    C --> SB[(🐳 Docker Sandbox\nФайлы, Bash, Browser)]

Версия 2.0 — это полная переработка на LangGraph 1.0 и LangChain, не имеющая общего кода с предшественницей.

Ключевые возможности

1. Изолированная Docker-песочница (настоящее выполнение кода)

DeerFlow даёт агенту настоящий компьютер: изолированный Docker-контейнер с полноценной файловой системой, bash-терминалом и возможностью читать, писать и выполнять файлы. Агент не предлагает bash-команду — он её запускает. Агент не набрасывает веб-страницу — он её собирает и отдаёт.

Рекомендуемый вариант — All-in-One Sandbox, объединяющий Browser, Shell, File, MCP и VSCode Server в одном Docker-контейнере.

2. Персистентная память между сессиями

DeerFlow имеет систему постоянной памяти: она отслеживает предпочтения пользователя, стили написания, структуры проектов и другой контекст между сессиями. Обновления памяти происходят асинхронно через дебаунсированную очередь, не блокируя основной поток разговора.

3. Мультимодельность и независимость от провайдера

Фреймворк полностью независим от модели и работает с любым OpenAI-совместимым API. Из коробки поддерживаются Doubao-Seed, DeepSeek v3.2, Kimi 2.5, Claude от Anthropic, GPT-варианты OpenAI и локальные модели через Ollama.

Вы сами выбираете, какая модель обрабатывает какую задачу. Например: GPT-5 — для планирования, DeepSeek — для генерации кода, Gemini — для исследования в рамках одного воркфлоу.

4. Навыки (Skills) как Markdown-файлы

Навыки агента загружаются прогрессивно — только то, что нужно, когда нужно. DeerFlow легко расширяется собственными skill-файлами или встроенной библиотекой.

Skills-as-Markdown — наименьший порог вхождения для расширения в своём классе: нетехнические специалисты могут настраивать поведение агента.

5. Интеграция с мессенджерами

DeerFlow напрямую подключается к Telegram, Slack и Feishu/Lark как бот. Это позволяет отправлять задание агенту прямо с телефона и получать исследовательские отчёты, код или анализ, не открывая браузер.

DeerFlow поддерживает получение задач из мессенджеров; каналы запускаются автоматически при настройке — публичный IP не требуется.

6. Поддержка MCP и Kubernetes

DeerFlow поддерживает настраиваемые MCP-серверы и навыки для расширения возможностей. Для HTTP/SSE MCP-серверов поддерживаются OAuth-потоки (client_credentials, refresh_token).

Среди новинок v2 — поддержка Kubernetes для распределённого выполнения и управление долгосрочными задачами, которые могут работать автономно на протяжении длительных периодов.

Примеры задач

Быстрый старт: установка

# Клонируем репозиторий
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# Запускаем интерактивный мастер настройки
make config
# Выбираем: LLM-провайдер, веб-поиск, режим sandbox, права bash
# Результат: config.yaml + .env с ключами

# Инициализируем Docker-образ sandbox (один раз)
make docker-init

# Запускаем сервисы
make docker-start

# Открываем веб-интерфейс
# http://localhost:2026

Интерактивный мастер проведёт вас через выбор LLM-провайдера, опционального веб-поиска и настроек выполнения (режим sandbox, доступ к bash, инструменты записи файлов). Он генерирует минимальный config.yaml и записывает ключи в .env. Занимает около 2 минут.

Тарифы и цены

DeerFlow доступен под разрешительной MIT-лицензией, совместимой с корпоративным использованием — любой может использовать, изменять и строить на его основе коммерческие продукты бесплатно.

DeerFlow не предлагает платного SaaS-уровня: вы платите только за API-вызовы выбранных LLM-провайдеров и собственную инфраструктуру.

Плюсы и минусы

Сравнение с альтернативами

DeerFlow занимает иную нишу, чем такие фреймворки как LangGraph (который он использует внутри), CrewAI или Microsoft AutoGen.

DeerFlow предоставляет batteries-included runtime с нативным Docker sandbox, постоянной файловой системой и памятью «из коробки». CrewAI фокусируется на гибкой ролевой мультиагентной коллаборации с более простым Python API и опциональным платным cloud-хостингом.

AutoGen и CrewAI имеют за спиной месяцы накопленного community tooling: интеграции, шаблоны агентов, туториалы в блогах, ответы на Stack Overflow.

Вопросы безопасности и провенанс ByteDance

Технически, MIT-лицензированная природа DeerFlow означает, что кодовая база полностью аудируема. Команды могут отследить потоки данных, понять, что именно отправляется во внешние сервисы, и сделать форк при необходимости.

Но ByteDance работает по китайскому законодательству, и для организаций в регулируемых отраслях — финансы, здравоохранение, оборона, госсектор — происхождение программного обеспечения всё чаще требует формальной проверки, независимо от качества или открытости кода.

DeerFlow имеет ключевые высокопривилегированные возможности — выполнение системных команд, операции с ресурсами и вызов бизнес-логики — и по умолчанию рассчитан на развёртывание в локальном доверенном окружении (доступен только через интерфейс обратной петли 127.0.0.1).

Вердикт: кому подойдёт DeerFlow?

Компромисс очевиден: вы получаете мощь и свободу (MIT, никакой привязки к вендору, любая модель) в обмен на ответственность за инфраструктуру (Docker, hardening безопасности, отсутствие managed-опции). Если у вашей команды есть DevOps-компетенции и вы заботитесь о суверенитете данных, DeerFlow — один из сильнейших вариантов на рынке.

DeerFlow 2.0 идеален для:

• AI-инженеров и исследователей, которым нужен автономный агент, реально выполняющий задачи, а не только рекомендующий
• Команд, строящих кастомные агентные пайплайны с полным контролем над данными
• Разработчиков в странах, где поддержка DeepSeek и Doubao важна «из коробки»

Не подойдёт, если:

• Нужен быстрый старт без Docker и CLI
• Требуется managed cloud с SLA
• Организация работает в строго регулируемой отрасли с ограничениями по ПО китайского происхождения

Итоговый рейтинг

DeerFlow 2.0 — это не очередная обёртка над LLM. Это настоящий движок выполнения агентных задач, который закрывает пропасть между «AI что-то советует» и «AI это делает». Для технических команд, готовых взять на себя инфраструктуру, — must-have инструмент 2026 года.