DeerFlow: Super Agent Harness para Pesquisa Autônoma
DeerFlow 2.0 - Super Agent Harness
DeerFlow (Deep Exploration and Efficient Research Flow) é um framework open-source de ByteDance que orquestra sub-agentes, memória e sandboxes para realizar tarefas complexas. Versão 2.0 lançada em 28 de fevereiro de 2026, conquistou o #1 no GitHub Trending com mais de 77 mil estrelas. Não é apenas um framework de pesquisa — é um “super agent harness” totalmente extensível, construído sobre LangGraph e LangChain.
Acesse o repositório no GitHub
Características Principais
DeerFlow 2.0 é uma reescrita do zero que não compartilha código com v1.x. Oferece orquestração multi-agente com cinco papéis especializados (Coordinator, Planner, Researcher, Coder, Reporter), execução em sandbox Docker isolado, sistema de skills extensível baseado em Markdown, memória persistente que aprende preferências do usuário, e capacidade de spawnar sub-agentes em paralelo para decomposição de tarefas complexas.
Arquitetura de Agentes
DeerFlow implementa um padrão Supervisor + Sub-agentes. O agente líder recebe uma meta de alto nível, decompõe em tarefas e delega para sub-agentes especializados. Sub-agentes rodam em paralelo quando possível, retornam resultados estruturados, e o agente coordenador sintetiza tudo em uma saída coerente. Cada sub-agente roda em seu próprio contexto isolado, garantindo foco na tarefa específica.
Sistema de Memória
DeerFlow gerencia memória em dois níveis: curto-prazo com sumarização para manter continuidade da sessão, e longo-prazo que persiste entre sessões, aprendendo preferências, estilos de escrita e conhecimento acumulado. O sistema evita fatos duplicados e mantém tudo localmente sob controle do usuário.
Execução Sandboxada
Cada tarefa roda dentro de um container Docker isolado com filesystem completo. O agente lê, escreve e edita arquivos, executa comandos bash e código, visualiza imagens — tudo sandboxado e auditável, sem contaminação entre sessões.
Skills e Extensibilidade
DeerFlow é genuinamente extensível. Skills são apenas arquivos Markdown que definem conhecimento, workflows e referências. O framework já vem com skills integradas para pesquisa profunda, geração de relatórios, design frontend, deployment e geração de imagem/vídeo. Você pode carregar skills on-demand, substituir as integradas ou combiná-las em workflows compostos.
Especificações Técnicas
- Linguagens: Python 3.12+ e Node.js 22+
- Licença: MIT
- Stack: LangGraph + LangChain
- Suporte a modelos: OpenAI-compatible, DeepSeek, Anthropic Claude, local models via Ollama
- Integração com: Tavily, Brave, DuckDuckGo, arXiv, Docker
- Deployment: Docker recomendado, local dev possível
Comparação com Alternativas
DeerFlow se diferencia de frameworks como OpenAI’s DeepResearch, OpenClaw e Agent Zero por sua orquestração multi-agente nativa, suporte completo a sandbox Docker, persistência de estado entre sessões, e modelo de skills altamente extensível. Ao contrário de chatbots, DeerFlow executa código de verdade em ambientes isolados.
Casos de Uso
- Automação de pesquisa profunda e exploração
- Geração de relatórios técnicos e análises competitivas
- Automação de coding e data science workflows
- Criação de slides, webpages e conteúdo multimodal
- Pipelines de dados e dashboards automatizados
- Workflows internos de conhecimento organizacional
Instalação Rápida
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup
make docker-start
Acesse em http://localhost:2026