Sobre el proyecto

DeerFlow (Deep Exploration and Efficient Research Flow) es un "super agent harness" de código abierto de ByteDance. Coordina subagentes, memoria a largo plazo, ejecución en sandbox y habilidades extensibles para manejar tareas de largo horizonte que pueden tardar de minutos a horas, como investigación profunda, programación y creación de contenido. La versión 2.0 es una reescritura desde cero y no comparte código con la rama 1.x; el framework original de investigación profunda se mantiene por separado. El proyecto proporciona un asistente de configuración (make setup) que genera un config.yaml y un .env mínimos, un diagnóstico make doctor y un comando support-bundle para reportar problemas. Se puede ejecutar con Docker Compose para desarrollo o producción (make docker-start, make up) o localmente (make dev) con Node.js 22+, pnpm, uv y nginx. La guía de dimensionamiento de despliegue cubre evaluación local, desarrollo con Docker y servidores de larga duración. Admite muchos proveedores de LLM mediante LangChain ChatOpenAI compatible con OpenAI, OpenAI Responses API, proveedores respaldados por CLI (Codex CLI, Claude Code OAuth), vLLM para modelos locales y pasarelas OpenRouter. La configuración por modelo incluye toggles de razonamiento/thinking, niveles de esfuerzo, claves de API, URLs base y precios. Las características principales incluyen un sistema extensible de Skills & Tools con integración de Claude Code, objetivos de sesión, compactación manual de contexto, subagentes, aislamiento de sandbox y del sistema de archivos, ingeniería de contexto y memoria a largo plazo. También ofrece soporte de servidor MCP, integración de canales de IM, tracing opcional con LangSmith, Langfuse o Monocle, uso de múltiples proveedores, tokens de acceso personal, tareas programadas, un cliente Python embebido y un banco de trabajo de terminal (TUI). Una interfaz web se sirve en http://localhost:2026 con inicio de sesión en el navegador mediante cookies de sesión HttpOnly; los despliegues de producción con múltiples workers requieren Postgres y un puente de streams de Redis. El README incluye un aviso de seguridad que advierte que un despliegue inadecuado puede introducir riesgos de seguridad y proporciona recomendaciones. Recomienda ejecutar con modelos como Doubao-Seed-2.0-Code, DeepSeek v3.2 y Kimi 2.5, e integra BytePlus InfoQuest para búsqueda y rastreo web/de imágenes. El proyecto tiene licencia MIT e incluye pautas de contribución y enlaces a la documentación.