deer-flow

DeerFlow (Deep Exploration and Efficient Research Flow) est un « super agent harness » open source de ByteDance. Il coordonne des sous-agents, la mémoire à long terme, l'exécution en sandbox et des compétences extensibles pour gérer des tâches de longue durée pouvant prendre de quelques minutes à plusieurs heures, comme la recherche approfondie, le codage et la création de contenu. La version 2.0 est une réécriture complète et ne partage pas de code avec la branche 1.x ; le framework original de deep-research reste maintenu séparément. Le projet fournit un assistant de configuration (make setup) qui génère un config.yaml et un .env minimaux, un diagnostic make doctor, et une commande support-bundle pour signaler des problèmes. Il peut être exécuté avec Docker Compose pour le développement ou la production (make docker-start, make up) ou localement (make dev) avec Node.js 22+, pnpm, uv et nginx. Les recommandations de dimensionnement du déploiement couvrent l'évaluation locale, le développement Docker et les serveurs de longue durée. Il prend en charge de nombreux fournisseurs de LLM via LangChain OpenAI-compatible ChatOpenAI, l'API OpenAI Responses, des fournisseurs via CLI (Codex CLI, Claude Code OAuth), vLLM pour les modèles locaux, et les passerelles OpenRouter. Les paramètres par modèle incluent les bascules reasoning/thinking, les niveaux d'effort, les clés API, les URL de base et la tarification. Les fonctionnalités principales incluent un système extensible Skills & Tools avec intégration de Claude Code, des objectifs de session, la compaction manuelle du contexte, des sous-agents, l'isolation du sandbox et du système de fichiers, l'ingénierie du contexte et la mémoire à long terme. Il offre également la prise en charge des serveurs MCP, l'intégration de canaux IM, le traçage optionnel avec LangSmith, Langfuse ou Monocle, l'utilisation de plusieurs fournisseurs, des jetons d'accès personnels, des tâches planifiées, un client Python embarqué et un terminal workbench (TUI). Une interface web est servie sur http://localhost:2026 avec connexion via navigateur utilisant des cookies de session HttpOnly ; les déploiements de production multi-worker nécessitent Postgres et un pont de flux Redis. Le README inclut un avertissement de sécurité indiquant qu'un déploiement inapproprié peut introduire des risques de sécurité et fournit des recommandations. Il recommande d'utiliser des modèles tels que Doubao-Seed-2.0-Code, DeepSeek v3.2 et Kimi 2.5, et intègre BytePlus InfoQuest pour la recherche et le crawling web/image. Le projet est sous licence MIT et inclut des directives de contribution et des liens vers la documentation.