Sobre o projeto

DeerFlow (Deep Exploration and Efficient Research Flow) é um "super agent harness" de código aberto da ByteDance. Ele coordena subagentes, memória de longo prazo, execução em sandbox e habilidades extensíveis para lidar com tarefas de longo horizonte que podem levar de minutos a horas, como pesquisa profunda, programação e criação de conteúdo. A versão 2.0 é uma reescrita completa e não compartilha código com o branch 1.x; o framework original de pesquisa profunda permanece mantido separadamente. O projeto fornece um assistente de configuração (make setup) que gera um config.yaml e um .env mínimos, um diagnóstico make doctor e um comando support-bundle para relatar problemas. Ele pode ser executado com Docker Compose para desenvolvimento ou produção (make docker-start, make up) ou localmente (make dev) com Node.js 22+, pnpm, uv e nginx. As orientações de dimensionamento de implantação cobrem avaliação local, desenvolvimento com Docker e servidores de longa duração. Ele suporta muitos provedores de LLM via LangChain OpenAI-compatible ChatOpenAI, OpenAI Responses API, provedores baseados em CLI (Codex CLI, Claude Code OAuth), vLLM para modelos locais e gateways OpenRouter. As configurações por modelo incluem alternâncias de reasoning/thinking, níveis de esforço, chaves de API, URLs base e preços. Os recursos principais incluem um sistema extensível de Skills & Tools com integração ao Claude Code, metas de sessão, compactação manual de contexto, subagentes, isolamento de sandbox e sistema de arquivos, engenharia de contexto e memória de longo prazo. Ele também oferece suporte a servidor MCP, integração de canais de IM, tracing opcional com LangSmith, Langfuse ou Monocle, uso de múltiplos provedores, tokens de acesso pessoal, tarefas agendadas, um cliente Python embutido e um terminal workbench (TUI). Uma interface web é servida em http://localhost:2026 com login no navegador usando cookies de sessão HttpOnly; implantações de produção com múltiplos workers exigem Postgres e uma ponte de stream Redis. O README inclui um aviso de segurança alertando que uma implantação inadequada pode introduzir riscos de segurança e fornece recomendações. Ele recomenda executar com modelos como Doubao-Seed-2.0-Code, DeepSeek v3.2 e Kimi 2.5, e integra o BytePlus InfoQuest para pesquisa e crawling de web/imagem. O projeto é licenciado sob MIT e inclui diretrizes de contribuição e links de documentação.