DeerFlow: ein Superagenten-Framework für lang laufende Arbeit

Alles Wissenswerte über bytedance/deer-flow: eine quelloffene Anwendung und Laufzeitumgebung zur Koordination von Agenten, Werkzeugen, Gedächtnis und Sandboxes bei Aufgaben, die von Minuten bis zu Stunden dauern können.

Was DeerFlow ist

DeerFlow 2.0 ist ein quelloffenes Agenten-Framework von ByteDance. Es versteht sich als Grundlage für Recherche, Programmierung und die Erstellung von Arbeitsergebnissen; es bündelt Subagenten, Langzeitgedächtnis, Sandboxes, Werkzeuge, erweiterbare Skills und ein Messaging-Gateway.

Die Dokumentation trennt zwei Schichten: DeerFlow Harness, das SDK und die Laufzeitumgebung zum Aufbau von Agentensystemen, und DeerFlow App, die Referenzanwendung zu deren Bereitstellung und Betrieb. Es ist kein Sprachmodell und keine Garantie für Autonomie: Es erfordert die Konfiguration von Modellanbietern, Berechtigungen und Werkzeugen.

Der Ursprung: von Deep Research zu einer 2.0-Neufassung

Das Repository wurde am 7. Mai 2025 unter der Organisation bytedance erstellt und wird unter der MIT-Lizenz vertrieben. Die ursprüngliche Linie wurde als Community-Framework für Deep Research beschrieben; Version 2.0 wurde von Grund auf neu geschrieben, und das README erklärt, dass sie keinen Code mit v1 teilt, die weiterhin auf dem Branch main-1.x verfügbar ist.

Der konzeptionelle Namenswechsel ist wichtig: Das aktuelle Projekt beschränkt sich nicht darauf, Quellen zu durchsuchen. Sein Vorschlag ist es, eine wiederverwendbare Infrastruktur für mehrstufige Aufgaben bereitzustellen, mit Ausführung, Dateien, Planung und Kommunikation, statt einer isolierten Gesprächsoberfläche.

Philosophie und Prinzipien

Arbeit über einen langen Zeitraum, nicht eine einzelne Antwort: Das Framework versucht, Zustand zu bewahren, Aufgaben zu unterteilen und Kontext wiederherzustellen, wenn ein Auftrag über eine kurze Interaktion hinausgeht.
Austauschbare Komponenten: Modelle, Werkzeuge, MCP-Server, Skills und Sandbox-Anbieter werden konfiguriert, statt an einen einzigen Anbieter gebunden zu sein.

Ultra-detaillierte 8K-Abstraktvisualisierung einer modularen Systemarchitektur. Leuchtende Neonlinien verbinden austauschbare, transparente würfelförmige Module, beschriftet mit Symbolen für "Modelle", "Werkzeuge", "Gedächtnis" und "Sandbox". Die Module schweben in einer dunklen Cyberpunk-Leere und veranschaulichen das Prinzip austauschbarer Komponenten im DeerFlow Harness.

Isolation und Berechtigungskontrolle: Sandboxes ermöglichen die Ausführung von Agentenarbeit; die Dokumentation warnt, dass der lokale Anbieter den Host nicht schützt und dass der Bash-Zugriff auf den Host außer in vertrauenswürdigen Fällen deaktiviert bleiben sollte.

Cyberpunk-inspirierter digitaler Tresor oder isolierter Sandbox-Container, leuchtend mit intensivem neongrünem und -blauem Licht, in einer dunklen, stark gesicherten Serverumgebung. Der Container beherbergt einen KI-Agenten, der Code ausführt, umgeben von holografischen Warnsignalen und Berechtigungskontrollbarrieren.

Betreibbare Anwendung: Neben der Laufzeitumgebung enthält sie eine Weboberfläche, Streaming, Artefakte, Threads und Messaging-Kanäle, um einen Agenten-Workflow außerhalb eines einmaligen Prototyps zu nutzen.

Wie es funktioniert

Die dokumentierte Architektur setzt Nginx als Eingangspunkt, eine Next.js/React-Oberfläche und ein FastAPI-Gateway ein, das die LangGraph-Laufzeitumgebung integriert. Der Hauptagent koordiniert Werkzeuge, Dateien, Anhänge, Gedächtnis, Planung und Subagenten; Ergebnisse können als Streaming-Ereignisse und Artefakte erscheinen.

Hochdetailliertes 8K-Dark-Mode-Architekturdiagramm, gerendert als leuchtendes Neon-Hologramm. Es zeigt den Datenfluss von einem Nginx-Eingangspunkt zu einer Next.js/React-Oberfläche, hinunter zu einem FastAPI-Gateway und in die zentrale LangGraph-Laufzeit-Engine. Cyberpunk-Tech-Ästhetik mit neonblauen, -rosa und -orangen Linien, die die Datenpfade in einer dunklen Leere nachzeichnen.

Eine Nutzerin oder ein Nutzer öffnet einen Thread, wählt ein Modell und formuliert eine Anfrage. Für eine umfangreiche Aufgabe kann der Plan Mode aktiviert werden, der die Aufgabenliste sichtbar hält. Skills werden über die Oberfläche ausgewählt oder mit /skill-name aufgerufen; die Dokumentation zeigt beispielsweise /data-analysis analyze uploads/foo.csv, um eine hochgeladene CSV-Datei zu analysieren.

Futuristisches Dark-Mode-UI-Dashboard, schwebend in der Luft, das eine komplexe, mehrstufige Aufgabenliste mit neonblauen und -violetten Fortschrittsanzeigen zeigt. Die Oberfläche zeigt "Plan Mode" mit sichtbaren Aufgabenwarteschlangen, Streaming-Ereignissen und Code-Artefakten.

Das Arbeitsverzeichnis, die Modelle, das Gedächtnis, die Sandbox-Anbieter, die Werkzeuge und die Skills werden hauptsächlich in config.yaml deklariert; extensions_config.json steuert MCP-Server und die Aktivierung von Erweiterungen.

Offizieller und halboffizieller Status

DeerFlow ist ein offizielles Projekt der Organisation ByteDance auf GitHub, und dessen Startseite verlinkt auf deerflow.tech. Das Repository bietet eine dokumentierte Integration für Claude Code über den Skill claude-to-deerflow, aber es wurde kein Beleg dafür gefunden, dass sie Teil eines offiziellen Anthropic-Marktplatzes ist oder dass ein Anbieter das Produkt zertifiziert.

Sein überprüfbarer Status ist daher der eines offenen, von ByteDance gepflegten Projekts mit vom Projekt selbst veröffentlichten Integrationen. Die breite Adoption auf GitHub entspricht keiner formalen Standard-Bezeichnung.

Das Ökosystem

Schwesterprojekt und offizielle Erweiterungen

deer-flow/llm-space erscheint im README als Schwesterprojekt. Es versteht sich als Desktop-App zum Prototyping von Agentenideen, zur Inspektion von Schritten, zur Reproduktion von Fehlern und zur Leistungsbewertung.
Der Kern unterstützt MCP-Server, Python-Erweiterungen und Messaging-Kanäle; die Dokumentation und der Repository-Baum enthalten Integrationen mit Telegram, Slack, Discord, Feishu/Lark, DingTalk, WeChat, WeCom, GitHub und Buzz.

Weitläufige, futuristische digitale Netzwerkkarte, die in Neonfarben vor dunklem Hintergrund leuchtet. Der zentrale Knoten, beschriftet mit einem stilisierten Hirschsymbol, verbindet sich mit verschiedenen Kommunikations- und Erweiterungsknoten, dargestellt durch leuchtende Logos: Telegram, Slack, Discord, GitHub und WeChat.

Der offizielle Skill claude-to-deerflow verbindet Claude Code mit einer DeerFlow-Instanz über npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow.

Forks, Ports und Community-Dokumentation

stophobia/deerflow2.0-enhanced wird als chinesische Lokalisierung mit neuen Skills beschrieben; es verzeichnete während dieser Recherche 677 Sterne und 128 Forks.
coolclaws/deerflow-book, mit 678 Sternen und 140 Forks zum Abrufzeitpunkt, ist eine Community-Analyse des Quellcodes, keine offizielle Distribution.
hougithub2018/deer-flow-windows passt das Projekt an Windows 10/11 ohne Docker oder Nginx an und verzeichnete 61 Sterne und 12 Forks.
Unter den sternereichsten von der API zurückgegebenen Forks befinden sich chmod777john/deer-flow-deploy (36), mssnzxm/deer-flow2 (16) und cyl6/deer-flow_2 (14). Sie werden als Forks eingestuft: Ihre Beschreibungen reichen nicht aus, um sie als von ByteDance gepflegte Ersatzlösungen zu behandeln.

Es wurde keine direkte, überprüfbare Aufnahme in eine kuratierte awesome-*-Liste gefunden. Auch wurde in den durchgeführten direkten Abfragen kein offizielles DeerFlow-Paket auf npm oder PyPI identifiziert; das ist eine Grenze der Suche, kein Beleg für globale Nichtexistenz.

Zahlen zum Repository

Visuelle Darstellung eines riesigen Open-Source-Repositorys. Eine dunkle Cyberpunk-Stadtlandschaft, in der die Gebäude aus gestapelten Codeblöcken und digitalen Aktenschränken bestehen, alle leuchtend in Neonblau und -violett. Die zentrale Struktur ist ein imposanter Monolith, der ein Leuchtfeuer aussendet und die über 80.000 GitHub-Sterne symbolisiert.

Erhoben: 17. August 2026, GitHub-API.

Metrik	Wert
Sterne	80.155
Forks	10.979
Echte Abonnenten	332
Offene Issues und Pull Requests, zusammengefasstes Feld	940
Hauptsprache	Python
Lizenz	MIT
Erstellt	7. Mai 2025
Letzter erfasster Push	17. August 2026
Von der API veröffentlichtes Release	Keines gefunden

Die wichtigsten von der ersten Seite der API zurückgegebenen Beitragenden waren MagicCube (610 Beiträge), hetaoBackend (258), WillemJiang (232), henry-byted (203) und LofiSu (100). Das Feld open_issues_count von GitHub kann offene Pull Requests einschließen, sodass 940 nicht ausschließlich Issues darstellt. Zudem spiegelt watchers_count in der allgemeinen Antwort die Sterne; deshalb wird subscribers_count als tatsächliche Abonnentenzahl angegeben.

Wie man beiträgt

Der Beitragsleitfaden empfiehlt Docker; für den alternativen lokalen Entwicklungsweg werden Node.js 22 oder neuer, pnpm, uv und Nginx verlangt. Der dokumentierte Ablauf ist: einen Branch erstellen, das Backend mit make format formatieren, das Frontend mit pnpm format:write formatieren, die relevanten Tests ausführen und einen Pull Request eröffnen.

Zu den Prüfungen gehören make test und make test-live in backend sowie make test und make test-e2e in frontend. Live-Tests benötigen config.yaml und echte Zugangsdaten, sodass Kosten entstehen und externe Ressourcen erzeugt werden können. Die Pull-Request-Vorlage verlangt anzugeben, welche KI-Unterstützung genutzt wurde, wie sie genutzt wurde und dass eine menschliche Überprüfung stattfand.

Schnelleinstieg

Installation und erster Start

Der vom Projekt empfohlene Weg ist:

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup
make doctor

Elegante Dark-Mode-Terminal-Oberfläche, leuchtend mit neongrünem und weißem Text, die Codebefehle wie git clone, make setup und make docker-init zeigt. Das Terminalfenster schwebt in einem dunklen Cyberpunk-Arbeitsbereich, beleuchtet von neonblauem und -violettem Umgebungslicht.

make setup ist ein Assistent zur Auswahl des Modellanbieters, der Suche und der Sandbox-Optionen; er erzeugt eine minimale Konfiguration. Die Dokumentation verlangt für den lokalen Weg Python 3.12 oder neuer, Node.js 22 oder neuer, pnpm, uv und Nginx.

Um mit Containern zu starten:

make docker-init
make docker-start
make docker-logs

Die Anwendung öffnet sich unter http://localhost:2026; make docker-stop stoppt sie.

Gängige Arbeitsabläufe

Umfangreiche Recherche oder Erstellung: einen Thread öffnen, ein Modell wählen, das gewünschte Ergebnis beschreiben und den Plan Mode aktivieren, falls drei oder mehr Schritte erforderlich sind; die Aufgabenliste bleibt während der Arbeit sichtbar.
Eine Datei analysieren: die CSV-Datei hochladen und /data-analysis analyze uploads/foo.csv eingeben. Anhänge werden unter /mnt/user-data/uploads/ gespeichert, und Ergebnisse können als Artefakte enden.

Ultra-detaillierte 8K-Split-Screen-Digitalillustration. Auf der einen Seite verwandelt sich eine leuchtende, holografische CSV-Datei in eine 3D-Datenvisualisierung mit Neon-Diagrammen und -Grafiken. Auf der anderen Seite interagiert ein KI-Agent, dargestellt als leuchtende Kugel, mit den Daten innerhalb einer sicheren, isolierten digitalen Kammer.

Werkzeuge von Drittanbietern nutzen: einen Server in extensions_config.json definieren und aktivieren. Ein MCP-Server vom Typ stdio kann beispielsweise command, args und enabled deklarieren.
Claude Code verbinden: bei laufendem DeerFlow den Skill claude-to-deerflow installieren und /claude-to-deerflow innerhalb von Claude Code verwenden.

Wesentliche Konfiguration

config.yaml: Modelle, Schlüssel über Umgebungsvariablen, Werkzeuge, Gedächtnis und Sandbox.
.env: Zugangsdaten, die der Einrichtungsassistent außerhalb der Hauptkonfigurationsdatei speichert.
extensions_config.json: MCP-Server und aktivierter Zustand von Erweiterungen und Skills.
DEER_FLOW_CONFIG_PATH: erlaubt die Verwendung einer config.yaml, die sich an einem anderen Pfad befindet.
DEERFLOW_URL / DEERFLOW_GATEWAY_URL: optionale Variablen, um die Claude-Code-Integration auf eine andere Instanz zu richten.

Häufige Fallstricke und Lösungen

Die lokale Sandbox isoliert den Host nicht. allow_host_bash: false beibehalten und für Mehrbenutzer- oder Produktionsszenarien einen isolierten Anbieter verwenden.
Docker veröffentlicht standardmäßig auf 127.0.0.1. Bevor BIND_HOST=0.0.0.0 gesetzt wird, rät der Leitfaden, Authentifizierung, HTTPS und Netzwerkkontrollen zu konfigurieren; zuerst die Administratorin bzw. den Administrator unter /setup erstellen.
Unter Linux wird ein Berechtigungsfehler gegen den Docker-Socket gelöst, indem die Nutzerin bzw. der Nutzer der Gruppe docker hinzugefügt, eine neue Gruppensitzung gestartet und mit docker ps verifiziert wird.
In einem Docker-Netzwerk sollte ein Dienst nicht localhost verwenden, um einen anderen Container zu erreichen: Er sollte den Dienstnamen verwenden, wie http://gateway:8001.

Integrationen und Migration

Die Oberfläche erlaubt die Verwaltung von MCP; Konfigurationsänderungen werden normalerweise ohne Neustart über das Änderungsdatum der Datei erkannt. Das Projekt stellt außerdem einen eingebetteten Python-Client und eine dokumentierte Claude-Code-Integration bereit.

DeerFlow 2.0 teilt keinen Code mit v1, und das README bietet kein allgemeines Verfahren zur Migration von v1-Projekten zu 2.0. Für 2.x-Konfigurationen gibt es make config-upgrade; die Migration des DeerMem-Gedächtnisses zu Markdown-Fakten ist als einseitig dokumentiert, und es lohnt sich, vor dem Upgrade einer persistenten Bereitstellung eine Sicherung zu erstellen.

Wie die Community reagierte

Das auffindbare externe Signal ist uneinheitlich. Auf Hacker News wurden mehrere direkte Einreichungen mit geringer Interaktion gefunden: Thread 43960205, veröffentlicht von blacktulip, erreichte 4 Punkte und 0 Kommentare; Thread 47546059, von udayan_w, erreichte ebenfalls 4 Punkte und 0 Kommentare. Diese Einreichungen belegen Reichweite, keine unabhängige Rezension und keinen Konsens.

Im Thread 47573623, mit 3 Punkten und 1 Kommentar, stellte die Autorin bzw. der Autor cnrd selbst das Muster infrage, Agenten zur Installation von Agenten zu verwenden; da es von der einreichenden Person stammt, sollte es als individueller Vorbehalt gelesen werden, keine externe Bewertung. In einem Thread über Multi-Agenten-Systeme schrieb akrylov, DeerFlow 2.0 nicht ausprobiert zu haben, fand die Community-Präsentation wenig überzeugend und forderte, dass Multi-Agenten-Frameworks konsequent zeigen, Einzelagenten zu übertreffen. Thread 48280604 hatte 6 Punkte und 3 Kommentare; das ist ein zugeschriebener methodischer Einwand, keine vergleichende Bewertung.

Als audiovisuelle Ressource veröffentlichte WorldofAI einen auf lokale Ausführung ausgerichteten DeerFlow-Rundgang, mit einem Titel, der es als Recherche-Agent darstellt; die Seite zeigte beim Abruf 25.909 Aufrufe. Der Podcast Awesome Agents Podcast beschrieb die Technik von DeerFlow 2.0 als beeindruckend, aber nicht als gebrauchsfertige Lösung; das ist die redaktionelle Einschätzung dieser Sendung, kein unabhängiges Urteil.

Von X wurden wegen des erforderlichen Logins keine überprüfbaren Beiträge gefunden. Product Hunt präsentierte eine Anti-Bot-Verifizierung, und direkte Reddit-Abfragen lieferten keine extrahierbaren Threads; diese Grenzen erlauben keine Behauptung eines Fehlens von Gesprächen.

DeerFlow im Vergleich zu anderen Ansätzen

Ansatz	Überprüfbare Beziehung	Grenze des Vergleichs
DeerFlow v1	Der Branch `main-1.x` bewahrt die frühere Linie.	DeerFlow 2.0 wurde von Grund auf neu geschrieben; es wurde kein allgemeiner Migrationsleitfaden gefunden.
`deer-flow/llm-space`	Das README bezeichnet es als Schwesterprojekt für Agenten-Prototyping und -Inspektion.	Es ist eine ergänzende Desktop-App, nicht die DeerFlow-Laufzeitumgebung.
`stophobia/deerflow2.0-enhanced`	Es erklärt chinesische Lokalisierung und zusätzliche Skills.	Es ist eine Community-Anpassung, keine offizielle Edition.

Breite funktionale Vergleiche mit anderen Agenten-Frameworks werden nicht einbezogen, da die gefundenen Quellen keine gleichwertige, überprüfbare technische Matrix stützen.

Anwendungsfälle und wem dieses Repository helfen kann

Recherche-, Analyse- oder Content-Teams können eine umfangreiche Aufgabe in einen Thread mit Plan, Skills und Artefakten verwandeln und dabei Dateien und Ergebnisse im Arbeitsbereich behalten.
Entwicklerinnen und Entwickler, die Agenten in eine eigene Anwendung integrieren, können das Harness, den Python-Client, konfigurierbare Modelle und MCP nutzen, um bestehende Werkzeuge anzubinden, ohne sich auf einen einzigen Modellanbieter festzulegen.
Betreiberinnen und Betreiber einer internen Instanz können Messaging-Kanäle, Authentifizierungskontrollen und eine nicht-lokale Sandbox kombinieren, um unterstützte Abläufe anzubieten, sofern sie MCP-Berechtigungen und Bereitstellungsbedingungen überprüfen.
Claude-Code-Nutzerinnen und -Nutzer können eine Aufgabe mit dem offiziellen Skill an eine DeerFlow-Instanz übergeben, wenn sie einen Prozess benötigen, der Threads, Plan und Artefakte außerhalb der Editor-Sitzung bewahrt.

Ressourcen

Repository: https://github.com/bytedance/deer-flow
Dokumentation und Installation: https://deerflow.tech/en/docs
Anwendungskonfiguration: https://github.com/bytedance/deer-flow/blob/main/frontend/src/content/en/application/configuration.mdx
Offizielle Skills und Claude-Code-Integration: https://github.com/bytedance/deer-flow#claude-code-integration
Schwesterprojekt: https://github.com/deer-flow/llm-space
Video: https://www.youtube.com/watch?v=1yl6e4TP-ss
HN-Diskussionen: https://news.ycombinator.com/item?id=43960205, https://news.ycombinator.com/item?id=47546059, https://news.ycombinator.com/item?id=47573623, https://news.ycombinator.com/item?id=48280604

Hinweis: Dieser Artikel kombiniert das Repository, die offizielle Dokumentation, die GitHub-API, Hacker News und Medienressourcen, abgerufen am 17. August 2026. Zahlen ändern sich mit der Zeit.