28 февраля 2026 года DeerFlow 2.0 занял 1-е место в GitHub Trending. Проект полностью переписали с нуля, и в нём нет ни строчки кода от версии 1.x. Для open-source (открытый исходный код) это редкий и очень громкий перезапуск.
Если коротко: это не «ещё один чат с AI». DeerFlow называют super agent harness (каркас для управления супер-агентом), который собирает подзадачи, память и песочницы в одну рабочую систему.
Это уже не просто AI-бот, а конвейер из агентов
Главная перемена в 2.0, это архитектура. Теперь DeerFlow управляет sub-agents (вспомогательные агенты), memory (долгосрочная память) и sandbox (изолированная среда запуска кода) как единым процессом.
По сути, вы даёте цель, а система сама дробит её на шаги. Один агент ищет данные, второй пишет код, третий проверяет результат. Это уже похоже на маленькую команду, а не на одиночный чат.
- One-Line Agent Setup: запуск через одну инструкцию для coding agents (агенты для программирования).
- Setup wizard (мастер настройки): создаёт config.yaml и .env примерно за 2 минуты.
- make doctor: проверяет конфиг и подсказывает, что чинить.
- Гибкая работа с моделями: OpenAI, OpenRouter, локальный vLLM и CLI-провайдеры.
- Docker-first подход: рекомендованный путь для стабильного окружения.
Почему ByteDance толкает этот формат именно сейчас
Рынок уходит от «одного умного ответа» к многошаговым рабочим цепочкам. Бизнесу нужен не текст ради текста, а завершённая задача: исследование, отчёт, прототип, проверка гипотезы.
DeerFlow как раз про это. Он соединяет инструменты поиска, выполнение кода и память в одном потоке. Плюс интеграция InfoQuest, это intelligent search and crawling (умный поиск и сбор данных со страниц), что усиливает сценарии аналитики.
Отдельный сигнал, проект сразу даёт «боевые» рекомендации по железу. Для долгой серверной работы советуют старт с 8 vCPU, 16 GB RAM, а комфортно, 16 vCPU, 32 GB RAM. То есть создатели рассчитывают не на игрушки, а на постоянную нагрузку.
Что это меняет в реальной работе, без лишней теории
Если вы предприниматель, маркетолог или разработчик, выгода очень приземлённая. Меньше ручной рутины между десятком сервисов и меньше потерь контекста между задачами.
Где DeerFlow 2.0 полезен прямо сейчас
- Маркетинг: собрать конкурентный обзор, сверить источники, оформить отчёт за один прогон.
- Продакт/фаундеры: быстро проверить идею, получить план эксперимента и список рисков.
- Разработка: делегировать ресерч, генерацию чернового кода и первичную проверку.
- Контент-команды: ускорить сбор фактуры и структурирование материалов.
Запуск не выглядит больно даже для занятых команд. Клонируете репозиторий, делаете make setup, выбираете провайдера модели и режим безопасности. Дальше система сама формирует минимальный конфиг.
Для тех, кто любит контроль, есть ручная конфигурация моделей и маршрутизация через base_url (базовый URL API). Есть и режимы reasoning (логическое мышление), если используете соответствующие модели.
Сколько это стоит и где порог входа
Сам DeerFlow распространяется как open-source (открытый исходный код), то есть без лицензии «за вход». Но расходы всё равно есть, в основном на API моделей и инфраструктуру.
- Минимальный сценарий: локальная оценка, от 4 vCPU и 8 GB RAM.
- Для Docker-разработки: лучше сразу 8 vCPU и 16 GB RAM.
- Для общей серверной работы: старт 8 vCPU/16 GB, комфорт 16 vCPU/32 GB.
- Допрасходы: ключи моделей, web search (веб-поиск) провайдеры, хранилище.
Документация и репозиторий доступны публично: GitHub DeerFlow. Официальные демо вынесены на сайт проекта, чтобы быстро оценить сценарии до установки.
Самый интересный вывод здесь такой: мы наблюдаем переход от «спросил у AI» к модели «нанял цифровую мини-команду». И в 2026-м побеждают те, кто умеет собирать такие команды в рабочий поток быстрее конкурентов.