Was sind die Hauptmerkmale von deer-flow?

Zu den Hauptmerkmalen von deer-flow gehören sein Open-Source SuperAgent Harness, die Nutzung isolierter Docker-Sandboxes für die Codeausführung, eine hierarchische Speicherarchitektur, strukturierte Tool-Aufrufe, Subagent-Orchestrierung und ein Message Gateway für die Inter-Agent-Kommunikation. Es ist darauf ausgelegt, komplexe, langfristige Aufgaben zu bewältigen und bietet eine Python Client API.

Wie vergleicht sich deer-flow mit Alternativen?

Deer-flow unterscheidet sich durch die Bereitstellung einer vollständigen Ausführungsumgebung mit persistenten Sandboxes und disziplinierter Sub-Agent-Orchestrierung, im Gegensatz zu Allzweck-Assistenten. Im Vergleich zu Frameworks wie LangChain oder AutoGen bietet deer-flow eine vollständigere Runtime für langfristige Aufgaben. Es konkurriert mit Tools wie CrewAI in der Multi-Agent-Orchestrierung und ergänzt datenzentrierte Tools wie LlamaIndex, indem es das übergeordnete Agent Harness bereitstellt.

KI-Werkzeug

deer-flow Bewertung

Name: deer-flow
Availability: OnlineOnly
Author: Stork.AI

DeerFlow 2.0 ist ein Open-Source SuperAgent Harness, das Sub-Agents, Speicher und Sandboxes orchestriert, um komplexe, langfristige Aufgaben, einschließlich Forschung, Codierung und Inhaltserstellung, autonom zu erledigen.

shipped 17. Apr. 2026updated 27. Mai 2026aifreemium

deer-flow - AI tool for deer flow. Professional illustration showing core functionality and features.

Warum es wichtig ist

1Am 27. Februar 2026 von ByteDance als DeerFlow 2.0 quelloffen veröffentlicht.

2Erhielt innerhalb von 24 Stunden nach seiner Veröffentlichung über 35.300 GitHub-Sterne.

3Version 2.0 ist eine von Grund auf neu geschriebene Version, die auf LangGraph und LangChain basiert und keinen Code mit ihrem v1-Vorgänger teilt.

4Entwickelt, um komplexe Aufgaben zu bewältigen, deren Erledigung Minuten bis Stunden dauern kann.

Stork’s verdict on deer-flow

DeerFlows open-source SuperAgent harness bewältigt komplexe, langfristige Aufgaben, erfordert aber erheblichen Orchestrierungsaufwand.

deer-flow reviewed by Stork AI · stork.ai/de/deer-flow

Spezifikationen

API-Dokumentation

Dokumentation ansehen →

GitHub

Repository ansehen →

API verfügbar

Ja, öffentliche API

overview

Was ist deer-flow?

deer-flow ist ein von ByteDance entwickeltes SuperAgent Harness-Tool, das Entwicklern, Ingenieuren, Forschern, Akademikern, Content-Teams, Marketingfachleuten, MLOps-Praktikern und Studenten ermöglicht, komplexe, langfristige Aufgaben autonom zu erledigen. Es orchestriert Sub-Agents, Speicher und Sandboxes, um tiefgehende Forschung, Codierung und Inhaltserstellung zu erleichtern. DeerFlow 2.0 fungiert als AI Agent Runtime-Umgebung, die es Agents ermöglicht, zu planen, Aufgaben in Unteraufgaben zu zerlegen, Tools aufzurufen, Code zu generieren und auszuführen, Dateien zu verwalten und fertige Ausgaben zu produzieren. Im Gegensatz zu vielen AI-Tools, die eine Chat-Oberfläche mit angehängten Tools bieten, bietet DeerFlow eine vollständige Ausführungsumgebung, die persistente Dateisysteme und strukturierte Skill-Systeme unterstützt. Seine Architektur ist auf Zuverlässigkeit und Kostenkontrolle in komplexen, mehrstufigen Workflows ausgelegt.

features

Hauptmerkmale von deer-flow

DeerFlow 2.0 umfasst eine Reihe technischer Funktionen, die eine robuste, autonome Aufgabenausführung für langfristige Workflows ermöglichen sollen.

Open-Source SuperAgent Harness für flexible Bereitstellung und Anpassung.
Verwendet isolierte Docker-Sandboxes für sichere und reproduzierbare Codegenerierung und -ausführung.
Verwendet eine hierarchische Speicherarchitektur, um den Kontext über längere Aufgabenlaufzeiten hinweg aufrechtzuerhalten.
Integriert ein strukturiertes Tool-Aufrufsystem, das es Agents ermöglicht, mit externen Diensten und APIs zu interagieren.
Nutzt Subagents für effiziente Aufgabenzerlegung, Delegation und Orchestrierung.
Verfügt über ein Message Gateway, um eine kontrollierte und kohärente Inter-Agent-Kommunikation zu ermöglichen.
Entwickelt, um komplexe, langfristige Aufgaben zu bewältigen, die Minuten bis Stunden dauern können.
Bietet eine Python Client API für programmatischen Zugriff und Integration in bestehende Systeme.
Die Roadmap für Q2 2026 umfasst Sicherheitsverbesserungen wie Role-Based Access Control (RBAC) und verbesserte Sandbox-Sicherheit.
Die laufende Entwicklung konzentriert sich auf Leistungsoptimierung, um gleichzeitige Benutzeranfragen und selbstverbessernde Agent-Fähigkeiten zu unterstützen.

use cases

Wer sollte deer-flow verwenden?

DeerFlow 2.0 wurde für technische Fachkräfte und Teams entwickelt, die fortschrittliche Automatisierung und autonome Agent-Fähigkeiten für komplexe, mehrstufige Prozesse benötigen.

Entwickler und Ingenieure: Für autonome Codegenerierung, Debugging in Sandboxed-Umgebungen und die Erstellung interaktiver Dashboards aus übergeordneten Briefings.
Forscher und Akademiker: Für tiefgehende Forschung, explorative Datenanalyse mit Visualisierungen und die Erstellung umfassender Berichte mit Zitaten.
Content-Teams und Marketingfachleute: Für die Automatisierung von Content-Workflows, einschließlich der Erstellung von Präsentationen, Dokumentengenerierung und AI-gestützter Podcast-Skriptproduktion.
MLOps-Praktiker: Für die Orchestrierung komplexer, mehrstufiger Software- oder Forschungs-Workflows, die persistente Ausführungsumgebungen und Agent-Koordination erfordern.
Studenten: Zum Lernen und Experimentieren mit fortschrittlichen AI-Agent-Architekturen, autonomer Aufgabenbearbeitung und Open-Source-Agent-Entwicklung.

pricing

deer-flow Preise & Pläne

DeerFlow 2.0 basiert auf einem Freemium-Modell, wobei sein Kern-SuperAgent Harness Open-Source ist. Dies ermöglicht es Benutzern, das System auf ihrer eigenen Infrastruktur ohne direkte Lizenzkosten bereitzustellen und zu betreiben. Ab Anfang 2026 sind keine spezifischen kostenpflichtigen Stufen oder Enterprise-Pläne öffentlich detailliert. Die Hauptkosten für Benutzer sind mit ihrer gewählten Infrastruktur (z.B. Cloud-Computing-Ressourcen für Docker-Container), der API-Nutzung für zugrunde liegende Large Language Models (LLMs) und internen Entwicklungsressourcen für Einrichtung und Anpassung verbunden. Der Open-Source-Charakter bietet Flexibilität, erfordert jedoch technische Kenntnisse für Bereitstellung und Wartung.

Freemium: Open-Source-Kern, selbst hostbar. Keine direkten Softwarekosten.

Richtlinien

Kostenloses Kontingent

Vendor website advertises a free tier.

Ähnliche Tools

deer-flow vs. Wettbewerber

DeerFlow 2.0 ist als robustes, Open-Source SuperAgent Harness positioniert, das sich durch seine vollständige Ausführungsumgebung und disziplinierte Sub-Agent-Orchestrierung von anderen AI-Agent-Frameworks und -Tools abhebt.

LangChainOn Stork Compare

Provides a modular, open-source framework for building LLM-powered applications, with LangGraph extending it for robust, stateful, and long-running multi-agent workflows using a graph-based approach.

Like deer-flow, LangChain (especially with LangGraph) offers a highly flexible, developer-centric framework for building complex AI agents with memory and tool use. It's open-source and widely adopted, providing a strong ecosystem for custom development, similar to deer-flow's harness approach for long-horizon tasks.

Microsoft AutoGenOn Stork Compare

Facilitates the creation of multi-agent conversation systems where customizable and conversable agents can interact with each other to collaboratively solve complex tasks.

AutoGen, like deer-flow, is an open-source framework designed for orchestrating multiple AI agents to tackle complex, long-horizon tasks. It provides a robust architecture for agent communication and collaboration, aligning with deer-flow's subagent and message gateway concepts.

CrewAIOn Stork Compare

Focuses on building 'teams of AI agents' with defined roles, goals, and tools, enabling collaborative problem-solving for complex workflows.

CrewAI directly competes with deer-flow in its multi-agent orchestration capabilities for complex tasks. While deer-flow emphasizes a 'SuperAgent harness' with sandboxes and a message gateway, CrewAI provides a structured framework for role-based agent collaboration, both aiming for long-horizon task completion.

LlamaIndexOn Stork Compare

Specializes in connecting large language models with external data sources, providing robust data ingestion, indexing, and querying capabilities to ground AI agents' reasoning in relevant context.

LlamaIndex complements or competes with deer-flow by offering a strong foundation for agents requiring extensive knowledge retrieval and memory, which is a core component of deer-flow's 'memories' feature. While deer-flow is a broader harness, LlamaIndex excels in the data-centric aspects crucial for long-horizon, research-heavy tasks.

n8nOn Stork Compare

An open-source and self-hostable workflow automation tool that allows technical teams to build complex, AI-powered workflows with extensive integrations and dedicated AI/LangChain nodes.

n8n is an open-source platform that enables the creation of sophisticated AI-powered workflows, similar to deer-flow's goal of handling complex, long-running tasks. Its focus on visual workflow building with code extensibility and strong AI integrations makes it a direct competitor for developers building agentic systems, and it offers a freemium model like deer-flow.

deer-flow besuchen↗

Kontakt

⌘

GitHubgithub.com/bytedance/deer-flow

AI Reputation Report

Is deer-flow yours?

ChatGPT, Perplexity, Gemini, Claude & Grok answer buyer questions about deer-flow every day. See whether they name deer-flow — or send buyers to a rival.

See what AI saysfree preview