
DeerFlow 2.0 от ByteDance: развернул super-agent harness через Docker, прогнал на реальной задаче
nlaik 14 минут назад DeerFlow 2.0 от ByteDance: развернул super-agent harness через Docker, прогнал на реальной задаче Сложный 11 мин 503 Искусственный интеллект Open source * DevOps * Обзор 61 тысяча звёзд на GitHub за...
Anthropic — What company has the best second artificial intelligence model at the end of June?
В сфере искусственного интеллекта произошло заметное событие. nlaik 14 минут назад DeerFlow 2. 0 от ByteDance: развернул super-agent harness через Docker, прогнал на реальной задаче Сложный 11 мин 503 Искусственный интеллект Open source * DevOps * Обзор 61 тысяча звёзд на GitHub за один релиз — это много или мало? Что под капотом, чем отличается от Claude Code и OpenHands, и где честные ограниченияВ конце февраля 2026 ByteDance выложила вторую версию DeerFlow — open-source агентного фреймворка, который команда позиционирует как «super agent harness».
Релиз залетел в топ-1 GitHub Trending, набрал 61 тысячу звёзд за пару недель, попал во все технические телеграм-каналы. 0 — это полностью переписанный с нуля код, новая архитектура, отсылки на сравнение с Manus, Claude Code и другими «настоящими» агентами. Я развернул DeerFlow 2.
Технические детали
0 через Docker на своём VPS, погонял на пары реальных задач и провёл вечер с конфигом и логами. Расскажу, что внутри, как разворачивать, на чём он реально хорош, где спорно, и почему телеграм-маркетинг расходится с честным README в нескольких важных местах. Сразу оговорка по жанру.
Это не «руководство по запуску», для этого есть Install. md в репозитории — он довольно подробный. Это технический разбор архитектурных решений и личный опыт развёртывания.
Цель — дать читателю Хабра достаточно информации, чтобы он сам решил, стоит ли разворачивать у себя. Что такое DeerFlow и кому это вообще нужноВ мире AI-агентов сейчас стандартная путаница терминологии. У нас есть фреймворки (LangChain, LangGraph), агентные runtimes (AutoGPT, Claude Code, OpenHands), оркестраторы (CrewAI, AutoGen) — и все они претендуют называться «агентами».
Отраслевые последствия
DeerFlow — это harness, инфраструктурный слой между LLM и реальными задачами. То есть не сама модель, не интерфейс к ней, а среда, в которой модель получает инструменты, память, песочницу, файловую систему, и может выполнять долгие многошаговые задачи. Концептуально ближе всего DeerFlow стоит к Claude Code и OpenHands.
Только Claude Code заточен под кодинг и Anthropic, OpenHands ориентирован на full-stack разработку с упором на изоляцию через Docker, а DeerFlow позиционируется как универсальный harness для «больших и долгих» задач: ресёрч с генерацией отчёта, создание презентаций, веб-страниц, изображений и видео, плюс что угодно через сабагентов. Базовый кейс из README — research-task. Пользователь даёт задачу типа «исследуй рынок X и сделай отчёт».
DeerFlow:Планирует подзадачи через lead-agentПараллельно запускает суб-агентов (поиск, скрапинг, анализ, верификация фактов)Накапливает результаты в файловую систему через sandboxИспользует skills (структурированные навыки) для конкретных типов работыСобирает финальный отчёт через специализированный writer-агент То есть это не «один промпт — один ответ», а полноценная многошаговая работа, которая может идти от минут до часов. Поверх этого — long-term memory между сессиями, поддержка любых LLM провайдеров (через LangChain-совместимые адаптеры), интеграция с messaging-системами.
Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.





