Что такое DeerFlow 2.0 и что предприятиям нужно знать об этом новом мощном локальном оркестраторе ИИ-агентов?
ByteDance, китайский технологический гигант, стоящий за TikTok, в прошлом месяце выпустил то, что может оказаться одной из самых амбициозных инфраструктур для искусственного интеллекта с открытым исходным кодом на сегодняшний день: DeerFlow 2.0. Сейчас проект стремительно набирает популярность в сообществе специалистов по машинному обучению в социальных сетях. Но безопасен ли он и готов ли к внедрению на уровне предприятий?
Речь идет о так называемой «оболочке SuperAgent» (Суперагент), которая координирует работу множества подсистем ИИ для автономного выполнения сложных многочасовых задач. Самое приятное: она доступна по стандартной либеральной лицензии MIT, дружественной к бизнесу, что означает, что любой человек может использовать ее, модифицировать и создавать на ее основе коммерческие продукты бесплатно.
DeerFlow 2.0 разработан для высокосложных долгосрочных задач, требующих автономной координации в течение минут или часов. Сюда входит проведение глубоких исследований рыночных тенденций, создание исчерпывающих отчетов и презентаций, разработка функциональных веб-страниц, создание видеороликов и опорных изображений с помощью ИИ, проведение исследовательского анализа данных с наглядной визуализацией, анализ и обобщение подкастов или видеоконтента, автоматизация сложных рабочих процессов с данными и контентом, а также объяснение технических архитектур с помощью таких креативных форматов, как комиксы.
ByteDance предлагает раздельную стратегию развертывания, которая отделяет оркестратор от механизма вывода ИИ. Пользователи могут запускать базовый оркестратор напрямую на локальном компьютере, развертывать его в частном кластере Kubernetes для масштабирования на уровне предприятия или подключать к внешним платформам обмена сообщениями, таким как Slack или Telegram, без необходимости использования публичного IP-адреса.
Хотя многие выбирают облачный вывод через API OpenAI или Anthropic, фреймворк изначально не привязан к конкретным моделям (model-agnostic) и поддерживает полностью локальную настройку с помощью таких инструментов, как Ollama. Такая гибкость позволяет организациям адаптировать систему под свои специфические требования к суверенитету данных, выбирая между удобством облачных «мозгов» и полной конфиденциальностью изолированного локального стека.
Важно отметить, что выбор в пользу локального развертывания не означает отказ от безопасности или функциональной изоляции. Даже при работе исключительно на одной рабочей станции DeerFlow использует «песочницу AIO» на базе Docker, чтобы предоставить агенту собственную среду выполнения.
Эта песочница, содержащая собственный браузер, оболочку (shell) и постоянную файловую систему, гарантирует, что «вайб-кодинг» («vibe coding») и манипуляции с файлами агента остаются строго ограничены. Независимо от того, предоставляются ли базовые модели через облако или локальный сервер, действия агента всегда происходят внутри этого изолированного контейнера, что позволяет выполнять безопасные, долгоиграющие задачи, способные запускать команды bash и управлять данными без риска для целостности хост-системы.
С момента релиза в прошлом месяце проект набрал более 39 000 звезд (сохранений пользователей) и 4 600 форков — такая траектория роста привлекает пристальное внимание разработчиков и исследователей.
Не просто обертка для чат-бота: чем является DeerFlow 2.0 на самом деле
DeerFlow — это не очередная поверхностная надстройка над языковой моделью. И это различие принципиально.
В то время как многие инструменты ИИ предоставляют модели доступ к API поиска и называют это агентом, DeerFlow 2.0 дает своим агентам реальное изолированное компьютерное окружение: песочницу Docker с постоянной подключаемой файловой системой.
Система поддерживает как краткосрочную, так и долгосрочную память, формируя профили пользователей в течение сеансов. Она загружает модульные «навыки» — отдельные рабочие процессы — по требованию, чтобы контекстные окна оставались управляемыми. А когда задача оказывается слишком масштабной для одного агента, ведущий агент декомпозирует ее, порождает параллельные подсистемы с изолированными контекстами, безопасно выполняет код и команды Bash, а затем синтезирует результаты в готовый продукт.
Это похоже на подход, реализуемый проектом NanoClaw (вариация OpenClaw), который недавно заключил партнерство с самой компанией Docker с целью предоставления безопасных корпоративных песочниц для агентов и субагентов.
Но в то время как NanoClaw обладает чрезвычайной универсальностью, архитектура и круг задач DeerFlow определены гораздо четче: демонстрации на официальном сайте проекта deerflow.tech показывают реальные результаты: отчеты агентов с прогнозами трендов, видеоролики, сгенерированные по литературным запросам, комиксы, объясняющие концепции машинного обучения, блокноты для анализа данных и краткие содержания подкастов.
Фреймворк предназначен для задач, на выполнение которых уходит от нескольких минут до часов — то есть для работы, которая в настоящее время требует участия человеческого аналитика или платной подписки на специализированный сервис ИИ.
От глубоких исследований к суперагенту
Первая версия DeerFlow была выпущена в мае 2025 года как специализированный фреймворк для глубоких исследований. Версия 2.0 представляет собой нечто совершенно иное: это полная переработка с нуля на LangGraph 1.0 и LangChain, которая не имеет общего кода со своим предшественником. ByteDance прямо охарактеризовала релиз как переход «от агента Deep Research к полноценному суперагенту».
Новое в версии 2.0: готовая к работе среда выполнения с доступом к файловой системе, изолированным выполнением, персистентной памятью и созданием субагентов; прогрессивная загрузка навыков; поддержка Kubernetes для распределенного выполнения; а также управление долгосрочными задачами, способное выполняться автономно в течение длительных периодов времени.
Фреймворк полностью автономен по отношению к моделям и работает с любым API, совместимым с OpenAI. Он имеет встроенную надежную поддержку собственных моделей Doubao-Seed от ByteDance, а также DeepSeek v3.2, Kimi 2.5, моделей Claude от Anthropic, вариантов GPT от OpenAI и локальных моделей, запускаемых через Ollama. Он также интегрируется с Claude Code для задач в терминале и с такими платформами обмена сообщениями, как Slack, Telegram и Feishu.
Почему он стал вирусным именно сейчас
Текущий вирусный всплеск проекта стал результатом постепенного набора популярности, который резко ускорился на этой неделе.
Запуск 28 февраля вызвал значительный первоначальный резонанс, но именно освещение в СМИ, посвященных машинному обучению, включая выпуск The Batch от deeplearning.ai в течение последующих двух недель, создало проекту авторитет в исследовательском сообществе.
Затем, 21 марта, инфлюенсер в сфере ИИ Мин Чой (Min Choi) написал своей многомиллионной аудитории в X (бывший Twitter): «Китайская ByteDance только что выпустила DeerFlow 2.0. Этот ИИ представляет собой оболочку суперагента с подсистемами, памятью, песочницами, каналами мессенджеров и интеграцией с Claude Code. На 100% с открытым исходным кодом». Публикация набрала более 1300 лайков и вызвала лавину репостов и комментариев в сегменте ИИ-Twitter.
Поиск в X с помощью Grok выявил всю глубину этой реакции. Инфлюенсер Брайан Роеммеле (Brian Roemmele) после проведения, по его словам, интенсивного личного тестирования заявил, что «DeerFlow 2.0 абсолютно превосходит все, с чем нам доводилось работать», и назвал проект «сменой парадигмы», добавив, что его компания полностью отказалась от конкурирующих фреймворков в пользу локального запуска DeerFlow. «Мы используем 2.0 ТОЛЬКО ЛОКАЛЬНО. НИКАКИХ ОБЛАЧНЫХ ВЕРСИЙ», — написал он.
Более резкие комментарии прозвучали от аккаунтов, сосредоточенных на бизнес-последствиях. В посте @Thewarlordai, опубликованном 23 марта, ситуация была обрисована без обиняков: «ИИ-сотрудники с лицензией MIT — это смертный приговор для любого стартапа, пытающегося продавать подписки на основе рабочих мест (seat-based). Запад спорит о ценах, в то время как Китай только что превратил всю рабочую силу в биржевой товар».
В другом популярном посте DeerFlow описывался как «ИИ-сотрудник с открытым исходным кодом, который исследует, пишет код и выпускает продукты, пока вы спите… теперь для этого нужен лишь репозиторий на Python и пара команд».
Межъязыковое распространение — с содержательными постами на английском, японском и турецком языках — указывает на подлинный глобальный охват, а не на скоординированную рекламную кампанию, хотя последнее тоже нельзя полностью исключать и это могло способствовать нынешней виральности.
Вопрос ByteDance
Участие ByteDance — это переменная, которая делает восприятие DeerFlow более сложным, чем типичный релиз с открытым исходным кодом.
С технической точки зрения, открытый характер проекта и лицензия MIT означают, что код полностью доступен для аудита. Разработчики могут проверить, что именно он делает, куда уходят данные и что отправляется во внешние службы. Это существенно отличается от использования закрытого потребительского продукта ByteDance.
Но ByteDance работает в рамках китайского законодательства, и для организаций из регулируемых отраслей (финансы, здравоохранение, оборонная промышленность, государственные структуры) происхождение программных инструментов все чаще вызывает необходимость прохождения официальных процедур проверки, независимо от качества или открытости кода.
Вопрос юрисдикции не является гипотетическим: федеральные ведомства США уже работают в условиях нормативных требований, которые рассматривают ПО китайского происхождения как категорию, требующую пристального внимания.
Для независимых разработчиков и небольших команд, осуществляющих полностью локальное развертывание с использованием собственных ключей API LLM, эти опасения не столь критичны с операционной точки зрения. Для корпоративных заказчиков, оценивающих DeerFlow в качестве инфраструктуры, это не так.
Реальный инструмент с ограничениями
Энтузиазм сообщества вполне обоснован, однако существует ряд оговорок.
DeerFlow 2.0 — это не потребительский продукт. Для его настройки требуются практические знания Docker, конфигурационных файлов YAML, переменных среды и инструментов командной строки. Графический установщик отсутствует. Для разработчиков, чувствующих себя уверенно в такой среде, процесс настройки описывается как относительно простой; для остальных это серьезный барьер.
Производительность при запуске полностью локальных моделей (а не облачных конечных точек API) сильно зависит от доступной видеопамяти (VRAM) и аппаратного обеспечения, причем передача контекста между несколькими специализированными моделями является известной сложностью. Для многоагентных задач, запускающих несколько моделей параллельно, требования к ресурсам возрастают стремительно.
Документация проекта, хотя и улучшается, все еще имеет пробелы в сценариях интеграции с корпоративными системами. Независимый публичный аудит безопасности изолированной среды выполнения не проводился, что представляет собой вполне реальную поверхность атаки при предоставлении доступа к ней недоверенным входным данным.
Кроме того, экосистема, несмотря на быстрый рост, существует всего несколько недель. Библиотека плагинов и навыков, которая могла бы сделать DeerFlow сопоставимым по зрелости с устоявшимися фреймворками оркестрации, просто еще не создана.
Что это значит для предприятий в эпоху трансформации искусственного интеллекта?
Более глубокое значение DeerFlow 2.0 может заключаться не столько в самом инструменте, сколько в том, что он символизирует в более широкой гонке за определение инфраструктуры автономного ИИ.
Появление DeerFlow в качестве полноценного, саморазворачиваемого оркестратора агентов под лицензией MIT добавляет новый поворот в продолжающуюся борьбу между предприятиями (а также разработчиками ИИ и поставщиками моделей) за превращение генеративных моделей ИИ в нечто большее, чем просто чат-боты — в подобие штатных или хотя бы частичных сотрудников, способных как к коммуникации, так и к надежным практическим действиям.
В некотором смысле это знаменует собой естественную следующую волну после OpenClaw: если тот инструмент с открытым исходным кодом был направлен на создание надежного, постоянно работающего автономного агента ИИ, которому пользователь мог писать сообщения, то DeerFlow разработан для того, чтобы позволить развернуть целый парк таких агентов и отслеживать их работу в рамках единой системы.
Решение о внедрении платформы на вашем предприятии зависит от того, требуют ли рабочие нагрузки вашей организации «долгосрочного» выполнения — сложных многоэтапных задач, занимающих от нескольких минут до часов и включающих глубокие исследования, написание кода и синтез. В отличие от стандартного интерфейса LLM, эта «оболочка суперагента» декомпозирует общие запросы на параллельные подзадачи, выполняемые специализированными экспертами. Такая архитектура специально разработана для рабочих процессов с высоким уровнем контекста, где однократного ответа недостаточно, а «вайб-кодинг» или манипуляции с файлами в реальном времени в защищенной среде являются необходимостью.
Главным условием для использования является техническая готовность аппаратного обеспечения организации и среды песочницы. Поскольку каждая задача выполняется внутри изолированного контейнера Docker с собственной файловой системой, командной оболочкой и браузером, DeerFlow действует как «компьютер в коробке» для агента. Это делает его идеальным решением для ресурсоемких задач или задач разработки ПО, где агент должен безопасно выполнять и отлаживать код без риска загрязнения хост-системы. Тем не менее, эта готовая к работе среда накладывает значительную нагрузку на инфраструктурный слой; лица, принимающие решения, должны убедиться в наличии кластеров графических процессоров (GPU) и достаточного объема VRAM для поддержки параллельной работы многоагентных парков, поскольку требования фреймворка к ресурсам быстро растут при выполнении сложных задач.
Стратегическое внедрение часто представляет собой баланс между накладными расходами на SaaS-подписки с оплатой за рабочее место и контролем над развертыванием собственных решений с открытым исходным кодом. Лицензия MIT позиционирует DeerFlow 2.0 как высокопроизводительную альтернативу проприетарным платформам агентов без выплаты роялти, потенциально устанавливая ценовой потолок для всей категории. Предприятиям стоит отдать предпочтение этой системе, если они ставят на первое место суверенитет и прозрачность данных для аудита, поскольку фреймворк не привязан к конкретным моделям и поддерживает полностью локальный запуск с такими моделями, как DeepSeek или Kimi. Если цель состоит в том, чтобы сделать цифровую рабочую силу доступным массовым инструментом при сохранении полного контроля над стеком технологий, фреймворк представляет собой убедительный, хотя и требовательный к технической подготовке ориентир.
В конечном счете, решение о развертывании должно взвешиваться с учетом присущих автономной среде выполнения рисков и ее юрисдикционного происхождения. Хотя песочницы обеспечивают изоляцию, способность агентов выполнять команды bash создает вполне реальную поверхность атаки, требующую строгого управления безопасностью и проверяемости (аудируемости). Более того, поскольку проект является инициативой ByteDance через Volcengine и BytePlus, организациям в регулируемых секторах необходимо соотносить его техническую производительность с новыми стандартами происхождения программного обеспечения. Развертывание наиболее целесообразно для команд, комфортно чувствующих себя с настройкой через интерфейс командной строки (CLI) и Docker, которые готовы променять удобство потребительского продукта на сложную и расширяемую оболочку суперагента.
