DeerFlow im Test: ByteDances Open-Source-KI-Mitarbeiter, rund um die Uhr im Einsatz, komplett kostenlos

Am 28. Februar 2026 hat ByteDance DeerFlow 2.0 als Open Source veröffentlicht, das noch am selben Tag die Spitze der GitHub-Trending-Liste erreichte und in weniger als einem Monat fast 50.000 Stars sammelte. Dies ist kein weiterer Chatbot – DeerFlow ist ein KI-Mitarbeiter, der wirklich selbstständig arbeiten kann.

Zusammenfassung in einem Satz

DeerFlow (Deep Exploration and Efficient Research Flow) ist ByteDances Open-Source-”Super-Agent-Framework”, das Sub-Agenten, Speichersysteme und Sandbox-Ausführungsumgebungen orchestriert, kombiniert mit erweiterbaren Fähigkeiten (Skills), die es der KI ermöglichen, fast jede Arbeit selbstständig abzuschließen – von der Rechercheanalyse bis zur Codeentwicklung, von der Datenverarbeitung bis zur Inhaltserstellung.

Was ist DeerFlow?

Von Deep Research zu Super Agent Harness

DeerFlow begann als Deep-Research-Framework, das hauptsächlich zur Automatisierung der Informationssuche und -analyse verwendet wurde. Aber die Community entdeckte schnell sein größeres Potenzial – Entwickler nutzten es zum Aufbau von Datenpipelines, zur Erstellung von Präsentationen, zum schnellen Einrichten von Dashboards und zur Automatisierung von Inhaltsworkflows. Viele Richtungen überraschten sogar das offizielle Team.

Also traf ByteDance eine mutige Entscheidung: DeerFlow von Grund auf neu schreiben. Die im Februar 2026 veröffentlichte Version 2.0 teilt keinen Code mit 1.0 – es ist eine vollständige Neukonstruktion. Die neue Version ist kein Framework mehr, das Sie selbst zusammenstellen müssen, sondern eine sofort einsatzbereite “Super-Agent-Laufzeitplattform”.

Was es nicht ist

Viele Leute fragen beim ersten Hören von DeerFlow: “Wie unterscheidet es sich von ChatGPT?” Die Antwort ist: komplett anders.

Dimension	Chatbots (ChatGPT/Claude)	KI-Copiloten	DeerFlow 2.0
Interaktion	Sie fragen, es antwortet	Gibt Vorschläge während Sie arbeiten	Akzeptiert Ziele, führt selbstständig aus
Ausführung	Nur Textgenerierung	Unterstützt Ihre Operationen	Führt Code aus, manipuliert Dateien selbstständig
Umgebung	Cloud-Service	In Ihre IDE eingebettet	Lokal bereitgestellt, vollständig autonom
Speicher	Begrenztes Kontextfenster	Projekt-Kontext	Langzeitgedächtnis + Sitzungsgedächtnis
Verfügbarkeit	Funktioniert nur, wenn Sie online sind	Funktioniert nur, wenn Sie online sind	24/7 im Dienst

Einfach ausgedrückt: Chatbots sind “Berater”, KI-Copiloten sind “Assistenten”, während DeerFlow ein “Mitarbeiter” ist. Sie geben ihm ein Ziel, und es plant, führt aus und überprüft selbstständig – passt Strategien an, wenn es auf Probleme stößt.

Kernfunktionen im Detail

1. Sub-Agenten-Orchestrierung

DeerFlows Kerndesignphilosophie ist “Teile und herrsche”. Bei einer komplexen Aufgabe zerlegt der Hauptagent (Lead Agent) sie in mehrere Teilaufgaben und delegiert jede an spezialisierte Sub-Agenten.

Wenn Sie DeerFlow zum Beispiel bitten, “die Produktstrategien von Wettbewerbern zu analysieren und einen Bericht zu erstellen”, wird es:

1. Planungsphase: Der Hauptagent analysiert die Aufgabe und zerlegt sie in “Informationssammlung”, “Datenanalyse” und “Berichtserstellung”
2. Ausführungsphase: Such-, Analyse- und Schreib-Sub-Agenten arbeiten parallel
3. Integrationsphase: Der Hauptagent kombiniert Ausgaben aller Sub-Agenten, um den endgültigen Bericht zu erstellen

Der Vorteil dieser Architektur: Jeder Sub-Agent konzentriert sich auf sein Fachgebiet, das Kontextfenster wird nicht mit irrelevanten Informationen verschmutzt, und die Gesamteffizienz ist viel höher als bei einem einzelnen Agenten, der “alles von Anfang bis Ende macht”.

2. Sandbox-Ausführungsumgebung

Dies ist einer der wesentlichen Unterschiede zwischen DeerFlow und gewöhnlicher KI. DeerFlow enthält eine vollständige Sandbox-Ausführungsumgebung, die Folgendes unterstützt:

• Code-Ausführung: Python, JavaScript, Bash und andere Sprachen laufen direkt in der Sandbox
• Dateioperationen: Dateien erstellen, lesen, ändern, löschen, Projektverzeichnisse verwalten
• Netzwerkanfragen: APIs aufrufen, Webseiten scrapen, Daten herunterladen
• Docker-Isolation: Unterstützt Ausführung in Docker-Containern, um Host-Sicherheit zu gewährleisten

Die Sandbox unterstützt drei Modi:

Modus	Anwendungsfall	Sicherheitsstufe
Lokale Ausführung	Entwicklungstests	Mittel
Docker-Ausführung	Produktionsumgebung	Hoch
Kubernetes-Ausführung	Enterprise-Bereitstellung	Höchste

3. Langzeitgedächtnis-System

DeerFlows Speichersystem hat zwei Ebenen:

• Sitzungsgedächtnis (Session Memory): Aktueller Gesprächskontext, unterstützt manuelle Komprimierung zur Token-Kontrolle
• Langzeitgedächtnis (Long-Term Memory): Sitzungsübergreifendes persistiertes Wissen, einschließlich Benutzerpräferenzen, Projektkonfigurationen, historischer Erfahrungen

Langzeitgedächtnis macht DeerFlow wirklich “klüger, je mehr Sie es benutzen”. Es merkt sich Ihre Arbeitsgewohnheiten, Projekthintergründe und häufig verwendeten Tools und verwendet sie beim nächsten Mal direkt, anstatt von vorne zu beginnen.

4. Erweiterbares Fähigkeiten-System (Skills)

Skills sind DeerFlows “Fähigkeits-Plugins”. Jede Skill ist eine strukturierte Markdown-Datei, die Workflows, Best Practices und Referenzressourcen für bestimmte Domänen definiert.

Eingebaute Skills umfassen:

• Rechercheanalyse: Tiefe Informationssuche und -organisation
• Berichtserstellung: Strukturierte Berichtschreibung
• Präsentationen: PPT-Folienerstellung
• Webseitenerstellung: Schnelles Einrichten von Landing Pages
• Bild-/Videoerstellung: KI-gestützte kreative Inhaltsproduktion

Noch leistungsstärker: Sie können Ihre eigenen Skills schreiben, um DeerFlow jede benötigte Fähigkeit beizubringen. Skills verwenden Bedarfsorientiertes Laden – werden nur in den Kontext geladen, wenn die Aufgabe sie wirklich benötigt, um Token-Verschwendung zu vermeiden.

5. Multi-Channel-Zugang (IM-Kanäle)

DeerFlow 2.0 unterstützt den direkten Empfang von Aufgaben aus Instant-Messaging-Apps und unterstützt derzeit:

• Telegram (Bot API)
• Slack (Socket Mode)
• Feishu/Lark (WebSocket)
• WeCom (WebSocket)
• DingTalk (Stream Push)
• WeChat (iLink)

Das bedeutet, Sie können DeerFlow direkt in vertrauten Chat-Tools Aufgaben zuweisen, ohne zu einer speziellen Web-UI wechseln zu müssen.

Technische Architektur

DeerFlow 2.0 Tech-Stack:

┌─────────────────────────────────────────────────────┐
│                    Frontend (Next.js)                 │
│              Web-UI / IM-Kanal-Zugang                 │
├─────────────────────────────────────────────────────┤
│                  Gateway (Python)                     │
│         LangGraph-Laufzeit / Aufgabenplanung / SSE    │
├─────────────────────────────────────────────────────┤
│              Agent-Laufzeit (LangChain)               │
│    Lead Agent → Sub-Agenten → Tools / Skills         │
├─────────────────────────────────────────────────────┤
│              Sandbox / Speicher / Speicherung         │
│    Docker/K8s-Sandbox / SQLite/Postgres / Dateisystem │
└─────────────────────────────────────────────────────┘

Wichtige Technologieentscheidungen:

• Backend-Framework: Python 3.12+, gebaut auf LangChain und LangGraph
• Frontend: Next.js mit Hot-Reload-Unterstützung
• Datenbank: SQLite (lokal) / PostgreSQL (Produktion)
• Sandbox: Docker / Kubernetes / Lokale Ausführung
• Beobachtbarkeit: LangSmith / Langfuse-Tracing

Vergleich mit AutoGPT / CrewAI / BabyAGI

DeerFlow ist nicht das einzige Open-Source-KI-Agent-Framework. Hier ist ein Vergleich mit mehreren bekannten Projekten:

Dimension	DeerFlow 2.0	AutoGPT	CrewAI	BabyAGI
Positionierung	Super-Agent-Laufzeit	Autonomer KI-Assistent	Multi-Agent-Zusammenarbeit	Aufgabenorientierter Agent
Architektur	Master-Slave + Sub-Agenten	Einzelner Agent-Loop	Rollenbasiertes Team	Aufgaben-Warteschlange
Sandbox	✅ Eingebaut (Docker/K8s)	❌ Selbstintegration	❌ Selbstintegration	❌ Keine
Langzeitgedächtnis	✅ Eingebaut	⚠️ Basis	⚠️ Basis	❌ Keine
Fähigkeiten-System	✅ Markdown-Skills	⚠️ Plugins	⚠️ Tools	❌ Keine
IM-Zugang	✅ 6+ Kanäle	❌ Keine	❌ Keine	❌ Keine
Web-UI	✅ Vollständig	⚠️ Drittanbieter	❌ Keine	❌ Keine
Enterprise-Bereitstellung	✅ K8s-Unterstützung	❌ Nicht geeignet	⚠️ Begrenzt	❌ Nicht geeignet
Wartung	ByteDance aktiv	Community	Community	Experimentell

Zusammenfassung:

• DeerFlow ist derzeit die vollständigste “Out-of-the-Box”-Lösung, geeignet für Benutzer, die einen wirklich funktionierenden KI-Mitarbeiter wollen
• AutoGPT ist ein etabliertes Projekt, aber relativ einfache Architektur, besser zum Lernen und Experimentieren
• CrewAI eignet sich für Szenarien, die Multi-Agent-Zusammenarbeit erfordern, erfordert aber den Aufbau der Ausführungsumgebung
• BabyAGI ist ein Proof-of-Concept-Projekt, nicht für den Produktionseinsatz geeignet

Lokale Bereitstellungsanleitung

Hardware-Anforderungen

Bereitstellungsszenario	Minimum	Empfohlen
Lokale Erfahrung	4 vCPU / 8GB RAM / 20GB SSD	8 vCPU / 16GB RAM
Docker-Entwicklung	4 vCPU / 8GB RAM / 25GB SSD	8 vCPU / 16GB RAM
Langzeitdienst	8 vCPU / 16GB RAM / 40GB SSD	16 vCPU / 32GB RAM

Hinweis: Diese Konfigurationen decken nur DeerFlow selbst ab. Wenn Sie große Modelle lokal bereitstellen möchten (wie Qwen, Llama), benötigen Sie zusätzliche Ressourcen für die Modellinferenz.

Schnellstart (Docker-Methode)

1. Repository klonen

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

2. Setup-Assistent ausführen

make setup

Dies startet einen interaktiven Assistenten, der Sie durch die Auswahl von LLM-Anbieter, Suchtools, Sandbox-Modus usw. führt. Die Konfiguration dauert etwa 2 Minuten.

3. Docker-Umgebung initialisieren

make docker-init    # Sandbox-Image ziehen (nur beim ersten Mal)

4. Dienste starten

make docker-start   # Alle Dienste starten

5. Zugriff

Öffnen Sie den Browser und besuchen Sie http://localhost:2026, um DeerFlows Web-UI zu sehen.

Lokale Entwicklungsmethode

Wenn Sie lieber lokal ausführen:

# 1. Abhängigkeiten prüfen
make check    # Node.js 22+, pnpm, uv, nginx verifizieren

# 2. Abhängigkeiten installieren
make install  # Backend + Frontend-Abhängigkeiten installieren

# 3. Dienste starten
make dev      # Entwicklungsmodus starten

LLM-Anbieter konfigurieren

DeerFlow unterstützt mehrere LLM-Anbieter, einschließlich:

• OpenAI: GPT-4o, GPT-5, usw.
• Anthropic: Claude-Serie
• OpenRouter: Aggregiert mehrere Modelle
• vLLM: Lokale Bereitstellung von Open-Source-Modellen
• ByteDance Volcengine: Doubao Seed 2.0, usw.

Offizielle Empfehlungen sind Doubao Seed-2.0-Code, DeepSeek v3.2 und Kimi 2.5 für die Ausführung von DeerFlow.

Beispiel-Modellkonfiguration in config.yaml:

models:
  - name: gpt-4o
    display_name: GPT-4o
    use: langchain_openai:ChatOpenAI
    model: gpt-4o
    api_key: $OPENAI_API_KEY

  - name: qwen3-32b-vllm
    display_name: Qwen3 32B (vLLM)
    use: deerflow.models.vllm_provider:VllmChatModel
    model: Qwen/Qwen3-32B
    api_key: $VLLM_API_KEY
    base_url: http://localhost:8000/v1

Praxis-Anwendungsfälle

Szenario 1: Tiefgehende Rechercheanalyse

Aufgabe: “Analysieren Sie die Marktlage der KI-Coding-Assistenten 2026, einschließlich Hauptprodukte, technische Routen und Marktanteile”

DeerFlow-Ausführungsprozess:

1. Hauptagent zerlegt Aufgabe in: Informationssammlung, Datenorganisation, Analyseerstellung
2. Such-Sub-Agenten rufen parallel mehrere Quellen ab: Branchenberichte, Nachrichten, Produktwebsites
3. Analyse-Sub-Agent organisiert Daten, extrahiert Schlüsselinformationen
4. Schreib-Sub-Agent generiert strukturierten Bericht mit Diagrammen
5. Hauptagent überprüft Ausgabe, generiert endgültigen Bericht

Zeit: Etwa 5-8 Minuten (abhängig von Aufgabenkomplexität)

Ausgabe: Ein 3000+ Wörter umfassender Markdown-Bericht mit Datentabellen und Trendanalyse

Szenario 2: Code-Projektentwicklung

Aufgabe: “Schreiben Sie eine Befehlszeilen-To-Do-App in Python mit CRUD-Unterstützung”

DeerFlow-Ausführungsprozess:

1. Funktionsmodule und Datenmodelle planen
2. Code in Sandbox mit Echtzeit-Tests schreiben
3. Auto-Debug und Fehlerbehebung bei Bugs
4. README-Dokumentation schreiben
5. Projektstrukturerklärung generieren

Zeit: Etwa 3-5 Minuten

Ausgabe: Vollständiges lauffähiges Code-Projekt mit Quellcode, Dokumentation, Tests

Szenario 3: Inhaltserstellungs-Pipeline

Aufgabe: “Schreiben Sie einen Blog-Beitrag für neue Produkteinführung, einschließlich SEO-Optimierung und mehrsprachiger Versionen”

DeerFlow-Ausführungsprozess:

1. Produktfunktionen und Zielgruppe recherchieren
2. Chinesische Version entwerfen
3. Ins Englische, Japanische, Koreanische usw. übersetzen
4. SEO-freundliche Titel und Beschreibungen generieren
5. Bildvorschläge erstellen

Zeit: Etwa 10-15 Minuten

Ausgabe: Mehrsprachige Blog-Beiträge + SEO-Metadaten + Bildvorschläge

Einschränkungen und Überlegungen

1. LLM-Kosten

Während DeerFlow selbst kostenlos und Open Source ist, erfordert die Ausführung LLM-API-Aufrufe, die Geld kosten. Komplexe Aufgaben können Dutzende von LLM-Aufrufen mit erheblichem Token-Verbrauch erfordern. Empfehlungen:

• Kostenwirksame Modelle verwenden (wie DeepSeek, Qwen)
• Sub-Agenten-Anzahl vernünftig einstellen, um Überaufteilung zu vermeiden
• Kontextkomprimierung aktivieren, um Token-Verschwendung zu reduzieren

2. Sicherheitsrisiken

DeerFlows Sandbox kann Code ausführen und Dateien manipulieren, was bedeutet, dass unsachgemäße Konfiguration Sicherheitsrisiken darstellen kann. Empfehlungen:

• Produktionsumgebungen müssen Docker- oder K8s-Sandbox-Isolation verwenden
• DeerFlow nicht unnötige Systemberechtigungen geben
• Ausführungsprotokolle regelmäßig überprüfen

3. Lernkurve

DeerFlow ist leistungsstark, hat aber viele Konfigurationsoptionen. Für Benutzer ohne Docker- oder Python-Erfahrung kann die erste Bereitstellung einige Zeit in Anspruch nehmen. Die gute Nachricht ist, dass offizielle detaillierte Setup-Assistenten und Diagnosetools (make doctor) bereitstellt, um Probleme schnell zu lokalisieren.

4. Modellabhängigkeit

DeerFlows Effektivität hängt stark von den Fähigkeiten des zugrunde liegenden LLM ab. Die Verwendung schwächerer Modelle kann zu schlechter Planung, Ausführungsfehlern usw. führen. Empfohlen wird die Verwendung von Hauptmodellen wie GPT-4o, Claude 3.5, DeepSeek v3.2.

Endgültiges Urteil

Vorteile

✅ Vollständige Funktionen: Von der Recherche bis zur Ausführung, Speicher bis Zusammenarbeit, One-Stop-Lösung
✅ Vollständig Open Source: MIT-Lizenz, frei zur Änderung und kommerziellen Nutzung
✅ Fortschrittliche Architektur: Sub-Agenten + Sandbox + Langzeitgedächtnis, repräsentiert neueste KI-Agent-Richtung
✅ Flexible Bereitstellung: Unterstützt lokale, Docker, K8s-Bereitstellungsoptionen
✅ Reiches Ökosystem: Unterstützt 6+ IM-Kanäle, mehrere LLM-Anbieter, erweiterbare Skills
✅ ByteDance-Unterstützung: Großes Unternehmen wartet, aktive Updates, riesige Community (fast 50k Stars)

Nachteile

❌ Ressourcenverbrauch: Vollständige Bereitstellung erfordert 8GB+ RAM
❌ LLM-Kosten: Komplexe Aufgaben-API-Aufrufkosten sind nicht trivial
❌ Konfigurationskomplexität: Anfänger benötigen möglicherweise 30+ Minuten für die Bereitstellung
❌ Modellabhängigkeit: Effektivität durch zugrunde liegende LLM-Fähigkeiten begrenzt

Bewertungen

Dimension	Bewertung
Funktionsvollständigkeit	⭐⭐⭐⭐⭐
Benutzerfreundlichkeit	⭐⭐⭐⭐
Technischer Fortschritt	⭐⭐⭐⭐⭐
Dokumentationsqualität	⭐⭐⭐⭐⭐
Community-Aktivität	⭐⭐⭐⭐⭐
Kosteneffektivität	⭐⭐⭐⭐

Gesamtbewertung: 4,5 / 5

Für wen ist es?

• Entwickler, die einen “wirklich funktionierenden” KI-Assistenten wollen
• Wissensarbeiter, die automatisierte Recherche, Analyse, Inhaltserstellung benötigen
• Technische Teams, die Enterprise-interne KI-Agent-Plattformen aufbauen möchten
• Forscher und Lernende, die an KI-Agent-Technologie interessiert sind

Für wen ist es nicht?

• Normale Benutzer, die nur einfachen Chat wollen (verwenden Sie ChatGPT)
• Vollständige Anfänger ohne technischen Hintergrund (Bereitstellung hat Hürden)
• Benutzer mit extrem begrenzten Budgets, die nicht bereit sind, LLM-API-Gebühren zu zahlen

Abschließende Gedanken

DeerFlow 2.0 repräsentiert eine wichtige Evolution in KI-Agenten von “Hilfstools” zu “autonomen Mitarbeitern”. Es ist nicht mehr damit zufrieden, Fragen zu beantworten oder Vorschläge zu machen – es beginnt wirklich, selbstständig zu arbeiten und Probleme selbst zu lösen.

Obwohl es immer noch Nachteile wie hohen Ressourcenverbrauch und komplexe Konfiguration hat, hat DeerFlow als Open-Source-Projekt die höchste Vollständigkeitsstufe unter ähnlichen Projekten erreicht. Wenn Sie 2026 die Zukunft von “KI-Mitarbeitern” erleben möchten, ist DeerFlow definitiv einen Versuch wert.

---

Häufig gestellte Fragen (FAQ)

1. Ist DeerFlow komplett kostenlos?

DeerFlow selbst ist komplett kostenlos und Open Source (MIT-Lizenz), aber die Ausführung erfordert LLM-API-Aufrufe (wie OpenAI, DeepSeek), die nach Token abgerechnet werden. Wenn Sie lokal bereitgestellte Open-Source-Modelle verwenden (wie Qwen über vLLM), können Sie Null-Kosten-Betrieb erreichen, benötigen aber ausreichende Hardware-Ressourcen.

2. Wie unterscheidet sich DeerFlow von ChatGPT?

ChatGPT ist ein Chatbot – Sie fragen, es antwortet; DeerFlow ist ein KI-Mitarbeiter – Sie geben ihm ein Ziel, es plant, führt aus und überprüft selbst. ChatGPT kann nur Text generieren; DeerFlow kann Code ausführen, Dateien manipulieren und APIs aufrufen.

3. Welche Konfiguration benötige ich, um DeerFlow auszuführen?

Minimum: 4 vCPU / 8GB RAM / 20GB SSD. Empfohlen: 8 vCPU / 16GB RAM. Dies deckt nur DeerFlow selbst ab – wenn Sie auch große Modelle lokal ausführen möchten, benötigen Sie zusätzliche Ressourcen.

4. Welche LLMs unterstützt DeerFlow?

Unterstützt OpenAI (GPT-4o, GPT-5), Anthropic (Claude), OpenRouter, vLLM (lokale Modelle), ByteDance Volcengine, usw. Offizielle Empfehlungen sind Doubao Seed-2.0-Code, DeepSeek v3.2 und Kimi 2.5.

5. Kann DeerFlow unter Windows ausgeführt werden?

Ja, aber Git Bash wird gegenüber nativem cmd.exe oder PowerShell empfohlen. Offiziell wird Linux + Docker für die Produktion empfohlen, wobei macOS und Windows besser als Entwicklungsumgebungen geeignet sind.

---

Referenzlinks:

• DeerFlow GitHub Repository
• DeerFlow Offizielle Website
• DeerFlow 2.0 Versionshinweise
• KI-Agent-Framework-Vergleich
• Goose KI-Agent-Leitfaden
• A2A-Protokoll-Leitfaden