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. Noch am selben Tag eroberte es den ersten Platz der GitHub-Trending-Liste und sammelte in weniger als einem Monat fast 50.000 Stars. 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 (Memory) und Sandbox-Ausführungsumgebungen zusammen mit erweiterbaren Fähigkeiten (Skills) orchestriert. Dadurch kann die KI eigenständig nahezu jede Aufgabe erledigen – von Recherche und Analyse über Codeentwicklung und Datenverarbeitung bis hin zur Content-Erstellung.

Was ist DeerFlow?

Von Deep Research zum Super Agent Harness

DeerFlow begann als Deep-Research-Framework, das hauptsächlich zur Automatisierung von Informationssuche und -analyse eingesetzt wurde. Die Community entdeckte jedoch schnell sein größeres Potenzial – Entwickler nutzten es zum Aufbau von Datenpipelines, zur Erstellung von Präsentationen, zum schnellen Erstellen von Dashboards und zur Automatisierung von Content-Workflows. Viele dieser Einsatzrichtungen hatte das offizielle Team selbst nicht vorhergesehen.

Daraufhin traf ByteDance eine mutige Entscheidung: DeerFlow wurde von Grund auf neu geschrieben. Die im Februar 2026 veröffentlichte Version 2.0 teilt keinen einzigen Code mit der 1.0 – es handelt sich um eine vollständige Neuentwicklung. Die neue Version ist kein Framework mehr, das man selbst zusammenbauen muss, sondern eine sofort einsatzbereite „Super-Agent-Laufzeitplattform”.

Was es nicht ist

Viele Leute, die zum ersten Mal von DeerFlow hören, fragen: „Was unterscheidet es von ChatGPT?” Die Antwort ist: alles.

Dimension	Chatbot (ChatGPT/Claude)	KI-Copilot	DeerFlow 2.0
Interaktionsmodus	Du fragst, es antwortet	Gibt Vorschläge während du arbeitest	Akzeptiert Ziele und führt sie eigenständig aus
Ausführungsfähigkeit	Kann nur Text generieren	Unterstützt dich bei Aktionen	Führt Code eigenständig aus, verwaltet Dateien
Laufzeitumgebung	Cloud-Dienst	In deine IDE eingebettet	Lokal bereitgestellt, vollständig autonom
Speichersystem	Begrenztes Kontextfenster	Projektkontext	Langzeitgedächtnis + Sitzungsgedächtnis
Arbeitszeit	Nur wenn du online bist	Nur wenn du online bist	24/7 rund um die Uhr im Einsatz

Vereinfacht ausgedrückt: Chatbots sind „Berater”, KI-Copiloten sind „Assistenten”, und DeerFlow ist ein „Mitarbeiter”. Du gibst ihm ein Ziel, und er plant, führt aus, überprüft die Ergebnisse und passt bei Problemen sogar eigenständig die Strategie an.

Tiefgehende Analyse der Kernfunktionen

1. Sub-Agent-Orchestrierung

DeerFlows Kerndesignprinzip ist „Teile und herrsche”. Bei einer komplexen Aufgabe zerlegt der Lead-Agent diese in mehrere Teilaufgaben und delegiert sie an spezialisierte Sub-Agenten.

Ein Beispiel: Wenn du DeerFlow anweist, „die Produktstrategie eines Wettbewerbers zu analysieren und einen Bericht zu erstellen”, wird es:

1. Planungsphase: Der Lead-Agent analysiert die Aufgabe und zerlegt sie in drei Teilaufgaben: „Informationssammlung”, „Datenanalyse” und „Berichterstellung”
2. Ausführungsphase: Such-, Analyse- und Schreib-Sub-Agenten werden parallel losgeschickt
3. Zusammenführungsphase: Der Lead-Agent integriert die Ausgaben aller Sub-Agenten und erstellt den endgültigen Bericht

Der Vorteil dieser Architektur: Jeder Sub-Agent konzentriert sich auf sein Fachgebiet, das Kontextfenster wird nicht durch irrelevante Informationen verschmutzt, und die Gesamteffizienz ist deutlich höher als bei einem einzelnen Agenten, der „alles von Anfang bis Ende durchzieht”.

2. Sandbox-Ausführungsumgebung

Dies ist einer der grundlegendsten Unterschiede zwischen DeerFlow und herkömmlicher KI. DeerFlow verfügt über eine vollständige Sandbox-Ausführungsumgebung, die Folgendes unterstützt:

• Codeausführung: Python, JavaScript, Bash und andere Sprachen werden direkt in der Sandbox ausgeführt
• Dateioperationen: Erstellen, Lesen, Ändern und Löschen von Dateien, Verwalten von Projektverzeichnissen
• Netzwerkanfragen: API-Aufrufe, Web-Scraping, Daten-Downloads
• Docker-Isolation: Ausführung in Docker-Containern für die Sicherheit des Host-Systems

Die Sandbox unterstützt drei Modi:

Modus	Einsatzszenario	Sicherheitsstufe
Lokale Ausführung	Entwicklung und Testing	Mittel
Docker-Ausführung	Produktionsumgebung	Hoch
Kubernetes-Ausführung	Enterprise-Bereitstellung	Höchste

3. Langzeitgedächtnis-System

DeerFlows Speichersystem ist in zwei Ebenen unterteilt:

• Sitzungsgedächtnis (Session Memory): Kontext der aktuellen Konversation, mit manueller Komprimierung zur Steuerung des Token-Verbrauchs
• Langzeitgedächtnis (Long-Term Memory): Sitzungsübergreifend persistiertes Wissen, einschließlich Benutzereinstellungen, Projektkonfigurationen und historischer Erfahrungen

Das Langzeitgedächtnis ermöglicht es DeerFlow, tatsächlich „mit der Zeit immer klüger zu werden”. Es merkt sich deine Arbeitsgewohnheiten, den Projekthintergrund und häufig genutzte Tools und greift bei ähnlichen Aufgaben direkt darauf zurück, anstatt bei Null anzufangen.

4. Erweiterbares Skill-System

Skills sind DeerFlows „Fähigkeits-Plugins”. Jeder Skill ist eine strukturierte Markdown-Datei, die Workflows, Best Practices und Referenzressourcen für einen bestimmten Fachbereich definiert.

Integrierte Skills umfassen:

• Recherche & Analyse: Tiefgehende Informationssuche und -aufbereitung
• Berichtsgenerierung: Strukturierte Berichtserstellung
• Präsentationen: Erstellung von PPT-Folien
• Webgenerierung: Schnelles Erstellen von Landing Pages
• Bild-/Videogenerierung: KI-gestützte kreative Content-Erstellung

Noch leistungsstärker: Du kannst eigene Skills schreiben und DeerFlow jede beliebige Fähigkeit aneignen. Skills werden nach Bedarf geladen – sie werden nur dann in den Kontext aufgenommen, wenn die Aufgabe sie tatsächlich benötigt, was Token-Verschwendung vermeidet.

5. Multi-Channel-Integration (IM-Kanäle)

DeerFlow 2.0 unterstützt den direkten Empfang von Aufgaben aus Instant-Messaging-Anwendungen. Derzeit unterstützt:

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

Das bedeutet, du kannst DeerFlow direkt aus deinen gewohnten Chat-Tools heraus Aufgaben zuweisen, ohne auf eine spezielle Web-UI wechseln zu müssen.

Technische Architektur

DeerFlow 2.0 Tech-Stack:

┌─────────────────────────────────────────────────────┐
│                 Frontend (Next.js)                    │
│          Web-UI / IM-Channel-Integration              │
├─────────────────────────────────────────────────────┤
│                  Gateway (Python)                     │
│     LangGraph-Laufzeit / Aufgabenplanung / SSE-Push   │
├─────────────────────────────────────────────────────┤
│              Agent-Laufzeit (LangChain)               │
│    Lead Agent → Sub-Agents → Tools / Skills           │
├─────────────────────────────────────────────────────┤
│           Sandbox / Memory / Storage                  │
│  Docker/K8s-Sandbox / SQLite/Postgres / Dateisystem   │
└─────────────────────────────────────────────────────┘

Wichtige Technologieentscheidungen:

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

Vergleich mit AutoGPT / CrewAI / BabyAGI

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

Dimension	DeerFlow 2.0	AutoGPT	CrewAI	BabyAGI
Positionierung	Super-Agent-Laufzeitplattform	Autonomer KI-Assistent	Multi-Agent-Kollaborationsframework	Aufgabenorientierter Agent
Architektur	Master-Slave + Sub-Agenten	Einzelner Agent-Loop	Rollenbasierte Teamkollaboration	Aufgabenwarteschlange
Sandbox-Ausführung	✅ Integriert (Docker/K8s)	❌ Selbst zu integrieren	❌ Selbst zu integrieren	❌ Nicht vorhanden
Langzeitgedächtnis	✅ Integriert	⚠️ Basis	⚠️ Basis	❌ Nicht vorhanden
Skill-System	✅ Markdown Skills	⚠️ Plugins	⚠️ Tools	❌ Nicht vorhanden
IM-Integration	✅ 6+ Kanäle	❌ Nicht vorhanden	❌ Nicht vorhanden	❌ Nicht vorhanden
Web-UI	✅ Vollständig	⚠️ Drittanbieter	❌ Nicht vorhanden	❌ Nicht vorhanden
Enterprise-Bereitstellung	✅ K8s-Unterstützung	❌ Nicht geeignet	⚠️ Eingeschränkt	❌ Nicht geeignet
Wartungsstatus	Aktive Wartung durch ByteDance	Community	Community	Experimentell

Fazit:

• DeerFlow ist derzeit die umfassendste „sofort einsatzbereite” Lösung für Nutzer, die einen echten KI-Mitarbeiter wollen
• AutoGPT ist ein etabliertes Projekt, aber mit relativ einfacher Architektur – eher zum Lernen und Experimentieren
• CrewAI eignet sich für Szenarien mit mehreren zusammenarbeitenden KI-Rollen, erfordert aber den eigenen Aufbau der Ausführungsumgebung
• BabyAGI ist ein Proof-of-Concept-Projekt, nicht für den Produktionseinsatz geeignet

Lokale Bereitstellung in der Praxis

Hardwareanforderungen

Bereitstellungsszenario	Mindestanforderung	Empfohlene Konfiguration
Lokales Ausprobieren	4 vCPU / 8 GB RAM / 20 GB SSD	8 vCPU / 16 GB RAM
Docker-Entwicklung	4 vCPU / 8 GB RAM / 25 GB SSD	8 vCPU / 16 GB RAM
Dauerbetrieb	8 vCPU / 16 GB RAM / 40 GB SSD	16 vCPU / 32 GB RAM

Hinweis: Diese Konfigurationen decken nur DeerFlow selbst ab. Wenn du große Modelle lokal bereitstellen willst (z. B. Qwen, Llama), musst du zusätzlich Ressourcen für den Modellbetrieb einplanen.

Schnellstart (Docker)

1. Repository klonen

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

2. Installationsassistent ausführen

make setup

Dies startet einen interaktiven Assistenten, der dich 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 herunterladen (beim ersten Mal)

4. Dienst starten

make docker-start   # Alle Dienste starten

5. Zugriff

Öffne den Browser und rufe http://localhost:2026 auf, um DeerFlows Web-UI zu sehen.

Lokale Entwicklung

Wenn du lieber direkt lokal arbeitest:

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

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

# 3. Dienst starten
make dev      # Entwicklungsmodus starten

LLM-Anbieter konfigurieren

DeerFlow unterstützt mehrere LLM-Anbieter, darunter:

• 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.

Offiziell empfohlen für den Betrieb von DeerFlow: Doubao Seed-2.0-Code, DeepSeek v3.2 und Kimi 2.5.

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

Praktische Einsatzszenarien

Szenario 1: Tiefgehende Recherche & Analyse

Aufgabe: „Analysiere die Marktlage der KI-Programmierassistenten 2026, einschließlich Hauptprodukte, technologische Ansätze und Marktanteile”

DeerFlow-Ausführungsprozess:

1. Der Lead-Agent zerlegt die Aufgabe in: Informationssammlung, Datenaufbereitung, Analyse & Bericht
2. Der Such-Sub-Agent ruft parallel mehrere Quellen ab: Branchenberichte, Nachrichten, Produkt-Websites
3. Der Analyse-Sub-Agent bereitet Daten auf und extrahiert Schlüsselinformationen
4. Der Schreib-Sub-Agent erstellt einen strukturierten Bericht mit Diagrammen
5. Der Lead-Agent überprüft die Ausgabe und erstellt den endgültigen Bericht

Dauer: Ca. 5–8 Minuten (abhängig von der Aufgabenkomplexität)

Ergebnis: Ein Markdown-Bericht mit über 3.000 Wörtern, einschließlich Datentabellen und Trendanalysen

Szenario 2: Code-Projektentwicklung

Aufgabe: „Schreibe eine Python-Kommandozeilen-To-Do-App mit CRUD-Unterstützung”

DeerFlow-Ausführungsprozess:

1. Plant Funktionsmodule und Datenmodelle
2. Schreibt Code in der Sandbox und testet in Echtzeit
3. Debuggt und behebt Fehler automatisch
4. Erstellt README-Dokumentation
5. Generiert eine Projektstrukturbeschreibung

Dauer: Ca. 3–5 Minuten

Ergebnis: Vollständiges, lauffähiges Codeprojekt mit Quellcode, Dokumentation und Tests

Szenario 3: Content-Erstellungspipeline

Aufgabe: „Schreibe einen Blogartikel für ein neues Produkt, einschließlich SEO-Optimierung und mehrsprachiger Versionen”

DeerFlow-Ausführungsprozess:

1. Recherchiert Produkteigenschaften und Zielgruppe
2. Erstellt einen chinesischen Erstentwurf
3. Übersetzt ins Englische, Japanische, Koreanische usw.
4. Generiert SEO-freundliche Titel und Beschreibungen
5. Erstellt Vorschläge für Begleitbilder

Dauer: Ca. 10–15 Minuten

Ergebnis: Mehrsprachige Blogartikel + SEO-Metadaten + Bildvorschläge

Einschränkungen und Hinweise

1. LLM-Kosten

Obwohl DeerFlow selbst kostenlos und Open Source ist, erfordert der Betrieb LLM-API-Aufrufe, die Kosten verursachen. Komplexe Aufgaben können Dutzende von LLM-Aufrufen erfordern, was den Token-Verbrauch in die Höhe treibt. Empfehlungen:

• Kosten­effiziente Modelle verwenden (z. B. DeepSeek, Qwen)
• Die Anzahl der Sub-Agenten sinnvoll begrenzen, um übermäßige Aufteilung zu vermeiden
• Kontextkomprimierung aktivieren, um Token-Verschwendung zu reduzieren

2. Sicherheitsrisiken

DeerFlows Sandbox kann Code ausführen und Dateien manipulieren. Bei falscher Konfiguration kann dies Sicherheitsrisiken bergen. Empfehlungen:

• In Produktionsumgebungen unbedingt Docker- oder K8s-Sandbox-Isolation verwenden
• DeerFlow keine unnötigen Systemberechtigungen erteilen
• Ausführungsprotokolle regelmäßig überprüfen

3. Lernkurve

DeerFlow ist leistungsstark, hat aber auch viele Konfigurationsoptionen. Für Nutzer ohne Docker- oder Python-Erfahrung kann die Ersteinrichtung etwas Zeit in Anspruch nehmen. Die gute Nachricht: Das offizielle Team bietet einen detaillierten Installationsassistenten und Diagnosetools (make doctor), mit denen sich Probleme schnell lokalisieren lassen.

4. Modellabhängigkeit

DeerFlows Leistung hängt stark von den Fähigkeiten des zugrundeliegenden LLM ab. Schwächere Modelle können zu schlechter Planung oder Ausführungsfehlern führen. Empfohlen werden GPT-4o, Claude 3.5, DeepSeek v3.2 und andere etablierte Modelle.

Gesamtbewertung

Vorteile

✅ Umfassende Funktionen: Von Recherche bis Ausführung, von Gedächtnis bis Kollaboration – alles aus einer Hand
✅ Vollständig Open Source: MIT-Lizenz, frei modifizierbar und kommerziell nutzbar
✅ Fortschrittliche Architektur: Sub-Agenten + Sandbox + Langzeitgedächtnis – repräsentiert die neueste Richtung der KI-Agent-Entwicklung
✅ Flexible Bereitstellung: Unterstützt lokale, Docker- und K8s-Bereitstellung
✅ Reiches Ökosystem: Unterstützt 6+ IM-Kanäle, mehrere LLM-Anbieter und erweiterbare Skills
✅ ByteDance-Rückhalt: Großes Unternehmen als Maintainer, aktive Updates, große Community (fast 50.000 Stars)

Nachteile

❌ Ressourcenverbrauch: Vollständige Bereitstellung erfordert 8 GB+ RAM
❌ LLM-Kosten: API-Aufrufe für komplexe Aufgaben sind nicht billig
❌ Komplexe Konfiguration: Anfänger benötigen möglicherweise über 30 Minuten für die Bereitstellung
❌ Modellabhängigkeit: Die Leistung wird durch die Fähigkeiten des zugrundeliegenden LLM begrenzt

Bewertung

Dimension	Bewertung
Funktionsumfang	⭐⭐⭐⭐⭐
Benutzerfreundlichkeit	⭐⭐⭐⭐
Technologische Fortschrittlichkeit	⭐⭐⭐⭐⭐
Dokumentationsqualität	⭐⭐⭐⭐⭐
Community-Aktivität	⭐⭐⭐⭐⭐
Preis-Leistungs-Verhältnis	⭐⭐⭐⭐

Gesamtbewertung: 4,5 / 5

Für wen geeignet?

• Entwickler, die einen „echt arbeitenden” KI-Assistenten wollen
• Wissensarbeiter, die Recherche, Analyse und Content-Erstellung automatisieren möchten
• Technikteams, die eine unternehmensinterne KI-Agent-Plattform aufbauen wollen
• Forscher und Lernende, die sich für KI-Agent-Technologie interessieren

Für wen nicht geeignet?

• Normale Nutzer, die nur einfach chatten wollen (bitte ChatGPT verwenden)
• Absolute Anfänger ohne technischen Hintergrund (Bereitstellung erfordert gewisse Vorkenntnisse)
• Nutzer mit extrem begrenztem Budget, die keine LLM-API-Kosten tragen wollen

Abschließende Worte

DeerFlow 2.0 repräsentiert einen wichtigen evolutionären Schritt für KI-Agenten – vom „Hilfswerkzeug” zum „autonomen Mitarbeiter”. Es begnügt sich nicht länger damit, Fragen zu beantworten oder Vorschläge zu machen, sondern beginnt wirklich, selbstständig zu arbeiten und Probleme eigenständig zu lösen.

Obwohl es noch Einschränkungen wie hohen Ressourcenverbrauch und komplexe Konfiguration gibt, hat DeerFlow als Open-Source-Projekt den höchsten Fertigstellungsgrad aller vergleichbaren Projekte erreicht. Wenn du 2026 die Zukunft der „KI-Mitarbeiter” erleben willst, ist DeerFlow definitiv einen Versuch wert.

---

Häufig gestellte Fragen (FAQ)

1. Ist DeerFlow komplett kostenlos?

DeerFlow selbst ist vollständig kostenlos und Open Source (MIT-Lizenz), aber der Betrieb erfordert LLM-API-Aufrufe (z. B. OpenAI, DeepSeek), die nach Token berechnet werden. Wenn du lokal bereitgestellte Open-Source-Modelle verwendest (z. B. Qwen über vLLM), kannst du den Betrieb ohne Kosten realisieren – du benötigst dann jedoch ausreichend Hardware-Ressourcen.

2. Was unterscheidet DeerFlow von ChatGPT?

ChatGPT ist ein Chatbot: Du fragst, es antwortet. DeerFlow ist ein KI-Mitarbeiter: Du gibst ihm ein Ziel, und er plant, führt aus und überprüft selbstständig. ChatGPT kann nur Text generieren; DeerFlow kann Code ausführen, Dateien verwalten und APIs aufrufen.

3. Welche Konfiguration benötigt DeerFlow?

Mindestanforderung: 4 vCPU / 8 GB RAM / 20 GB SSD. Empfohlen: 8 vCPU / 16 GB RAM. Dies deckt nur DeerFlow selbst ab – für den lokalen Betrieb großer Modelle werden zusätzliche Ressourcen benötigt.

4. Welche LLMs unterstützt DeerFlow?

Unterstützt werden OpenAI (GPT-4o, GPT-5), Anthropic (Claude), OpenRouter, vLLM (lokale Modelle), ByteDance Volcengine und mehr. Offiziell empfohlen: Doubao Seed-2.0-Code, DeepSeek v3.2 und Kimi 2.5.

5. Kann DeerFlow unter Windows ausgeführt werden?

Ja, aber es wird empfohlen, Git Bash statt nativem cmd.exe oder PowerShell zu verwenden. Offiziell empfohlen wird Linux + Docker als Produktionsumgebung; macOS und Windows eignen sich eher als Entwicklungsumgebungen.

---

Referenzlinks:

• DeerFlow GitHub-Repository
• DeerFlow offizielle Website
• DeerFlow 2.0 Release Notes
• Vergleich von KI-Agent-Frameworks
• Goose KI-Agent-Leitfaden
• A2A-Protokoll-Leitfaden