中文 English Deutsch Français 日本語 한국어 繁體中文
· 5 min read · AIアシスタント

DeerFlow 評価：ByteDanceのオープンソースAI従業員、24時間365日稼働、完全無料

DeerFlowはByteDanceのスーパーAIエージェントフレームワークで、チャットボットから実際に働くAI従業員に進化しました。DeerFlow 2.0の中核機能、アーキテクチャ、ローカルデプロイメント、AutoGPT/CrewAIとの比較を徹底レビュー。

ZH EN DE FR JA KO ZH-TW
DeerFlow 評価：ByteDanceのオープンソースAI従業員、24時間365日稼働、完全無料

DeerFlow 評価：ByteDanceのオープンソースAI従業員、24時間365日稼働、完全無料

2026年2月28日、ByteDanceはDeerFlow 2.0をオープンソースとして公開し、公開初日にGitHub Trendingのトップに立ち、1ヶ月も経たないうちに約5万スターを獲得しました。これは単なるチャットボットではありません—DeerFlowは本当に独立して働くことができるAI従業員です。

一言でまとめると

DeerFlow（Deep Exploration and Efficient Research Flow）は、ByteDanceのオープンソース「スーパーエージェントフレームワーク」で、サブエージェント、メモリシステム、サンドボックス実行環境を統合し、拡張可能なスキル（skills）と組み合わせて、AIが研究分析からコード開発、データ処理からコンテンツ作成まで、ほぼすべての作業を独立して完了できるようにします。

DeerFlowとは？

Deep ResearchからSuper Agent Harnessへ

DeerFlowはもともとディープリサーチフレームワークとして始まり、主に情報検索と分析の自動化に使用されていました。しかし、コミュニティはすぐにその大きな可能性を発見しました—開発者はそれを使ってデータパイプラインを構築し、プレゼンテーションを生成し、ダッシュボードを素早くセットアップし、コンテンツワークフローを自動化しました。多くの方向性は公式チームさえ驚かせました。

そこでByteDanceは大胆な決断を下しました：DeerFlowをゼロから書き直す。2026年2月にリリースされた2.0バージョンは1.0とコードを共有していません—完全な再構築です。新しいバージョンは、自分で組み立てる必要があるフレームワークではなく、すぐに使える「スーパーエージェントランタイムプラットフォーム」です。

何が違うのか

DeerFlowについて初めて聞いた多くの人が尋ねます：「ChatGPTとどう違うのですか？」答えは：完全に違います。

次元チャットボット（ChatGPT/Claude）AIコパイロットDeerFlow 2.0
インタラクション聞けば答える作業中に提案を与える目標を受け取り、独立して実行
実行能力テキスト生成のみ操作を補助独立してコードを実行、ファイルを操作
環境クラウドサービスIDEに組み込まれているローカルにデプロイ、完全に自律
メモリ限られたコンテキストウィンドウプロジェクトレベルのコンテキスト長期記憶 + セッション記憶
稼働時間オンライン時のみオンライン時のみ24時間365日稼働

簡単に言えば：チャットボットは「コンサルタント」、AIコパイロットは「アシスタント」、DeerFlowは「従業員」です。目標を与えれば、自分で計画し、実行し、検証し、問題に遭遇したら戦略を調整します。

中核機能の詳細

1. サブエージェントオーケストレーション

DeerFlowの中核設計哲学は「分割統治」です。複雑なタスクに直面すると、メインエージェント（lead agent）がタスクを複数のサブタスクに分解し、それぞれを専門のサブエージェントに委任します。

例えば、DeerFlowに「競合他社の製品戦略を分析してレポートを生成して」と頼むと、以下のようになります：

  1. 計画フェーズ：メインエージェントがタスクを分析し、「情報収集」「データ分析」「レポート作成」に分解
  2. 実行フェーズ：検索、分析、書き込みのサブエージェントが並行して作業
  3. 統合フェーズ：メインエージェントがすべてのサブエージェントの出力を組み合わせ、最終レポートを生成

このアーキテクチャの利点：各サブエージェントは自分の専門分野に集中し、コンテキストウィンドウは無関係な情報で汚染されず、全体的な効率は単一のエージェントが「最初から最後まで全部やる」よりもはるかに高いです。

2. サンドボックス実行環境

これはDeerFlowと通常のAIの最も本質的な違いの一つです。DeerFlowには完全なサンドボックス実行環境が組み込まれており、以下をサポート：

  • コード実行：Python、JavaScript、Bashなどの言語がサンドボックス内で直接実行
  • ファイル操作：ファイルの作成、読み取り、変更、削除、プロジェクトディレクトリの管理
  • ネットワークリクエスト：APIの呼び出し、Webページのスクレイピング、データのダウンロード
  • Docker分離：Dockerコンテナ内での実行をサポートし、ホストの安全性を確保

サンドボックスは3つのモードをサポート：

モード使用ケースセキュリティレベル
ローカル実行開発テスト中
Docker実行本番環境高
Kubernetes実行エンタープライズデプロイメント最高

3. 長期記憶システム

DeerFlowの記憶システムは2層構造：

  • セッション記憶（Session Memory）：現在の会話のコンテキスト、手動圧縮をサポートしてトークン消費を制御
  • 長期記憶（Long-Term Memory）：セッションをまたいで永続化される知識、ユーザー設定、プロジェクト設定、過去の経験を含む

長期記憶により、DeerFlowは本当に「使えば使うほど賢くなる」を実現します。作業習慣、プロジェクトの背景、よく使うツールを記憶し、次回同じようなタスクを実行するときに直接再利用し、ゼロから始める必要がありません。

4. 拡張可能なスキルシステム（Skills）

SkillsはDeerFlowの「能力プラグイン」です。各Skillは構造化されたMarkdownファイルで、特定のドメインのワークフロー、ベストプラクティス、リファレンスリソースを定義します。

組み込みSkillsには以下が含まれます：

  • 研究分析：深い情報検索と整理
  • レポート生成：構造化されたレポート作成
  • プレゼンテーション：PPTスライド作成
  • Webページ生成：ランディングページの素早いセットアップ
  • 画像/動画生成：AIによるクリエイティブコンテンツ制作

さらに強力なのは、自分でSkillを書いて、DeerFlowに必要な能力を教えることができることです。Skillsはオンデマンドロードを使用し、タスクが本当に必要とするときにのみコンテキストにロードされ、トークンの無駄を避けます。

5. マルチチャネルアクセス（IMチャネル）

DeerFlow 2.0は、インスタントメッセージングアプリから直接タスクを受け取ることができ、現在以下をサポート：

  • Telegram（Bot API）
  • Slack（Socket Mode）
  • 飞书/Lark（WebSocket）
  • 企业微信（WebSocket）
  • DingTalk（Stream Push）
  • WeChat（iLink）

これは、専用のWeb UIに切り替えることなく、使い慣れたチャットツールで直接DeerFlowにタスクを割り当てることができることを意味します。

技術アーキテクチャ

DeerFlow 2.0の技術スタック：

┌─────────────────────────────────────────────────────┐
│                    フロントエンド（Next.js）           │
│              Web UI / IMチャネルアクセス              │
├─────────────────────────────────────────────────────┤
│                  ゲートウェイ（Python）               │
│         LangGraphランタイム / タスクスケジューリング   │
├─────────────────────────────────────────────────────┤
│              エージェントランタイム（LangChain）        │
│    リードエージェント → サブエージェント → ツール / Skills│
├─────────────────────────────────────────────────────┤
│              サンドボックス / メモリ / ストレージ       │
│    Docker/K8sサンドボックス / SQLite/Postgres         │
└─────────────────────────────────────────────────────┘

主要な技術選択：

  • バックエンドフレームワーク：Python 3.12+、LangChainとLangGraph上に構築
  • フロントエンド：Next.js、ホットリロードサポート
  • データベース：SQLite（ローカル）/ PostgreSQL（本番）
  • サンドボックス：Docker / Kubernetes / ローカル実行
  • 観測性：LangSmith / Langfuseトレーシング

AutoGPT / CrewAI / BabyAGIとの比較

DeerFlowは唯一のオープンソースAIエージェントフレームワークではありません。いくつかの有名なプロジェクトとの比較：

次元DeerFlow 2.0AutoGPTCrewAIBabyAGI
位置づけスーパーエージェントランタイム自律型AIアシスタントマルチエージェント協働タスク駆動型エージェント
アーキテクチャマスタースレーブ + サブエージェントシングルエージェントループロールベースチームタスクキュー
サンドボックス✅ 組み込み（Docker/K8s）❌ 自己統合❌ 自己統合❌ なし
長期記憶✅ 組み込み⚠️ 基本⚠️ 基本❌ なし
スキルシステム✅ Markdown Skills⚠️ プラグイン⚠️ ツール❌ なし
IMアクセス✅ 6+チャネル❌ なし❌ なし❌ なし
Web UI✅ 完全⚠️ サードパーティ❌ なし❌ なし
エンタープライズデプロイ✅ K8sサポート❌ 不向き⚠️ 限定的❌ 不向き
メンテナンスByteDance活発コミュニティコミュニティ実験的

まとめ：

  • DeerFlowは現在最も完全な「すぐに使える」ソリューションで、本当に働くAI従業員を望むユーザーに適しています
  • AutoGPTは確立されたプロジェクトですが、比較的シンプルなアーキテクチャで、学習や実験に適しています
  • CrewAIは複数のAIロールの協働が必要なシナリオに適していますが、実行環境を自分で構築する必要があります
  • BabyAGIは概念実証プロジェクトで、本番使用には適していません

ローカルデプロイメントガイド

ハードウェア要件

デプロイメントシナリオ最小推奨
ローカル体験4 vCPU / 8GB RAM / 20GB SSD8 vCPU / 16GB RAM
Docker開発4 vCPU / 8GB RAM / 25GB SSD8 vCPU / 16GB RAM
長期稼働サービス8 vCPU / 16GB RAM / 40GB SSD16 vCPU / 32GB RAM

注意：これらの設定はDeerFlow自体のみをカバーしています。ローカルで大規模モデル（Qwen、Llamaなど）をデプロイする場合は、モデル推論用の追加リソースが必要です。

クイックスタート（Docker方式）

1. リポジトリをクローン

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

2. セットアップウィザードを実行

make setup

これにより、LLMプロバイダーの選択、検索ツール、サンドボックスモードなどを案内するインタラクティブウィザードが起動します。設定には約2分かかります。

3. Docker環境を初期化

make docker-init    # サンドボックスイメージをプル（初回のみ）

4. サービスを起動

make docker-start   # すべてのサービスを起動

5. アクセス

ブラウザでhttp://localhost:2026にアクセスすると、DeerFlowのWeb UIが表示されます。

ローカル開発方式

ローカルで直接実行する場合は：

# 1. 依存関係をチェック
make check    # Node.js 22+、pnpm、uv、nginxを検証

# 2. 依存関係をインストール
make install  # バックエンド + フロントエンドの依存関係をインストール

# 3. サービスを起動
make dev      # 開発モードを起動

LLMプロバイダーの設定

DeerFlowは複数のLLMプロバイダーをサポート：

  • OpenAI：GPT-4o、GPT-5など
  • Anthropic：Claudeシリーズ
  • OpenRouter：複数のモデルを集約
  • vLLM：オープンソースモデルのローカルデプロイメント
  • ByteDance Volcengine：Doubao Seed 2.0など

DeerFlowの実行には、Doubao Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5が公式に推奨されています。

config.yamlでのモデル設定例：

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

実際の使用シナリオ

シナリオ1：深い研究分析

タスク：「2026年のAIコーディングアシスタント市場の状況を分析し、主要製品、技術ルート、市場シェアを含めて」

DeerFlowの実行プロセス：

  1. メインエージェントがタスクを分解：情報収集、データ整理、分析作成
  2. 検索サブエージェントが複数のソースを並行して取得：業界レポート、ニュース、製品Webサイト
  3. 分析サブエージェントがデータを整理し、重要情報を抽出
  4. 作成サブエージェントがチャートを含む構造化レポートを生成
  5. メインエージェントが出力をレビューし、最終レポートを生成

所要時間：約5-8分（タスクの複雑さに依存）

出力：データテーブルとトレンド分析を含む3000語以上のMarkdownレポート

シナリオ2：コードプロジェクト開発

タスク：「PythonでCRUDサポート付きのコマンドラインTODOアプリを書いて」

DeerFlowの実行プロセス：

  1. 機能モジュールとデータモデルを計画
  2. サンドボックスでリアルタイムテストしながらコードを作成
  3. バグに遭遇したら自動デバッグして修正
  4. READMEドキュメントを作成
  5. プロジェクト構造の説明を生成

所要時間：約3-5分

出力：ソースコード、ドキュメント、テストを含む完全に実行可能なコードプロジェクト

シナリオ3：コンテンツ作成パイプライン

タスク：「新製品リリース用のブログ記事を書き、SEO最適化と多言語バージョンを含めて」

DeerFlowの実行プロセス：

  1. 製品機能とターゲットオーディエンスを調査
  2. 中国語版のドラフトを作成
  3. 英語、日本語、韓国語などに翻訳
  4. SEOに最適化されたタイトルと説明を生成
  5. 画像提案を作成

所要時間：約10-15分

出力：多言語ブログ記事 + SEOメタデータ + 画像提案

制限事項と注意点

1. LLMコスト

DeerFlow自体は無料でオープンソースですが、実行にはLLM API呼び出しが必要で、これにはコストがかかります。複雑なタスクには数十回のLLM呼び出しが必要で、トークン消費が大きくなる可能性があります。推奨事項：

  • コストパフォーマンスの良いモデルを使用（DeepSeek、Qwenなど）
  • サブエージェント数を適切に設定し、過度な分割を避ける
  • コンテキスト圧縮を有効にしてトークンの無駄を削減

2. セキュリティリスク

DeerFlowのサンドボックスはコードを実行し、ファイルを操作できるため、設定が不適切な場合、セキュリティリスクが存在する可能性があります。推奨事項：

  • 本番環境では必ずDockerまたはK8sサンドボックス分離を使用
  • DeerFlowに不要なシステム権限を与えない
  • 実行ログを定期的に確認

3. 学習曲線

DeerFlowは強力ですが、設定オプションも少なくありません。DockerやPythonの経験がないユーザーの場合、初期デプロイメントに時間がかかる可能性があります。良いニュースは、公式が詳細なセットアップウィザードと診断ツール（make doctor）を提供しており、問題を迅速に特定できることです。

4. モデル依存

DeerFlowの効果は、基盤となるLLMの能力に大きく依存します。弱いモデルを使用すると、計画が不適切だったり、実行エラーが発生する可能性があります。GPT-4o、Claude 3.5、DeepSeek v3.2などの主流モデルを使用することをお勧めします。

最終評価

長所

✅ 完全な機能：研究から実行、メモリから協働まで、ワンストップソリューション
✅ 完全オープンソース：MITライセンス、自由に修正・商用利用可能
✅ 先進的なアーキテクチャ：サブエージェント + サンドボックス + 長期記憶、最新のAIエージェント方向を代表
✅ 柔軟なデプロイメント：ローカル、Docker、K8sのデプロイメントオプションをサポート
✅ 豊富なエコシステム：6+のIMチャネル、複数のLLMプロバイダー、拡張可能なSkillsをサポート
✅ ByteDanceの支援：大手企業がメンテナンス、活発なアップデート、巨大なコミュニティ（約5万スター）

短所

❌ リソース消費：完全なデプロイメントには8GB以上のRAMが必要
❌ LLMコスト：複雑なタスクのAPI呼び出し費用は無視できない
❌ 設定の複雑さ：初心者はデプロイメントに30分以上かかる可能性がある
❌ モデル依存：基盤となるLLMの能力によって効果が制限される

評価

次元評価
機能の完全性⭐⭐⭐⭐⭐
使いやすさ⭐⭐⭐⭐
技術の先進性⭐⭐⭐⭐⭐
ドキュメント品質⭐⭐⭐⭐⭐
コミュニティ活動⭐⭐⭐⭐⭐
コストパフォーマンス⭐⭐⭐⭐

総合評価：4.5 / 5

誰に向いているか？

  • 「本当に働く」AIアシスタントを望む開発者
  • 自動化された研究、分析、コンテンツ作成が必要な知識労働者
  • 企業内部のAIエージェントプラットフォームを構築したい技術チーム
  • AIエージェント技術に興味のある研究者や学習者

誰に向いていないか？

  • シンプルなチャットだけをしたい一般ユーザー（ChatGPTを使用してください）
  • 技術的バックグラウンドのない完全な初心者（デプロイメントには障壁がある）
  • 非常に限られた予算で、LLM API料金を支払いたくないユーザー

最後に

DeerFlow 2.0は、AIエージェントの「補助ツール」から「自律型従業員」への重要な進化を表しています。質問に答えたり提案を提供したりするだけでは満足せず、本当に独立して作業し、自分で問題を解決し始めています。

リソース消費が大きい、設定が複雑などの欠点はまだありますが、オープンソースプロジェクトとして、DeerFlowは同様のプロジェクトの中で最高の完成度を達成しています。2026年に「AI従業員」の未来を体験したいなら、DeerFlowは確かに試す価値があります。

よくある質問（FAQ）

1. DeerFlowは完全に無料ですか？

DeerFlow自体は完全に無料でオープンソース（MITライセンス）ですが、実行にはLLM API呼び出し（OpenAI、DeepSeekなど）が必要で、これらはトークンごとに課金されます。ローカルにデプロイされたオープンソースモデル（vLLM経由のQwenなど）を使用する場合、ゼロコストで実行できますが、十分なハードウェアリソースが必要です。

2. DeerFlowとChatGPTの違いは何ですか？

ChatGPTはチャットボットで、聞けば答えます；DeerFlowはAI従業員で、目標を与えれば自分で計画し、実行し、検証します。ChatGPTはテキストを生成するだけですが、DeerFlowはコードを実行し、ファイルを操作し、APIを呼び出すことができます。

3. DeerFlowを実行するにはどんな設定が必要ですか？

最小：4 vCPU / 8GB RAM / 20GB SSD。推奨：8 vCPU / 16GB RAM。これはDeerFlow自体のみをカバーしています。ローカルで大規模モデルを実行する場合は、追加リソースが必要です。

4. DeerFlowはどのLLMをサポートしていますか？

OpenAI（GPT-4o、GPT-5）、Anthropic（Claude）、OpenRouter、vLLM（ローカルモデル）、ByteDance Volcengineなどをサポート。公式推奨はDoubao Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5です。

5. DeerFlowはWindowsで実行できますか？

はい、ただしネイティブのcmd.exeやPowerShellではなくGit Bashを使用することをお勧めします。公式は本番環境にLinux + Dockerを推奨し、macOSとWindowsは開発環境として適しています。

参考リンク：

#DeerFlow #ByteDance #オープンソースAIエージェント #自律型AI #AI従業員

Related Articles

Aider AI：ターミナル内のオープンソースコーディングアシスタントで、AIが直接Gitリポジトリを操作

Aider AI：ターミナル内のオープンソースコーディングアシスタントで、AIが直接Gitリポジトリを操作

AiderはオープンソースのターミナルAIプログラミングアシスタントで、ローカルのGitリポジトリ内で直接コード編集が可能です。100以上のプログラミング言語をサポートし、IDEプラグイン不要で、完全にオープンソースで無料です。

 無料のChatGPT代替品 - Claude AI 2

無料のChatGPT代替品 - Claude AI 2

AnthropicのClaude AIアシスタントの詳細な紹介、ChatGPTとの機能比較。使用チュートリアルと実用的応用シナリオを含み、会話型AIの別のオプションを探求。

 強力な無料GPT-4チャットプラットフォーム: Coze.com

強力な無料GPT-4チャットプラットフォーム: Coze.com

Coze.com無料GPT-4チャットプラットフォームの詳細レビュー。プログラミングなしでAIボットを作成、プラグイン拡張とワークフローオーケストレーションをサポート、開発者と一般ユーザーに適する。

 異なるハードウェアでの大規模言語モデル（LLM）の実行 -- パフォーマンス比較と分析

異なるハードウェアでの大規模言語モデル（LLM）の実行 -- パフォーマンス比較と分析

異なるハードウェアで大規模言語モデルを実行するパフォーマンス比較テスト。Raspberry Piから高級AIワークステーションまで、コスト、速度、実用性を分析して最適なソリューションを選択するお手伝いをします。

 Cursorの使用ベストプラクティス

Cursorの使用ベストプラクティス

Cursor AIコーディングアシスタントのベストプラクティスガイド。コンテキストの提供、@ファイルメンションの使用、効果的なプロンプトの書き方を学び、プログラミング効率を大幅に向上させます。

 Dify ワークフロー完全チュートリアル 2026: ノード設定・変数伝達・条件分岐

Dify ワークフロー完全チュートリアル 2026: ノード設定・変数伝達・条件分岐

Dify ワークフロー完全チュートリアル: ノード設定、変数伝達、条件分岐、HTTP リクエスト、Python コードノード。3 つの実践プロジェクト付き。