DeerFlow 2.0
ByteDanceのオープンソースによる、長期間にわたるタスクを実行するAIエージェントフレームワーク
DeerFlow 2.0は、ByteDanceが2026年2月に公開したオープンソースの長期的タスク実行（long-horizon）AIエージェントフレームワークである。映画撮影現場の監督がカメラ、照明、音響、俳優を同時に指揮するように、DeerFlowのSuperAgentは、リサーチ、コーディング、ウェブサイトの作成、プレゼンテーションの作成など、異質なタスクをサブエージェント（sub-agent）に分割し、並列オーケストレーションによって同時に実行する。LangGraphとLangChainの上に構築されており、各サブエージェントは隔離されたDockerコンテナ内で、専用のファイルシステム、Bashターミナル、ブラウザアクセス権を持って独立して実行される。v1.xとはコードを全く共有しない完全な書き直し版であり、公開から24時間でGitHubのトレンド1位を記録し、現在71.4kのスターを獲得しており、オープンソースのエージェントフレームワークの中で最も高い採用率を誇る。
既存のエージェントフレームワークはそれぞれ明確な限界を持っていた。LangChainはチャットレベルの精密な制御に優れているが、プロダクションインフラを直接構築する必要があり、AutoGPTは実験用としては魅力的だが、長時間実行時の安定性が低く、CrewAIは役割ベースのエージェントコラボレーションに特化しているが、役割の定義が静的であった。DeerFlow 2.0は、これらの3つの限界を同時に克服する。サンドボックス実行環境は、各タスクを完全に隔離し、ホストシステムの汚染を防ぎ、セッション間の永続メモリ（persistent memory）は、ユーザーの好みと蓄積された知識を長期的に保存する。スキルシステム（Skills Framework）は、マークダウンベースのスキル定義とスラッシュコマンドの有効化（/data-analysis analyze file.csvなど）をサポートし、タスクの要求に応じて段階的にスキルをロード（progressive skill loading）することで、トークンの使用量を最適化する。MCP（Model Context Protocol）サーバーをネイティブにサポートし、OpenAI、Anthropic Claude、DeepSeek、Google Gemini、Qwenなど、100k以上のコンテキストウィンドウを持つすべてのOpenAI互換モデルと連携できる。
生命科学の研究者の視点から見ると、DeerFlow 2.0は、長期間にわたる自律的なリサーチワークフローに特に役立つ。例えば、特定のターゲットタンパク質に関する最新の論文数十本を並行して収集し、各サブエージェントが独立して要約と引用の抽出を行い、SuperAgentがそれを総合レポートに合成する作業が、1つの対話セッション内で完結する。コーディングエージェントを通じて、収集されたデータの統計分析スクリプトを自動生成し、サンドボックス内で即座に実行・検証することができ、結果をプレゼンテーションのスライドやウェブダッシュボードに変換することも、単一のフレームワーク内で処理できる。Telegram、Slack、Feishu（Lark）、WeChat、DingTalkなど、6つのメッセージングプラットフォームと連携して、研究チームのチャンネルから直接エージェントを呼び出すことも可能であり、LangSmithとLangfuseとの連携により、すべてのLLM呼び出しとツール実行を追跡するエンタープライズレベルの可観測性（observability）も組み込まれている。
💻 必要なスペック
不要（LLMは外部API呼び出し方式。ローカルモデル（vLLMなど）を使用する場合は、そのモデルの要件に従う）
最小20GB SSD（開発）、Docker環境25GB、本番環境40GB以上
⚡ インストール
4-1. 簡単な始め方
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup # 対話形式の設定ウィザード（LLMプロバイダー、ウェブ検索、実行環境の選択）
make docker-init # サンドボックスイメージのプル（初回のみ）
make dev # ローカル開発モードの実行
4-2. 詳細なインストール（Dockerプロダクション）
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
# 環境設定（config.yamlテンプレートベースまたは対話形式のウィザード）
make setup
# Dockerベースのサービスの開始（ホットリロード）
make docker-start
# またはプロダクションDockerのデプロイ
make up
Python埋め込みクライアントの使用：
from deerflow.client import DeerFlowClient
client = DeerFlowClient()
response = client.chat("Analyze this paper on CRISPR delivery", thread_id="research-01")
# ストリーミングモード
for event in client.stream("Summarize recent findings"):
print(event)
🧬 バイオ活用シナリオ
自律型リサーチエージェント
特定の研究テーマについて、複数のサブエージェントが並行してウェブ検索、論文収集、競合分析を行い、SuperAgentが引用を含めた総合レポートを自動生成。数十のソースを同時に処理することで、手作業と比較して所要時間を大幅に短縮。
フルスタック開発の自動化
コーディングサブエージェントがサンドボックス内でコードの作成、実行、デバッグを繰り返し、別のサブエージェントがウェブサイトやダッシュボードUIを同時に生成。Dockerによる隔離により、ホストシステムの安全性を確保。
データパイプラインの自動化
データ収集、精製、分析、可視化、プレゼンテーション作成までのマルチステップワークフローを、スキルチェイニングによって自動化。SlackやFeishuチャンネルでスラッシュコマンドを使用してエージェントを呼び出し、チームコラボレーションに直接統合。
FAQ
DeerFlow 2.0とは何ですか？
DeerFlow 2.0は、ByteDanceが2026年2月に公開したオープンソースの長期的タスク実行（long-horizon）AIエージェントフレームワークである。映画撮影現場の監督がカメラ、照明、音響、俳優を同時に指揮するように、DeerFlowのSuperAgentは、リサーチ、コーディング、ウェブサイトの作成、プレゼンテーションの作成など、異質なタスクをサブエージェント（sub-agent）に分割し、並列オーケストレーションによって同時に実行する。LangGraphとLangChainの上に構築されており、各サブエージェントは隔離されたDockerコンテナ内で、専用のファイルシステム、Bashターミナル、ブラウザアクセス権を持って独立して実行される。v1.xとはコードを全く共有しない完全な書き直し版であり、公開から24時間でGitHubのトレンド1位を記録し、現在71.4kのスターを獲得しており、オープンソースのエージェントフレームワークの中で最も高い採用率を誇る。 既存のエージェントフレームワークはそれぞれ明確な限界を持っていた。LangChainはチャットレベルの精密な制御に優れているが、プロダクションインフラを直接構築する必要があり、AutoGPTは実験用としては魅力的だが、長時間実行時の安定性が低く、CrewAIは役割ベースのエージェントコラボレーションに特化しているが、役割の定義が静的であった。DeerFlow 2.0は、これらの3つの限界を同時に克服する。サンドボックス実行環境は、各タスクを完全に隔離し、ホストシステムの汚染を防ぎ、セッション間の永続メモリ（persistent memory）は、ユーザーの好みと蓄積された知識を長期的に保存する。スキルシステム（Skills Framework）は、マークダウンベースのスキル定義とスラッシュコマンドの有効化（/data-analysis analyze file.csvなど）をサポートし、タスクの要求に応じて段階的にスキルをロード（progressive skill loading）することで、トークンの使用量を最適化する。MCP（Model Context Protocol）サーバーをネイティブにサポートし、OpenAI、Anthropic Claude、DeepSeek、Google Gemini、Qwenなど、100k以上のコンテキストウィンドウを持つすべてのOpenAI互換モデルと連携できる。 生命科学の研究者の視点から見ると、DeerFlow 2.0は、長期間にわたる自律的なリサーチワークフローに特に役立つ。例えば、特定のターゲットタンパク質に関する最新の論文数十本を並行して収集し、各サブエージェントが独立して要約と引用の抽出を行い、SuperAgentがそれを総合レポートに合成する作業が、1つの対話セッション内で完結する。コーディングエージェントを通じて、収集されたデータの統計分析スクリプトを自動生成し、サンドボックス内で即座に実行・検証することができ、結果をプレゼンテーションのスライドやウェブダッシュボードに変換することも、単一のフレームワーク内で処理できる。Telegram、Slack、Feishu（Lark）、WeChat、DingTalkなど、6つのメッセージングプラットフォームと連携して、研究チームのチャンネルから直接エージェントを呼び出すことも可能であり、LangSmithとLangfuseとの連携により、すべてのLLM呼び出しとツール実行を追跡するエンタープライズレベルの可観測性（observability）も組み込まれている。
DeerFlow 2.0はいつ使いますか？
ByteDanceのオープンソースによる、長期間にわたるタスクを実行するAIエージェントフレームワーク
DeerFlow 2.0のバイオ研究での活用例は何ですか？
自律型リサーチエージェント: 特定の研究テーマについて、複数のサブエージェントが並行してウェブ検索、論文収集、競合分析を行い、SuperAgentが引用を含めた総合レポートを自動生成。数十のソースを同時に処理することで、手作業と比較して所要時間を大幅に短縮。
📝 アップデートノート
まだアップデートノートはありません。
🧪 関連「生命のコード」
関連する「生命のコード」記事はまだありません。