¿Qué es DeerFlow?
DeerFlow (Deep Exploration and Efficient Research Flow) es el harness de agentes de código abierto de ByteDance, construido sobre LangGraph y LangChain. Empezó como un framework de investigación profunda; la versión 2.0, lanzada en febrero de 2026 y etiquetada como v2.0.0 en junio, es una reescritura desde cero que no comparte código con la v1 (que se sigue manteniendo en una rama 1.x) y lo reposiciona como un harness general que planifica, lanza subagentes, ejecuta código en sandboxes y conserva memoria a largo plazo.
Funciona como stack de Docker o servidor de desarrollo local con un espacio de trabajo web, una Gateway API, un cliente Python integrado, un banco de trabajo en terminal y canales de mensajería como Telegram, Slack, Discord y Feishu. Es agnóstico respecto al modelo sobre APIs compatibles con OpenAI, con presets para OpenAI, Anthropic, DeepSeek, Qwen, Doubao, Kimi, Zhipu y MiniMax.
El repositorio tiene licencia MIT, unas 84.800 estrellas en GitHub y unas 990 incidencias abiertas; la última release es la v2.1.0 (24 de septiembre de 2026) y hay commits a diario.
¿Merece la pena DeerFlow?
DeerFlow 2.0 es menos un framework que un producto que despliegas: un servidor con subagentes, un sistema de archivos en sandbox, memoria, tareas programadas, proyectos y canales de chat ya conectados entre sí. Esa es su principal ventaja frente a LangGraph o CrewAI, donde montas esas piezas tú mismo, y su principal coste, porque la superficie que pasas a operar es grande. Solo el README supera las 4.000 líneas de notas de configuración.
La reescritura sigue lo que los usuarios hacían con la v1. ByteDance dice que la gente llevó la herramienta de investigación profunda a pipelines de datos, presentaciones y paneles, así que la 2.0 da al agente un espacio de trabajo y permite que el agente principal reparta partes de un trabajo entre subagentes con su propio contexto. La ejecución puede ser en la máquina anfitriona, en contenedores Docker o en pods de Kubernetes mediante un provisioner, y el asistente de configuración pregunta de entrada si permitir bash y escritura de archivos. Búsqueda y descarga se conectan a una larga lista de proveedores (Tavily, Brave, Jina, SearXNG, Firecrawl y otros), y una skill claude-to-deerflow permite que Claude Code le envíe trabajos.
La seguridad es la parte que hay que leer dos veces. El aviso del propio proyecto dice que DeerFlow puede ejecutar comandos del sistema y está pensado para una máquina de confianza en 127.0.0.1; el stack de Docker se enlaza a loopback por defecto, y abrirlo a una LAN o a internet sin una lista de IP permitidas y un proxy con autenticación supone, en sus palabras, un riesgo de ejecución de comandos no autorizada. Los administradores de la Gateway pueden registrar servidores MCP stdio, que la documentación dice que deben tratarse como ejecución de código en la máquina anfitriona.
La guía de dimensionamiento es honesta sobre el peso: 4 vCPU y 8 GB de RAM para evaluarlo, 8 vCPU y 16 GB para un servidor compartido, antes de cualquier modelo local. Frente a OpenHands, más acotado y afinado para tareas de software, DeerFlow es el generalista más amplio; frente a Hermes Agent es más pesado, pero más un servicio para equipos. Para un grupo que quiere un único agente autoalojado al que la gente escriba desde Slack y que deje trabajando una hora, es la opción abierta más completa que conocemos por lo leído, y el ritmo de commits diario significa que la configuración que aprendas este mes cambiará.
Dónde se gana su sitio
Un equipo de estudios de mercado de cinco personas
Convertir una pregunta en un informe con fuentes y gráficos durante la noche
El agente principal planifica la investigación, los subagentes buscan y descargan mediante Tavily o Brave, y el código en el sandbox de Docker genera los gráficos. El software es gratis; el coste son los tokens del modelo más un servidor de 8 vCPU y 16 GB.
Un ingeniero de plataforma en una empresa de 200 personas
Dar a la plantilla un agente interno al que escribir desde Slack o Feishu
Ejecuta el stack de Docker en Linux, mantenlo en loopback tras un proxy nginx con autenticación y una lista de IP permitidas, y activa el canal de Slack en Socket Mode. Reserva tiempo para la configuración de seguridad en la que insiste el README.
Un desarrollador que ya usa Claude Code
Delegar largos trabajos de investigación sin salir de la terminal
Instala la skill claude-to-deerflow para que Claude Code envíe tareas a una instancia de DeerFlow en marcha y consulte su estado, manteniendo el trabajo de horas fuera de la sesión de programación.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio y ejecuta make setup, un asistente de unos dos minutos que elige proveedor, búsqueda y modo de sandbox; luego make docker-start. Requiere Python 3.12+, Node 22+ y Docker Compose 2.24+.
- Integraciones
- Modelos compatibles con OpenAI con presets para OpenAI, Anthropic, DeepSeek, Qwen, Doubao, Kimi, Zhipu y MiniMax; servidores MCP; Telegram, Slack, Discord, Feishu, DingTalk y WeCom; trazas con LangSmith y Langfuse; RAGFlow para conocimiento privado.
- Datos y privacidad
- Autoalojado; prompts y archivos van solo a los proveedores de modelo y búsqueda que configures. Se enlaza a 127.0.0.1 por defecto. Licencia MIT; sin avisos de seguridad publicados en GitHub, pero el aviso de seguridad del propio README desaconseja las redes no fiables.
- Coste a escala
- No se describe ninguna edición de pago. El README dimensiona un servidor compartido en 8 a 16 vCPU y 16 a 32 GB de RAM; los tokens del modelo para ejecuciones multiagente de horas son la factura mayor.
- Límites
- Unas 990 incidencias abiertas; la 2.0 rompió por completo la compatibilidad con la v1; la configuración cambia a menudo; macOS y Windows sirven para evaluar, Linux con Docker para servidores.
Lo bueno
- Subagentes, sandbox, memoria, skills y programación de tareas vienen juntos
- Sandboxes en Docker, local o Kubernetes; solo loopback por defecto
- Agnóstico respecto al modelo, con presets para ocho grandes proveedores
- Canales de mensajería, Gateway API, cliente Python y TUI
Lo malo
- Ejecuta comandos; inseguro de exponer sin proxy de autenticación y lista de IP permitidas
- Configuración extensa; el README supera las 4.000 líneas
- Necesita 8 vCPU y 16 GB de RAM para un servidor compartido
- Unas 990 incidencias abiertas y un código que cambia rápido
Ideal para
Equipos que quieren un servicio de agentes autoalojado y de larga duración para investigación, informes y trabajos de código, y que pueden ejecutarlo tras controles de red adecuados.
Alternativas a DeerFlow
DeerFlow: preguntas frecuentes
- ¿Merece la pena DeerFlow?
- Un servidor de agentes serio y completo de ByteDance que ya hace mucho más que investigar, siempre que lo trates como el servicio que ejecuta código que es. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta DeerFlow?
- Gratis y de código abierto (MIT); pagas la API del modelo y el servidor en el que se ejecuta.
- ¿Qué inconvenientes tiene DeerFlow?
- Ejecuta comandos; inseguro de exponer sin proxy de autenticación y lista de IP permitidas; configuración extensa; el README supera las 4.000 líneas; necesita 8 vCPU y 16 GB de RAM para un servidor compartido; unas 990 incidencias abiertas y un código que cambia rápido.
- ¿Para quién es DeerFlow?
- Equipos que quieren un servicio de agentes autoalojado y de larga duración para investigación, informes y trabajos de código, y que pueden ejecutarlo tras controles de red adecuados.
- ¿Cuánto cuesta DeerFlow para un equipo o en producción?
- No se describe ninguna edición de pago. El README dimensiona un servidor compartido en 8 a 16 vCPU y 16 a 32 GB de RAM; los tokens del modelo para ejecuciones multiagente de horas son la factura mayor.
- ¿Es DeerFlow seguro para los datos de la empresa?
- Autoalojado; prompts y archivos van solo a los proveedores de modelo y búsqueda que configures. Se enlaza a 127.0.0.1 por defecto. Licencia MIT; sin avisos de seguridad publicados en GitHub, pero el aviso de seguridad del propio README desaconseja las redes no fiables.
- ¿Cuáles son las mejores alternativas a DeerFlow?
- Las alternativas más cercanas que hemos analizado son OpenHands, Hermes Agent, LangGraph, Magentic-UI (MagenticLite) y Agent Zero.
Respuestas comprobadas el 31 oct 2026.