Qu’est-ce que DeerFlow ?
DeerFlow (Deep Exploration and Efficient Research Flow) est le harnais d'agents open source de ByteDance, construit sur LangGraph et LangChain. Il a commencé comme framework de recherche approfondie ; la version 2.0, lancée en février 2026 et étiquetée v2.0.0 en juin, est une réécriture complète qui ne partage aucun code avec la v1 (toujours maintenue sur une branche 1.x) et le repositionne comme un harnais généraliste qui planifie, lance des sous-agents, exécute du code dans des sandboxes et garde une mémoire à long terme.
Il tourne sous forme de stack Docker ou de serveur de développement local avec un espace de travail web, une Gateway API, un client Python intégré, un poste de travail en terminal et des canaux de messagerie comme Telegram, Slack, Discord et Feishu. Il est agnostique vis-à-vis du modèle via des API compatibles OpenAI, avec des presets pour OpenAI, Anthropic, DeepSeek, Qwen, Doubao, Kimi, Zhipu et MiniMax.
Le dépôt est sous licence MIT, compte environ 84 800 étoiles sur GitHub et quelque 990 tickets ouverts ; la dernière release est la v2.1.0 (24 septembre 2026) et des commits arrivent chaque jour.
DeerFlow vaut-il le coup ?
DeerFlow 2.0 est moins un framework qu'un produit que l'on déploie : un serveur avec sous-agents, système de fichiers en sandbox, mémoire, tâches planifiées, projets et canaux de discussion déjà reliés entre eux. C'est son principal avantage sur LangGraph ou CrewAI, où vous assemblez ces pièces vous-même, et son principal coût, car la surface que vous exploitez devient importante. Le README à lui seul dépasse les 4 000 lignes de notes de configuration.
La réécriture suit ce que les utilisateurs faisaient de la v1. ByteDance explique que l'outil de recherche approfondie a été poussé vers des pipelines de données, des présentations et des tableaux de bord, si bien que la 2.0 donne à l'agent un espace de travail et laisse l'agent principal confier des morceaux d'un travail à des sous-agents dotés de leur propre contexte. L'exécution peut se faire sur l'hôte, dans des conteneurs Docker ou dans des pods Kubernetes via un provisioner, et l'assistant de configuration demande d'emblée s'il faut autoriser bash et l'écriture de fichiers. Recherche et récupération se branchent sur une longue liste de fournisseurs (Tavily, Brave, Jina, SearXNG, Firecrawl et d'autres), et une skill claude-to-deerflow permet à Claude Code de lui envoyer des travaux.
La sécurité est la partie à lire deux fois. L'avertissement du projet lui-même indique que DeerFlow peut exécuter des commandes système et qu'il est conçu pour une machine de confiance sur 127.0.0.1 ; la stack Docker écoute en loopback par défaut, et l'ouvrir à un réseau local ou à internet sans liste d'IP autorisées ni proxy d'authentification constitue, selon ses termes, un risque d'exécution de commandes non autorisée. Les administrateurs de la Gateway peuvent enregistrer des serveurs MCP stdio, que la documentation demande de traiter comme de l'exécution de code sur l'hôte.
Le guide de dimensionnement est honnête sur le poids : 4 vCPU et 8 GB de RAM pour l'évaluer, 8 vCPU et 16 GB pour un serveur partagé, avant tout modèle local. Face à OpenHands, plus étroit et réglé pour les tâches logicielles, DeerFlow est le généraliste le plus large ; face à Hermes Agent, il est plus lourd mais davantage un service d'équipe. Pour un groupe qui veut un seul agent auto-hébergé auquel on écrit depuis Slack et qu'on laisse tourner une heure, c'est l'option ouverte la plus complète que nous ayons étudiée, et le rythme quotidien des commits signifie que la configuration apprise ce mois-ci va changer.
Là où il fait la différence
Une équipe d'études de marché de cinq personnes
Transformer une question en rapport sourcé avec graphiques pendant la nuit
L'agent principal planifie la recherche, des sous-agents cherchent et récupèrent via Tavily ou Brave, et du code dans la sandbox Docker produit les graphiques. Le logiciel est gratuit ; le coût, ce sont les tokens du modèle plus un serveur de 8 vCPU et 16 GB.
Un ingénieur plateforme dans une entreprise de 200 personnes
Offrir au personnel un agent interne à qui écrire depuis Slack ou Feishu
Faites tourner la stack Docker sous Linux, gardez-la en loopback derrière un proxy nginx avec authentification et une liste d'IP autorisées, et activez le canal Slack en Socket Mode. Prévoyez du temps pour la configuration de sécurité sur laquelle insiste le README.
Un développeur qui utilise déjà Claude Code
Confier de longs travaux de recherche sans quitter le terminal
Installez la skill claude-to-deerflow pour que Claude Code envoie des tâches à une instance DeerFlow en cours d'exécution et suive leur état, en gardant le travail de plusieurs heures hors de la session de code.
Avant de vous engager
- Mise en route
- Clonez le dépôt et lancez make setup, un assistant d'environ deux minutes qui choisit le fournisseur, la recherche et le mode de sandbox ; puis make docker-start. Nécessite Python 3.12+, Node 22+ et Docker Compose 2.24+.
- Intégrations
- Modèles compatibles OpenAI avec presets pour OpenAI, Anthropic, DeepSeek, Qwen, Doubao, Kimi, Zhipu et MiniMax ; serveurs MCP ; Telegram, Slack, Discord, Feishu, DingTalk et WeCom ; traçage LangSmith et Langfuse ; RAGFlow pour les connaissances privées.
- Données et confidentialité
- Auto-hébergé ; prompts et fichiers ne vont qu'aux fournisseurs de modèles et de recherche que vous configurez. Écoute sur 127.0.0.1 par défaut. Licence MIT ; aucun avis de sécurité GitHub publié, mais l'avertissement de sécurité du README met en garde contre les réseaux non fiables.
- Coût à grande échelle
- Aucune édition payante n'est décrite. Le README dimensionne un serveur partagé à 8 à 16 vCPU et 16 à 32 GB de RAM ; les tokens du modèle pour des exécutions multi-agents de plusieurs heures représentent la plus grosse facture.
- Limites
- Environ 990 tickets ouverts ; la 2.0 a totalement rompu la compatibilité avec la v1 ; la configuration change souvent ; macOS et Windows conviennent à l'évaluation, Linux avec Docker aux serveurs.
Les points forts
- Sous-agents, sandbox, mémoire, skills et planification livrés ensemble
- Sandboxes Docker, locales ou Kubernetes ; loopback uniquement par défaut
- Agnostique vis-à-vis du modèle, avec des presets pour huit grands fournisseurs
- Canaux de messagerie, Gateway API, client Python et TUI
Les points faibles
- Exécute des commandes ; dangereux à exposer sans proxy d'authentification ni liste d'IP autorisées
- Configuration tentaculaire ; le README dépasse 4 000 lignes
- Demande 8 vCPU et 16 GB de RAM pour un serveur partagé
- Environ 990 tickets ouverts et un code qui évolue vite
Idéal pour
Les équipes qui veulent un service d'agents auto-hébergé et de longue durée pour la recherche, les rapports et les travaux de code, et qui peuvent le faire tourner derrière de vrais contrôles réseau.
Alternatives à DeerFlow
DeerFlow : questions fréquentes
- DeerFlow vaut-il le coup ?
- Un serveur d'agents sérieux et complet signé ByteDance, qui fait désormais bien plus que de la recherche, à condition de le traiter comme le service exécutant du code qu'il est. Nous lui donnons 4.2 sur 5.
- Combien coûte DeerFlow ?
- Gratuit et open source (MIT) ; vous payez l'API du modèle et le serveur sur lequel il tourne.
- Quels sont les inconvénients de DeerFlow ?
- Exécute des commandes ; dangereux à exposer sans proxy d'authentification ni liste d'IP autorisées; configuration tentaculaire ; le README dépasse 4 000 lignes; demande 8 vCPU et 16 GB de RAM pour un serveur partagé; environ 990 tickets ouverts et un code qui évolue vite.
- À qui s’adresse DeerFlow ?
- Les équipes qui veulent un service d'agents auto-hébergé et de longue durée pour la recherche, les rapports et les travaux de code, et qui peuvent le faire tourner derrière de vrais contrôles réseau.
- Combien coûte DeerFlow pour une équipe ou en production ?
- Aucune édition payante n'est décrite. Le README dimensionne un serveur partagé à 8 à 16 vCPU et 16 à 32 GB de RAM ; les tokens du modèle pour des exécutions multi-agents de plusieurs heures représentent la plus grosse facture.
- DeerFlow est-il sûr pour les données de l’entreprise ?
- Auto-hébergé ; prompts et fichiers ne vont qu'aux fournisseurs de modèles et de recherche que vous configurez. Écoute sur 127.0.0.1 par défaut. Licence MIT ; aucun avis de sécurité GitHub publié, mais l'avertissement de sécurité du README met en garde contre les réseaux non fiables.
- Quelles sont les meilleures alternatives à DeerFlow ?
- Les alternatives les plus proches que nous avons testées sont OpenHands, Hermes Agent, LangGraph, Magentic-UI (MagenticLite) et Agent Zero.
Réponses vérifiées le 31 oct. 2026.