Easy App
กลับไปหน้ารีวิว Repo
รีวิว Repoร่าง

รีวิว DeerFlow 2.0 — super agent harness จาก ByteDance สำหรับงานที่ใช้เวลาเป็นชั่วโมง

vibe-coder
ai-agentsmulti-agentagent-harnessbytedancepythonself-hosted
รีวิว DeerFlow 2.0 — super agent harness จาก ByteDance สำหรับงานที่ใช้เวลาเป็นชั่วโมง

ข้อมูล Repo

bytedance/deer-flow
ภาษา
Python
ดาว
83,338
สร้างเมื่อ
แก้ไขล่าสุด
ร่าง

เปลี่ยนสถานะผ่าน API: PATCH /api/reports/3c1a3c1c-6833-4279-b5c3-1d97045e218d

แคปชันสำหรับ Facebook

ByteDance เปิด source DeerFlow ไว้ เป็น agent harness ที่ออกแบบมาสำหรับงานยาวๆ ที่ใช้เวลาเป็นนาทีไปจนถึงหลายชั่วโมงครับ DeerFlow ประสานงาน sub-agent, memory และ sandbox เข้าด้วยกัน ทำได้ทั้ง research, เขียนโค้ด และสร้างคอนเทนต์ ✅ เวอร์ชัน 2.0 เขียนใหม่ทั้งหมด ไม่ใช้โค้ดร่วมกับ v1 ส่วน Deep Research ตัวเดิมย้ายไปอยู่ branch 1.x ✅ ต่อกับ MCP server, แอปแชตอย่าง Telegram, Slack และ Feishu และเครื่องมือ tracing อย่าง LangSmith กับ Langfuse ได้ ✅ มีคำสั่ง make setup ที่ถามทีละขั้นแล้วสร้าง config ให้ ✅ ถ้าใช้ Claude Code, Codex หรือ Cursor สั่งประโยคเดียวให้มัน clone และติดตั้งให้ได้ ✅ 83.3k ดาว ณ 3 ต.ค. 2026 ใช้ MIT license เหมาะกับคนที่อยาก self-host ระบบ multi-agent เต็มรูปแบบ และคุ้นกับ Docker ข้อควรรู้: ต้องมี API key ของผู้ให้บริการโมเดลเอง และ README มีคำเตือนด้านความปลอดภัยตอน deploy ควรอ่านก่อนเปิดให้คนอื่นใช้ 🔗 https://github.com/bytedance/deer-flow #DeerFlow #AIAgents #MultiAgent #OpenSource

ภาพปกแบบ HTML สด

แสดงจาก HTML ต้นฉบับที่ใช้สร้างภาพ ดาวน์โหลดเป็น PNG 1080×1350 ได้ทันที

สรุป

DeerFlow เป็น super agent harness แบบ open source จาก ByteDance ที่รวม sub-agent, memory, sandbox และ skill เข้าด้วยกัน รับงาน research, เขียนโค้ด และสร้างคอนเทนต์ที่ใช้เวลาตั้งแต่ไม่กี่นาทีจนถึงหลายชั่วโมง เวอร์ชัน 2.0 เขียนใหม่ทั้งหมด ใช้ MIT license

คืออะไร

DeerFlow (ย่อจาก Deep Exploration and Efficient Research Flow) เป็น open-source super agent harness ที่ประสานงาน sub-agents, memory และ sandboxes เข้าด้วยกัน โดยอาศัย skills ที่ขยายต่อได้ ตัว repo อธิบายตัวเองว่าทำหน้าที่ research, code และ create รองรับงานที่ใช้เวลาตั้งแต่นาทีจนถึงหลายชั่วโมง ภาษาหลักของโปรเจกต์ คือ Python (มี TypeScript/Node.js อยู่ด้วย) เว็บไซต์ทางการอยู่ที่ deerflow.tech

จุดเด่น

  • เวอร์ชัน 2.0 เขียนใหม่ทั้งหมด — README ระบุตรง ๆ ว่าเป็น "ground-up rewrite" ไม่แชร์โค้ดกับ v1 และงานพัฒนาหลักย้ายมาที่ 2.0 ส่วน Deep Research เวอร์ชันดั้งเดิมยังอยู่บน branch 1.x และยังรับ contribution
  • ฟีเจอร์ใน README ครอบคลุมทั้ง loop งาน: Skills & Tools, Sub-Agents, Sandbox & File System, Agentic Browser Control, Long-Term Memory, Session Goals, Manual Context Compaction, Current Task Notes, Context Engineering
  • ต่อยอดกับของภายนอกได้: MCP Server, IM channels (Telegram, Slack, Feishu/Lark, WeChat iLink, WeCom, DingTalk), tracing ผ่าน LangSmith / Langfuse / Monocle, Private Knowledge Retrieval ผ่าน RAGFlow, Terminal Workbench (TUI), Scheduled Tasks และ Embedded Python Client
  • Claude Code Integration อยู่ในหัวข้อ Skills & Tools
  • One-Line Agent Setup — ถ้าใช้ Claude Code, Codex, Cursor หรือ Windsurf ส่งประโยคเดียวให้มัน clone และ bootstrap ให้จบได้เลย
  • Setup แบบ wizard คำสั่ง make setup เปิดตัวถามทีละขั้น: เลือก LLM provider, web search (ถ้าต้องการ) และ ค่าความปลอดภัยอย่าง sandbox mode, bash access, file-write tools จากนั้นจึงสร้าง config.yaml และเขียน key ลง .env (README บอกใช้เวลาประมาณ 2 นาที)
  • โมเดลที่เจ้าของ repo แนะนำ: Doubao-Seed-2.0-Code, DeepSeek v3.2 และ Kimi 2.5 ผ่าน Coding Plan ของ ByteDance Volcengine
  • มี sister project ชื่อ LLM Space — desktop tool สำหรับ prototype ไอเดีย agent, inspect ทีละขั้น และ replay failure

เหมาะกับใคร

  • คนที่อยากลอง multi-agent harness แบบ self-host แทนที่จะเรียก API เดียวจบ
  • สาย Python / DevOps ที่สะดวกกับ Docker และ Makefile (README แนะนำ Docker เป็นตัวเลือกแรก)
  • ทีมที่ต้องการเสียบ MCP, tracing หรือ IM bot เข้ากับ workflow ที่มีอยู่แล้ว

เริ่มต้นใช้งาน

คัดลอกตาม README ได้เลย:

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

จากโฟลเดอร์ deer-flow/ รัน:

make setup

คำสั่งเสริมที่ README พูดถึง:

  • make doctor — ตรวจ setup และรับคำแนะนำแก้ปัญหา
  • make config — ถ้าอยากแก้ config.yaml เองให้คัดลอกเทมเพลตเต็มมา
  • make support-bundle — ตอนจะเปิด GitHub issue เรื่อง setup หรือ runtime

ข้อควรรู้

  • License: MIT License ใช้ต่อยอดได้ แต่ยังควรเปิดอ่านไฟล์ LICENSE ให้ครบก่อนใช้งาน
  • ความสดใหม่: push ล่าสุด 3 ต.ค. 2026, โปรเจกต์เริ่มเมื่อ 7 พ.ค. 2025 (อายุราวๆ 1 ปี 5 เดือน) ณ 3 ต.ค. 2026
  • ตัวเลข (ข้อมูล ณ 3 ต.ค. 2026): ดาว 83.3k, fork 11.6k, open issues 898
  • README มีคำเตือนด้านความปลอดภัย: การ deploy ที่ไม่ถูกวิธีอาจเสี่ยง และ สิทธิ์ Gateway Admin เทียบเท่ากับการ execute โค้ดได้ ควรอ่านหัวข้อ Security Recommendations และ Deployment Defaults ก่อนเปิดใช้งาน
  • ต้องมี LLM provider + API key ก่อน และมีค่าใช้จ่ายกับโมเดล/การค้นเว็บ บางคำสั่งตรวจสอบ (เช่น connection test ของ managed model) อาจเรียก API จริง
  • v2 ไม่ใช่ Deep Research ตัวเดิม ถ้าต้องการเฟรมเวิร์กเดิมให้ไป branch 1.x
  • ถ้าใช้ managed models ต้องสำรองทั้งโฟลเดอร์ .deer-flow/managed-models/ ไว้ เพราะ README ระบุว่าการสูญหาย key ต้องกู้จาก backup ที่เก็บไว้เท่านั้น
  • หน้า README ยาวและมีตัวเลือกเยอะ (หลาย provider, MCP, IM channels, tracing, deployment sizing) ควรเลือกเฉพาะส่วนที่ใช้จริง

🔗 https://github.com/bytedance/deer-flow

ข้อมูลจาก GitHub ณ 3 ต.ค. 2026: ⭐ 83,338 | ภาษา Python | license MIT

ไฟล์แนบ (3)

Easy App — กล่องรายงานจาก AI
v0.7.1 (1496eed)