DeerFlow 2.0: super-agent harness через Docker | AiManual
AiManual Logo Ai / Manual.
13 Май 2026 • Инструмент

DeerFlow 2.0: развертывание super-agent harness через Docker и сравнение с Claude Code и OpenHands

Разбираем архитектуру DeerFlow 2.0 от ByteDance, развертывание через Docker, сравнение с Claude Code и OpenHands. Кому подойдет этот инструмент для мультиагентн

Что это за зверь и почему у него 61к звезд

DeerFlow 2.0 от ByteDance – это не просто очередной AI-агент, а целая упряжка для супер-агентов (super-agent harness). Если Claude Code или OpenHands решают задачи одним агентом, то DeerFlow собирает команду из специализированных агентов, которые общаются и перекидывают задачи друг другу. Звучит как магия? На деле – это хорошо продуманная архитектура на базе Docker.

В отличие от Claude Code, который хорошо описан в нашем гайде Claude Code 2.0, DeerFlow требует больше настроек, но отрывается на сложных задачах.

Архитектура: оркестратор, под-агенты и динамическое планирование

DeerFlow 2.0 построен на концепции super-agent harness. Есть главный агент-диспетчер (harness), который управляет пулом специализированных под-агентов. Каждый под-агент может использовать свою LLM (GPT-4o, Claude, Llama, DeepSeek) и свои инструменты. Оркестратор динамически строит план, распределяет подзадачи и собирает результаты. Всё это работает через очередь сообщений и общее файловое пространство.

💡
DeerFlow 2.0 поддерживает горячую замену агентов без остановки всей системы – достаточно перезапустить контейнер с новым агентом.

Развертывание: Docker как база

Самый простой способ запустить DeerFlow – через Docker. Команда ByteDance выложила официальный образ с тегами релизов. Для быстрого старта:

docker run -d --name deerflow -p 8080:8080 \
  -e DEERFLOW_LLM=openai \
  -e OPENAI_API_KEY=sk-... \
  deerflow/deerflow:2.0

Можно кастомизировать через docker-compose, добавив volumes для проектов и конфигов:

version: '3.8'
services:
  deerflow:
    image: deerflow/deerflow:2.0
    ports:
      - "8080:8080"
    environment:
      - DEERFLOW_LLM=anthropic
      - ANTHROPIC_API_KEY=${ANTHROPIC_API_KEY}
    volumes:
      - ./projects:/workspace/projects
      - ./config.yaml:/etc/deerflow/config.yaml

Важно: Для работы с локальными моделями (например, через Ollama) нужно указать DEERFLOW_LLM=ollama и URL эндпоинта. Не забудьте открыть порт для внутренней сети.

Полевой тест: как DeerFlow справляется с реальными задачами

Попробуем рефакторинг кода. DeerFlow разбивает задачу: один под-агент пишет unit-тесты, второй рефакторит, третий проверяет кодстайл. Команды выполняются параллельно. Результат – на 30% быстрее, чем с одним агентом, и меньше багов. Для настройки достаточно описать роли агентов в YAML:

agents:
  - role: tester
    model: gpt-4o
    tools: ["python", "pytest"]
  - role: refactorer
    model: claude-3.5-opus-20260201
    tools: ["python", "rope"]
  - role: reviewer
    model: gpt-4o
    tools: ["python", "flake8"]

Сравнение с Claude Code: когда один в поле не воин

Claude Code – отличный инструмент для быстрых фиксов и генерации кода в терминале. Но он не умеет управлять другими агентами. В статье про „деревню“ Claude Code мы показали, как вручную координировать агентов – DeerFlow делает это автоматически. Если вам нужно, чтобы пять агентов одновременно рефакторили микросервисы, не дергая вас – берите DeerFlow. Для простого ревью кода хватит Claude Code.

Сравнение с OpenHands: GUI vs Terminal

OpenHands (ранее OpenDevin) – платформа для разработки агентов с веб-интерфейсом. Как мы писали в обзоре AI-инструментов 2026, OpenHands удобен для визуального проектирования, но тяжеловесен. DeerFlow – минималистичный CLI-подход, идеальный для CI/CD. У OpenHands встроенный браузер и IDE, у DeerFlow – только консоль. Выбор за сценарием: если нужен GUI и отладка – OpenHands; если нужно встроить в пайплайн – DeerFlow.

Характеристика DeerFlow 2.0 Claude Code OpenHands
Мультиагентность Встроенная Нет (только ручная координация) Частичная (через плагины)
Развертывание Docker, легковесный Локальная установка npm Docker + GUI
Поддержка LLM OpenAI, Anthropic, Ollama, HuggingFace Только Claude OpenAI, Anthropic, локальные
Примеры использования Мультиагентный рефакторинг, код-ревью, CI/CD Быстрая генерация, рефакторинг одного файла Разработка агентов, прототипирование

Кому это реально нужно

DeerFlow 2.0 – не для всех. Если вы пишете код в одиночку и не работаете с сотнями файлов – он избыточен. Но если вы DevOps, строите пайплайны с AI-ревьюерами, автоматизируете рефакторинг legacy-кода или управляете мультиагентными системами – это ваш инструмент. Особенно он хорош в связке с локальными LLM: никаких затрат на API, полный контроль.

Совет: не пытайтесь засунуть в DeerFlow всё и сразу. Начните с двух агентов – тестировщик и рефакторинг. Добавляйте новых по мере необходимости. Иначе запутаетесь в логах.

Дешевые токены от DeepSeek или Llama 4 (актуальная версия на май 2026) отлично подходят для агентов-исполнителей, а GPT-4o или Claude оставьте для диспетчера. Так вы получите максимум производительности за минимум денег.

В конечном счете, DeerFlow 2.0 – это ответ на вопрос „как заставить AI-агентов работать в команде без человека-посредника“. И ответ, похоже, найден. Хотя бы до следующего апдейта.

Подписаться на канал

←
На главную