TL;DR

DeerFlow 2.0은 LangGraph runtime 위에서 sub-agent, memory, sandbox, MCP, skill을 조합하는 오픈소스 SuperAgent harness입니다. `make setup`으로 모델과 실행 정책을 구성한 뒤 Docker 또는 로컬 서비스로 웹 UI를 실행하며, 장시간 조사·코딩·파일 생성 작업을 하나의 세션에서 처리합니다. Docker·Kubernetes sandbox, 여러 LLM provider, LangSmith 계열 tracing, Telegram과 Slack 같은 IM 채널을 지원해 개인용 실험부터 공유 서버까지 확장할 수 있습니다. 다만 실행 권한과 파일 접근을 다루므로 공개 배포 전에는 격리 sandbox, 인증, CORS, worker·Postgres·Redis 구성을 함께 점검해야 합니다.

핵심 포인트

• DeerFlow는 독립 실행형 SuperAgent harness이자 LangGraph 기반 agentic framework입니다. Sub-agent, memory, sandbox, skill을 조합해 분 단위에서 시간 단위 작업을 하나의 실행 흐름으로 처리합니다. Deep Research를 넘어 조사·코딩·파일 생성까지 확장하려는 개발자에게 맞습니다.
• Python 3.12+, Node.js 22+ 환경에서 Docker 또는 로컬 개발 방식으로 실행합니다. `make setup`이 모델·검색·sandbox·bash·파일 쓰기 설정을 생성하고 `make docker-start` 또는 `make dev`가 서비스를 시작합니다. Docker Compose 2.24+, 4~8 vCPU, 8~16GB RAM이 현실적인 시작 조건입니다.
• Sandbox는 호스트 실행, Docker 컨테이너, Kubernetes pod 기반 실행을 지원해 에이전트의 코드 실행 경계를 조절합니다. MCP 서버와 extensible skill을 연결하고, 도구 호출·sub-agent·background task를 LangGraph runtime 안에서 관리합니다. 신뢰하지 않는 작업에는 host Bash와 자동 승인 권한을 끄고 격리 sandbox를 선택해야 합니다.
• 웹 UI 외에도 Telegram, Slack, Feishu/Lark, WeChat, WeCom, DingTalk, Buzz 채널을 연결할 수 있습니다. MCP background task에는 제출·상태 확인·취소·재시작 복구 흐름이 포함되고 LangSmith, Langfuse, Monocle tracing도 연동됩니다. 여러 채널에서 장시간 실행되는 개인용 또는 팀용 agent 서비스를 만들 때 활용도가 큽니다.

이미지 분석