Chuyển đến nội dung

bytedance / deer-flow

DeerFlow

Siêu agent mã nguồn mở của ByteDance: lập kế hoạch, chia việc cho agent con, tự chạy code trong sandbox

DeerFlow là bộ khung (harness) để chạy một agent AI có thể nghiên cứu sâu, viết code, làm báo cáo hay slide bằng cách chia việc cho các agent con, dùng bộ nhớ và chạy trong sandbox (môi trường cách ly). Phiên bản 2.0 được viết lại hoàn toàn và không chung code với phiên bản 1. Phù hợp với người đã quen Docker và API mô hình AI.

  • 85.373 sao
  • 12.032 fork
  • Python
  • Cập nhật hôm qua
  • MIT (dùng tự do, kể cả thương mại)
Độ khó
Khó Dành cho người biết lập trình
Dạng
Web tự cài (self-host), Thư viện lập trình
Chạy trên
Linux, macOS, Windows, Docker, Python, Node.js
Chi phí
Miễn phí (trả phí API AI nếu dùng)

Trải nghiệm khi dùng DeerFlow

Bạn tải mã nguồn về, chạy trình hướng dẫn cài đặt tương tác (khoảng vài phút, theo README) để nó viết giúp file cấu hình, rồi khởi động bằng Docker. Sau đó mở trình duyệt vào địa chỉ cục bộ hiện trong hướng dẫn và bắt đầu giao việc bằng một khung chat.

Khác với chatbot hỏi gì đáp nấy, DeerFlow chia một nhiệm vụ lớn thành nhiều bước: tìm thông tin, mở sandbox để chạy code, viết file kết quả rồi gộp lại. Bạn có thể thấy tiến trình làm việc và lấy các file đầu ra như báo cáo hay trang web.

Hệ thống rất nhiều thành phần (kỹ năng, bộ nhớ dài hạn, kênh Slack, Telegram, tác vụ theo lịch). Với người mới, hãy bắt đầu với một nhiệm vụ nghiên cứu nhỏ rồi mới mở rộng.

Tính năng nổi bật

Agent con và lập kế hoạch

Chia nhiệm vụ dài thành nhiều phần cho các agent con làm song song rồi tổng hợp kết quả.

Sandbox chạy mã

Agent chạy lệnh và tạo file trong môi trường cách ly, đỡ ảnh hưởng đến máy bạn hơn là chạy thẳng.

Kỹ năng mở rộng

Thêm kỹ năng (skills) để agent làm thêm các loại việc như tạo slide, dashboard hay quy trình nội dung.

Bộ nhớ và kết nối MCP

Có bộ nhớ dài hạn và hỗ trợ MCP server để nối thêm công cụ bên ngoài.

Kênh chat và lịch chạy

Hỗ trợ nhận việc qua các kênh như Slack, Telegram, Discord và chạy các tác vụ theo lịch.

Tận dụng DeerFlow vào việc gì?

Người làm marketing, chủ doanh nghiệp

Nghiên cứu thị trường sâu

Giao đề tài như so sánh các nhà cung cấp, để agent tìm nguồn, đọc và viết báo cáo; bạn kiểm chứng nguồn trước khi dùng.

Dân văn phòng, sinh viên

Tạo bản nháp slide hoặc báo cáo

Nhờ agent tổng hợp tài liệu thành dàn ý và bản nháp để bạn chỉnh sửa tiếp.

Lập trình viên, nhà nghiên cứu AI

Thử nghiệm kiến trúc agent

Dùng làm nền để tìm hiểu cách tổ chức agent con, bộ nhớ và sandbox, hoặc tuỳ biến theo nhu cầu riêng.

Người làm nội dung

Tự động hoá nội dung định kỳ

Đặt lịch để agent tổng hợp tin tức ngành hằng ngày và gửi qua kênh chat của nhóm.

Cần chuẩn bị gì?

  • Git để tải mã nguồn, và Docker nếu chạy theo cách khuyến nghị.
  • Chạy cục bộ không Docker cần Node.js 22 trở lên, pnpm, uv và nginx (theo lệnh make check).
  • API key của nhà cung cấp mô hình; README gợi ý một số mô hình mạnh về lập trình và cần ngữ cảnh dài.
  • Máy có đủ RAM cho Docker và sandbox; README có hướng dẫn về dung lượng trong tài liệu triển khai.

Hướng dẫn cài đặt chi tiết

Cài trên Docker (khuyến nghị)

  1. Tải mã nguồn và chạy trình hướng dẫn cấu hình. Trình này hỏi các thông tin như mô hình, khoá API rồi tạo file config.yaml và .env.

    Terminal
    git clone https://github.com/bytedance/deer-flow.git
    cd deer-flow
    make setup
  2. Kéo image sandbox về (chạy một lần) rồi khởi động các dịch vụ.

    Terminal
    make docker-init
    make docker-start
  3. Mở http://localhost:2026 trong trình duyệt. Nếu thấy lỗi mô hình, chạy make doctor để kiểm tra khoá API còn là giá trị mẫu hay không.

Cài trên Chạy cục bộ

  1. Sau make setup, kiểm tra máy đã có Node.js 22+, pnpm, uv, nginx chưa.

    Terminal
    make check
  2. Cài thư viện rồi chạy chế độ phát triển, và mở http://localhost:2026.

    Terminal
    make install
    make dev
  3. Trên Windows, README không đưa ví dụ riêng; nên chạy các lệnh make trong WSL hoặc dùng bản Docker, và xem tài liệu triển khai của dự án để biết chi tiết.

Dùng thử lần đầu

  1. Chạy make doctor sau khi điền khoá mô hình để chắc chắn cấu hình đủ.

    Terminal
    make doctor
  2. Mở http://localhost:2026 và bắt đầu cuộc trò chuyện mới.

  3. Giao một việc nghiên cứu nhỏ, ví dụ: Tìm hiểu 5 công cụ quản lý công việc cho nhóm nhỏ và lập bảng so sánh ưu nhược điểm.

  4. Xem các file đầu ra và nguồn mà agent trích dẫn; kiểm tra lại các thông tin quan trọng trước khi dùng.

  5. Khi quen, đọc các hướng dẫn về kỹ năng, MCP và kênh chat trong thư mục docs/guide của dự án để mở rộng.

Mẹo dùng hay

  • Đọc phần Security Notice của dự án trước khi chạy trên máy chủ hoặc mở ra ngoài localhost.
  • Bắt đầu bằng một mô hình mà dự án gợi ý để có trải nghiệm gần với mô tả của README.
  • Ghi lại token hoặc chi phí mô hình đã dùng, vì các tác vụ nhiều agent có thể tốn nhiều lượt gọi.

Lưu ý và hạn chế

  • Đây là phiên bản 2.0 viết lại hoàn toàn nên tài liệu và hướng dẫn cũ về DeerFlow 1.x có thể không còn dùng được; bản cũ nằm ở nhánh 1.x.
  • Agent có thể chạy lệnh và tạo file, nên không nên mở dịch vụ ra Internet hay cấp quyền rộng khi chưa đọc tài liệu bảo mật.
  • Cấu hình khá nhiều bước và chạy nhiều thành phần; không phù hợp với người chỉ cần một công cụ chat đơn giản.

Câu hỏi thường gặp

DeerFlow có miễn phí không?

Mã nguồn giấy phép MIT, dùng miễn phí. Bạn vẫn phải trả phí cho API mô hình AI mà bạn kết nối.

Có chạy được với mô hình tiếng Việt không?

Tuỳ mô hình bạn chọn; khả năng hiểu và viết tiếng Việt phụ thuộc vào mô hình, không do DeerFlow quyết định.

Khác gì ChatGPT Deep Research?

DeerFlow là phần mềm bạn tự cài và tự cấu hình, kiểm soát dữ liệu và công cụ hơn, nhưng cũng phải tự lo cài đặt và chi phí mô hình.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

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

Repo tương tự nên xem

Trợ lý & chat AI30,7K

GPT Researcher

assafelovic / gpt-researcher

Tác tử AI nghiên cứu sâu: tự tìm hàng chục nguồn trên web hoặc tài liệu của bạn rồi viết báo cáo có trích dẫn

VừaPythonDockerWebWindows+2
AI Agent & tự động hoá59K

OpenManus

FoundationAgents / OpenManus

Agent AI đa năng mã nguồn mở, tự lên kế hoạch và dùng công cụ để làm việc mà không cần mã mời

KhóWindowsmacOSLinuxPython
AI Agent & tự động hoá45K

LangGraph

langchain-ai / langgraph

Khung thấp tầng của LangChain để dựng agent AI chạy lâu, có trạng thái và cho người duyệt giữa chừng

KhóPythonNode.jsWindowsmacOS+1

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: AI Agent & tự động hoá

AI Agent & tự động hoá395K

OpenClaw

openclaw / openclaw

Trợ lý AI chạy trên máy bạn và trả lời ngay trong Telegram, WhatsApp, Discord, Slack và nhiều app chat khác

VừaWindowsmacOSLinuxNode.js+1
AI Agent & tự động hoá264K

Hermes Agent

NousResearch / hermes-agent

Trợ lý AI dạng agent của Nous Research biết tự học kỹ năng mới, dùng trong Terminal hoặc Telegram

VừaWindowsmacOSLinuxAndroid
AI Agent & tự động hoá211K

n8n

n8n-io / n8n

Tự động hoá công việc bằng sơ đồ kéo thả, nối hơn 1500 ứng dụng và cả AI, tự cài trên máy chủ riêng

VừaDockerWebLinuxWindows+1
AI Agent & tự động hoá202K

Firecrawl

firecrawl / firecrawl

API biến trang web thành markdown hoặc JSON sạch để nạp cho AI, có thể dùng bản cloud hoặc tự cài

VừaWebPythonNode.jsDocker
AI Agent & tự động hoá188K

AutoGPT

Significant-Gravitas / AutoGPT

Nền tảng tạo đội trợ lý AI chuyên biệt và quy trình tự động, dùng bản cloud hoặc tự cài bằng Docker

VừaWebDockerWindowsmacOS+1
AI Agent & tự động hoá161K

Dify

langgenius / dify

Nền tảng kéo thả để dựng ứng dụng AI, chatbot hỏi đáp tài liệu và quy trình tự động, tự cài bằng Docker

VừaDockerWebLinuxWindows+1

Xem cả 28 repo AI Agent & tự động hoá Về Kho Repo