ByteDance, firma stojąca za TikTokiem, udostępniła publicznie DeerFlow 2.0 – framework agentowy nowej generacji, który przestawia myślenie o AI z „sugestii” na „wykonanie”. To już nie asystent, który podpowiada kod. To agent, który sam go uruchamia.
Przez ostatnie dwa lata branża technologiczna oswajała się z modelem AI jako copilota: narzędzia, które sugeruje, podpowiada, uzupełnia. DeerFlow 2.0 zrywa z tym schematem. Zamiast odsyłać użytkownika do terminala z gotowym snippetem kodu, system sam wchodzi do środowiska, instaluje zależności, uruchamia skrypt i oddaje gotowy wynik.
Jeśli chcesz otrzymać raport przed oficjalną premierą oraz zobaczyć nazwę swojej firmy wśród uczestników badania – zostaw adres email na końcu ankiety.
Własny komputer agenta
Kluczowym elementem architektury DeerFlow jest izolowany kontener Docker, w którym agent operuje. Brzmi technicznie, ale konsekwencje są bardzo praktyczne.
Dotychczasowe systemy agentowe miały fundamentalne ograniczenie: mogły pisać kod, ale nie mogły go uruchomić. Człowiek wciąż musiał być w pętli, kopiować wynik, testować, debugować. DeerFlow to przeskakuje. Agent dostaje prawdziwy system plików, terminal bash i pełne uprawnienia do zapisu i odczytu plików. Jeśli zadanie brzmi „przeanalizuj ten plik CSV i zwróć wykres”, agent nie opisuje, jak to zrobić. On to robi.
Co więcej, dzięki trwałej pamięci sesji, system zapamiętuje preferencje użytkownika, styl pisania, strukturę projektów. Przestaje być jednorazowym narzędziem, a zaczyna działać bardziej jak pracownik, który zna kontekst.
Wielu agentów, jeden cel
DeerFlow korzysta z architektury, którą twórcy nazywają „SuperAgent harness”. W praktyce oznacza to hierarchię: nadrzędny agent pełni rolę menedżera projektu i rozdziela pracę.
Kiedy użytkownik wpisze złożone polecenie – powiedzmy, zbierz dane o dziesięciu największych startupach AI z 2026 roku i zrób z tego prezentację – system nie próbuje wykonać tego zadania liniowo od początku do końca. Zamiast tego:
- Lead agent rozbija zadanie na logiczne podzadania
- Sub-agenty uruchamiają się równolegle – jeden przeszukuje sieć, drugi analizuje dane, trzeci generuje wizualizacje
- Wyniki spływają z powrotem do agenta głównego
- Final delivery – gotowy plik, prezentacja, aplikacja webowa
Równoległość to tu słowo kluczowe. Tradycyjny workflow, który zajął by człowiekowi kilka godzin, DeerFlow może przeprowadzić znacznie szybciej właśnie dlatego, że wiele rzeczy dzieje się jednocześnie.
Komentarz redakcji
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl:
„DeerFlow 2.0 to bez wątpienia ciekawy krok naprzód w kierunku autonomicznych agentów. Sandbox oparty na Dockerze rozwiązuje realny problem, który od dawna ograniczał praktyczność systemów agentowych – przepaść między sugestią a wykonaniem. Z perspektywy dewelopera to duże ułatwienie.
Ale mam też pytania, które zawsze warto zadawać przy tego typu narzędziach. Agent z pełnym dostępem do terminala, systemu plików i połączenia sieciowego to poważna powierzchnia ataku. Co się dzieje, gdy polecenie jest niejednoznaczne, a agent podejmie autonomiczną decyzję, która narobi szkód? Izolacja Dockera daje pewne gwarancje, ale nie eliminuje ryzyka – szczególnie w środowiskach korporacyjnych z dostępem do wrażliwych danych.
Warto też zwrócić uwagę na to, kto to wypuszcza. ByteDance to firma działająca pod chińskim prawem, które przewiduje możliwość dostępu państwa do danych firmowych. To nie dyskredytuje projektu open-source, ale jeśli ktoś planuje wdrożyć DeerFlow w środowisku produkcyjnym – powinien wiedzieć, co wdraża i przeczytać kod przed deploymentem.”
Od narzędzia do researchu do silnika automatyzacji
Historia DeerFlow jest sama w sobie interesująca. System nie zaczął jako ambitny projekt agentowy. Był wewnętrznym narzędziem do głębokiego przeszukiwania sieci – w zasadzie zaawansowanym researcherem. Użytkownicy wewnątrz ByteDance zaczęli go jednak rozciągać poza te granice, budując na nim pipelines do przetwarzania danych, dashboardy w czasie rzeczywistym, całe aplikacje webowe.
ByteDance zauważył, czego naprawdę chce społeczność, i przepisał framework od zera. Efektem jest DeerFlow 2.0 – narzędzie agnostyczne względem zadania.
Co potrafi DeerFlow 2.0
Twórcy wskazują cztery główne obszary zastosowań:
- Deep research – przeszukiwanie sieci z zachowaniem źródeł i cytatów
- Tworzenie treści – raporty z wykresami, obrazami, materiałami wideo
- Uruchamianie kodu – skrypty Pythona i komendy bash w izolowanym środowisku
- Generowanie zasobów – gotowe prezentacje, komponenty UI
Model-agnostic, czyli nie jesteś przywiązany do jednego LLM
Jeden z ważniejszych szczegółów technicznych: DeerFlow jest całkowicie neutralny względem modelu językowego. Integruje się z każdym API kompatybilnym z OpenAI, co oznacza, że inżynierowie mogą podmienić GPT-4 na Claude, Gemini, DeepSeeka czy lokalny model przez Ollama bez żadnych zmian w logice agenta.
To praktyczna decyzja projektowa, która odróżnia DeerFlow od frameworków mocno zakotwiczonych w ekosystemie jednego dostawcy.
Kod dostępny jest na GitHubie: https://github.com/bytedance/deer-flow
