DeerFlow 調査レポート
1. 基本情報
- ツール名: DeerFlow
- ツールの読み方: ディアフロー
- 開発元: Bytedance
- 公式サイト: https://deerflow.tech/
- 関連リンク:
- カテゴリ: 開発ユーティリティ
- 概要: サンドボックス、メモリ、ツール、スキル、サブエージェントを活用し、リサーチ、コーディング、作成などの複雑なタスクを自動化するオープンソースのSuperAgentフレームワークです。
2. 目的と主な利用シーン
- 解決する課題: 複雑な調査、データ分析、コンテンツ生成、開発タスクにおける手作業の負担を軽減し、一連のタスクを自動化・効率化する。
- 想定利用者: リサーチャー、データサイエンティスト、開発者、コンテンツクリエイター。
- 利用シーン:
- AI技術トレンドなどのディープリサーチからレポートやWebページの生成。
- タイタニックなどのデータセットに対する探索的データ分析（EDA）と可視化。
- YouTubeの動画視聴に基づいたスタートアップファウンダー向けTipsのディープリサーチ。
- 論文やPodcast内容の要約・集約作業の自動化。
3. 主要機能
- Agent Skillsの動的ロード: Markdownファイルで定義されたスキル（タスクのワークフローやベストプラクティス）を、必要なタイミングで動的にロードし活用する。
- サブエージェント連携（マルチエージェント）: 複雑なタスクを複数のサブエージェントに分割して並行・順次処理させ、最終的にリードエージェントが結果を統合する。
- 完全なDockerサンドボックス環境: フルファイルシステムを持つ分離されたDockerコンテナでタスクを実行し、コードの実行、ファイル編集、Web操作などを安全に行う。
- 長期・短期メモリシステム（Context Engineering）: セッションを跨いでユーザーのプロファイルや好みを記憶し、長期的なタスクにおいてもコンテキストを維持・圧縮する。
- マルチモデル対応: Doubao、DeepSeek、OpenAI、Geminiなど、OpenAI互換APIを実装する任意のLLMと連携可能。
- IMチャネル統合: Slack、Telegram、Feishu（Lark）といったメッセージングアプリから直接エージェントにタスクを指示できる。
4. 開始手順・セットアップ
- 前提条件:
- Python 3.12以上推奨、Node.js 22以上
- Make、Docker（サンドボックス利用に推奨）
- 各種LLMのAPIキー
- インストール/導入:
git clone https://github.com/bytedance/deer-flow.git cd deer-flow make config - 初期設定:
config.yamlを編集し、利用するLLM（gpt-4, gemini-2.5-flashなど）を設定する。- プロジェクトルートの
.envファイルにOPENAI_API_KEY等のAPIキーを記述する。
- クイックスタート:
- Docker環境で開発用サーバーを起動する場合：
make docker-init make docker-start - ブラウザで
http://localhost:2026にアクセスして利用を開始する。
- Docker環境で開発用サーバーを起動する場合：
5. 特徴・強み (Pros)
- 高い拡張性 (Skills & Tools): MCPサーバーやPython関数としての独自ツールの追加が容易。独自のSkillをMarkdownファイルで定義し、ワークフローを自由にカスタマイズできる。
- 本物の実行環境: 単なるチャットベースのアシスタントではなく、Dockerサンドボックス（ファイルシステム・Bash実行環境）を備え、実際の作業を伴うタスクの実行が可能である。
- 強力なサブエージェント機能: 長時間かかる複雑なタスクを分割し、自律的に計画から実行、報告までを行える。
- Claude Code連携:
claude-to-deerflowスキルを導入することで、Claude Codeのターミナル内からDeerFlowのインスタンスに直接タスクを送信・管理できる。
6. 弱み・注意点 (Cons)
- 環境構築のハードル: フル機能（Dockerコンテナによる安全なサンドボックス実行）を利用するには、DockerやMakefileなど開発環境のセットアップ知識が必要。
- APIコストの管理: 多数のサブエージェントが連携して動作するため、特に複雑なタスクを実行する際はLLMのAPIコストが想定以上に膨らむ可能性がある。
- 日本語対応状況: 基本的なツール自体は多言語対応可能なLLMに依存するが、公式ドキュメントやデフォルトのシステムプロンプトの多くは英語が主導となっている。
7. 料金プラン
| プラン名 | 料金 | 主な特徴 |
|---|---|---|
| オープンソース版 | 無料 | MITライセンス。完全無料でセルフホスト可能。LLM API等の利用料金は別途必要。 |
- 課金体系: オープンソースソフトウェアのため利用自体は無料（外部LLM、検索API等の従量課金はユーザー負担）。
- 無料トライアル: なし（常時無料）
8. 導入実績・事例
- 導入企業: Bytedanceなどの開発チーム、およびオープンソースコミュニティの多数のユーザー。
- 導入事例:
- 技術トレンドレポート生成: 2026年のエージェント技術トレンドに関するWebページ形式のディープリサーチレポートの生成。
- データセットのEDA: タイタニックのデータセットを探索し、生存率に影響を与える主要因の分析と可視化。
- マルチメディア生成: 「高慢と偏見」の特定シーンに基づいた動画とリファレンス画像の生成。
- 対象業界: ソフトウェア開発、ITコンサルティング、データサイエンス、リサーチ部門など。
9. サポート体制
- ドキュメント: GitHubリポジトリ内の充実したドキュメント、および公式サイトでアーキテクチャや設定ガイドが提供されている。
- コミュニティ: GitHubのIssues / Discussionsにて、バグ報告や機能要望に関する活発なやり取りが行われている。
- 公式サポート: オープンソースプロジェクトのため、コミュニティベースのサポートが中心となる。
10. エコシステムと連携
10.1 API・外部サービス連携
- API: 組み込みのPythonクライアント (
DeerFlowClient) や、Gateway APIを通じたHTTP通信。 - 外部サービス連携: OpenAI、Anthropic (Claude Code)、Gemini などのLLM群。InfoQuestによるインテリジェントな検索ツール統合。Telegram、Slack、Feishu(Lark) とのチャット統合。
10.2 技術スタックとの相性
| 技術スタック | 相性 | メリット・推奨理由 | 懸念点・注意点 |
|---|---|---|---|
| Python | ◎ | ツール本体のバックエンドやLangGraph/LangChainベースのロジック開発に最適。Python用の埋め込みクライアント (DeerFlowClient) も提供されている。 |
特になし |
| Node.js | ◯ | Web UIの実装や、npx skillsコマンド経由でのClaude Code等からの連携に有効。 |
バックエンドの高度な修正にはPythonの知識も必要になる。 |
| Docker / Kubernetes | ◎ | サンドボックス実行環境の分離、Aio Sandboxとしての安全なデプロイにおいて公式で強くサポートされている。 | インフラの構築・管理に知識が必要。 |
11. セキュリティとコンプライアンス
- 認証: HTTP/SSE MCPサーバー連携時にOAuthトークンフロー(client_credentials, refresh_token)をサポート。IMチャネルとの統合では各プラットフォームの認証を利用。
- データ管理: サンドボックス上のファイルシステムで実行され、セッション間のデータは完全に隔離される（ゼロ・コンタミネーション）。
- 準拠規格: オープンソースであるため特定の規格準拠は明示されていないが、独立したサンドボックスコンテナで実行されるため、安全性が考慮された設計となっている。
12. 操作性 (UI/UX) と学習コスト
- UI/UX: Web UI（
http://localhost:2026）が用意されており、チャット感覚で利用可能。SlackやTelegramからのBot経由での操作も直感的に行える。 - 学習コスト: 基本的な操作は容易だが、独自のSkill（Markdown）の作成や
config.yamlのカスタマイズ、MCPサーバーとの接続設定を行うには一定の学習コストがかかる。
13. ベストプラクティス
- 効果的な活用法 (Modern Practices):
- タスクの複雑度に応じて、フラッシュ（高速）、スタンダード、プロ（計画）、ウルトラ（サブエージェント）といった実行モードを使い分けること。
- 長いコンテキストウィンドウと強力な推論能力を持つモデル（DeepSeek v3.2, Kimi 2.5, Doubao-Seed-2.0-Code等）と組み合わせて使用すること。
- 陥りやすい罠 (Antipatterns):
- サブエージェント間の連携が必要な複雑なタスクにおいて、推論能力やTool利用能力の低い軽量LLMを設定してしまうと、計画の実行に失敗しやすくなる。
14. ユーザーの声（レビュー分析）
- 調査対象: GitHub
- 総合評価: 非常に高い。2026年3月時点で GitHub Stars 39.2k+ を獲得。
- ポジティブな評価:
- 「2026年2月28日のVersion 2.0ローンチ後、GitHub Trendingで総合1位を獲得するなど、コミュニティから熱狂的な支持を集めている。」
- 「スキルファイルの動的読み込みとサブエージェントアーキテクチャにより、Deep Researchツールの枠を超えて様々な作業を自動化できる。」
- 「独立したサンドボックス環境でファイルを操作しながら長時間タスクを完了させる能力は圧倒的だ。」
- ネガティブな評価 / 改善要望:
- 「一部の機能統合（Claude Codeの認証引継ぎなど）において、環境によっては手動でのエクスポート操作が必要になるなど、セットアップがやや煩雑。」
- 「公式ドキュメントがまだ英語中心であり、非英語話者にとっては一部分かりにくい箇所がある。」
- 「PythonやDockerの知識がない初学者にとっては、最初のローカル環境の構築が壁になる。」
- 特徴的なユースケース:
- Claude Code内から直接
claude-to-deerflowスキルを利用し、ターミナルから離れることなく別プロセスのDeerFlowで重いリサーチタスクをバックグラウンド実行させる。
- Claude Code内から直接
15. 直近半年のアップデート情報
- 2026-02-28: DeerFlow 2.0 リリース（既存のv1.x系から完全に作り直され、フルスタックのSuper Agent harnessとして生まれ変わった）。
- 2026-02-28: Claude Codeとの連携（
claude-to-deerflowスキル）追加。 - 2026-02-28: InfoQuestによる高度な検索・クローリングツールセットの統合。
(出典: GitHub README / Releases)
16. 類似ツールとの比較
16.1 機能比較表 (星取表)
| 機能カテゴリ | 機能項目 | 本ツール (DeerFlow) | Google Jules | Devin | OpenHands |
|---|---|---|---|---|---|
| 基本機能 | 自律タスク実行 | ◎ サブエージェントで複雑なタスクに対応 |
◎ 高度な推論とツール操作 |
◎ 計画から実行まで完全自律 |
◎ 完全自律型 |
| 環境 | サンドボックス実行 | ◎ 隔離されたDockerコンテナをサポート |
◎ Google基盤上のセキュアな環境 |
◎ クラウド上の完結したIDE |
◯ Docker/クラウド |
| 機能拡張 | ツール連携 | ◎ 動的Skill読込・MCP対応 |
◎ Googleエコシステム連携 |
◯ 豊富な外部連携 |
◯ カスタム可能 |
| 提供形態 | オープンソース | ◎ MITライセンス |
× Google独自サービス |
× 商用サービス |
◎ 完全OSS |
16.2 詳細比較
| ツール名 | 特徴 | 強み | 弱み | 選択肢となるケース |
|---|---|---|---|---|
| DeerFlow | OSSのSuperAgentフレームワーク | 動的ロードされるSkillsとサブエージェントにより、開発タスクからリサーチまで汎用的に対応できる柔軟性。 | 完全なセットアップにインフラ知識が必要。 | 自社独自のツールやワークフローをエージェントに統合し、自由にカスタマイズしたい場合。 |
| Google Jules | Google製のエージェント型AI | 高度な推論能力とGoogle Workspace等のエコシステムとの強力な連携。 | オープンソースではなく、カスタマイズの自由度は限られる。 | Googleサービスを中心に業務を行っており、強力なAIアシスタントが必要な場合。 |
| Devin | 完全自律型AIソフトウェアエンジニア | 計画からデプロイまで一貫して実行可能。独自の統合開発環境を持つ。 | コストが高めで、ローカル環境での完全なコントロールが難しい。 | ソフトウェア開発の特定のプロセス（プロトタイプ作成やデバッグ等）を丸ごと委任したい場合。 |
| OpenHands | OSSの自律型エージェント | オープンソースであり、ローカルで実行可能。ソフトウェア開発タスクに特化。 | セットアップや環境構築に手間がかかる場合がある。 | OSSで自律型のコーディングアシスタントをローカルで動かしたい場合。 |
17. 総評
- 総合的な評価: DeerFlowは、元々はディープリサーチのためのフレームワークとして誕生しましたが、Version 2.0へのアップデートにより、動的にロード可能なSkills、安全なDockerサンドボックス、サブエージェント連携機能を持つ強力な「SuperAgentフレームワーク」へと進化しました。GitHub Starsも39,000を超え、OSSコミュニティから極めて高い評価を受けています。
- 推奨されるチームやプロジェクト: リサーチ結果からレポートやWebサイトを生成する業務、特定のフォーマットに沿ったデータ分析など、複数のステップを踏む複雑なワークフローを自動化したいチーム。また、商用のエージェントサービスではなく、自社内にAIエージェントの基盤を構築したい技術力のある企業。
- 選択時のポイント: 既存のチャットベースのLLMでは対応しきれない「長時間の計画と実行」「ファイル操作やコード実行を伴うタスク」を任せるプラットフォームとして、MITライセンスの下で自由に構築・拡張を行いたい場合に最適な選択肢となります。