바이트댄스 DeerFlow 2.0: 수 시간짜리 AI 작업을 혼자 처리하는 슈퍼에이전트의 실체

하루 만에 별 415개. 바이트댄스(TikTok 모회사)가 공개한 오픈소스 슈퍼에이전트 프레임워크 DeerFlow가 다시 GitHub 트렌딩 상단을 점령했다. 2026년 2월 v2.0 전면 재작성 직후 트렌딩 1위를 기록한 데 이어, 별 72,520개를 넘어섰다. "AI가 몇 시간짜리 리서치와 코딩을 혼자 처리한다"—과장이 아니라면 무엇이 다른가.

이게 뭔가

DeerFlow(Deep Exploration and Efficient Research Flow)는 여러 AI 에이전트를 조율하는 '지휘자' 역할의 프레임워크다. 챗봇이 질문에 한 번 답하고 끝나는 것과 달리, DeerFlow는 목표를 받으면 내부에서 서브에이전트 팀을 꾸린다. 웹을 뒤지는 리서치 에이전트, 코드를 짜고 직접 실행하는 코딩 에이전트, 결과물을 정리하는 정리 에이전트가 협업한다. 수십 분에서 수 시간 걸리는 작업을 사람 개입 없이 연속 처리하는 게 핵심이다.

왜 지금 뜨는가

세 가지 타이밍이 겹쳤다. 공식 권장 모델인 Doubao-Seed-2.0-Code, DeepSeek v3.2, Kimi 2.5는 모두 고성능이면서 GPT-4급 대비 비용이 낮다. "자율 에이전트는 API 비용이 무섭다"는 진입 장벽이 낮아진 셈이다. LangChain/LangGraph 생태계 관심이 폭증하면서 DeerFlow는 그 위에서 가장 완성된 레퍼런스 구현체로 부상했다. v1이 단순 딥 리서치 도구였다면, v2.0은 코드 실행 샌드박스·장기 메모리·확장형 스킬까지 포함한 범용 에이전트 하네스로 탈바꿈했다. 코드베이스를 완전히 갈아엎은 리뉴얼이 화제를 다시 끌어모았다.

핵심 기능

기능	내용
SuperAgent 하네스	계획→실행→검증 루프를 자동 조율하는 서브에이전트 오케스트레이션
샌드박스 코드 실행	LLM이 생성한 코드를 격리 환경에서 직접 돌리고 오류 시 자동 수정
장기 메모리	여러 턴에 걸친 컨텍스트 유지로 수 시간 작업도 연속 처리
InfoQuest 통합	BytePlus 자체 개발 지능형 검색·크롤링 툴셋으로 실시간 웹 수집
확장형 스킬	사용자 정의 도구를 플러그인 형태로 추가 가능
팟캐스트 생성	주제 입력 시 조사→구성→대본 자동 생성

누구에게 쓸모 있나

리서처·분석가는 수십 개 소스를 자동 수집·요약해 리포트 초안을 뽑아내고, 절약한 시간을 검증에 집중한다. 개발자는 반복적인 코드 생성→테스트→수정 루프를 에이전트에 위임한다. 보일러플레이트가 많은 작업일수록 효과가 크다. 콘텐츠 크리에이터는 팟캐스트 스크립트와 뉴스레터 초안 작성을 자동화하고, 스타트업 프로토타이퍼는 자체 LLM 인프라 없이 저비용 모델 연동으로 기능 검증을 빠르게 돌린다.

시작하기

사전 요건: Python 3.12+, Node.js 22+, Docker(샌드박스 실행 시)

# 1. 저장소 클론
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 환경 변수 설정 — LLM API 키를 .env에 입력
cp .env.example .env

# 3. 의존성 설치 (Python 백엔드 + Node.js 프론트엔드 일괄 처리)
make install

# 4. 개발 서버 시작
make dev
# → 브라우저에서 http://localhost:3000 접속

공식 문서는 deerflow.tech에서 데모 영상과 함께 확인 가능하다.

사용 예시

① 딥 리서치 태스크 — API 직접 호출

# 백엔드 API로 리서치 태스크 전송 (스트리밍 응답)
curl -X POST http://localhost:8000/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [{
      "role": "user",
      "content": "2026년 글로벌 고체 배터리 시장 동향을 조사하고 한국어 리포트로 정리해줘"
    }]
  }'

에이전트가 웹 검색 → 소스 수집 → 교차 검증 → 최종 리포트 작성 순서로 자율 진행

② LangGraph 기반 커스텀 워크플로우 연결

# DeerFlow의 LangGraph 그래프에 커스텀 노드를 붙이는 패턴
from deerflow.graph import build_graph
from langchain_core.tools import tool

@tool
def fetch_stock_data(ticker: str) -> str:
    """주식 데이터를 가져온다"""
    ...  # 실제 구현

graph = build_graph(extra_tools=[fetch_stock_data])
result = graph.invoke({"task": "삼성전자 최근 3개월 실적과 주가 흐름을 분석해줘"})
print(result["output"])

공식 LangGraph 확장 포인트를 통해 사내 DB나 외부 API를 에이전트 스킬로 등록 가능

③ 팟캐스트 생성 워크플로우

# 팟캐스트 대본 자동 생성 (주제 → 조사 → 구성 → 대본 순서로 자율 처리)
curl -X POST http://localhost:8000/api/podcast \
  -H "Content-Type: application/json" \
  -d '{"topic": "오픈소스 AI 에이전트의 현재와 미래", "duration_minutes": 10}'

리서치 에이전트가 소재를 수집하고, 작성 에이전트가 구어체 대본으로 변환

한계·주의

v2.0은 v1과 공유 코드가 없다. README에 명시된 대로, 기존 1.x 플러그인·설정은 이전 불가능하다. 1.x를 쓰던 팀이라면 재설계 비용을 감안해야 한다.

API 비용은 빠르게 누적된다. 오픈소스지만 실행 비용은 별도다. 에이전트가 자율적으로 수십~수백 번 LLM을 호출하므로 장시간 태스크는 예상보다 많은 토큰을 쓴다. 사용량 제한은 사전 설정이 필수다.

v2.0은 아직 초기 단계다. 이슈 트래커에 버그 리포트가 지속적으로 올라오고 있다. 프로덕션 투입 전 충분한 검증이 필수이며, 중요 작업에는 결과물 교차 검증 단계를 별도로 두는 것이 안전하다.

DeerFlow는 에이전트 오케스트레이션을 직접 구현하기 번거로운 팀에게 가장 실용적인 출발점이다. 단, 마법이 아니다—LLM 한계는 그대로 상속된다. 도구는 과정을 자동화할 뿐, 결과물의 사실 검증은 여전히 사람 몫이다.