DeerFlow awalnya dibuat sebagai framework untuk deep research, tetapi kini telah berkembang menjadi SuperAgent Harness. Artinya, bukan sekadar chatbot, melainkan runtime lengkap untuk membangun AI agent yang dapat berpikir, merencanakan, menjalankan alat, membuat sub-agent, menyimpan memori, dan menyelesaikan tugas yang memakan waktu dari beberapa menit hingga beberapa jam.

Apa yang membuat DeerFlow menarik?

Beberapa kemampuan utamanya:

• 🧠 Multi-agent (agent dapat membuat sub-agent untuk tugas berbeda)
• 📂 Persistent memory
• 💻 Sandbox Docker untuk menjalankan kode dengan aman
• 🔧 Skill system yang mudah diperluas
• 🌐 Web search
• 📊 Analisis data
• 📝 Menulis laporan
• 📈 Membuat dashboard
• 🎞️ Membuat presentasi
• 🤖 Mendukung banyak model AI sekaligus (GPT, Claude, DeepSeek, Kimi, dan lainnya).

Jadi DeerFlow lebih mirip sistem operasi untuk AI Agent, bukan model AI seperti Claude atau GPT.

---

Arsitektur DeerFlow

User
   │
Planner Agent
   │
───────────────
│     │      │
Research  Coding  Analysis
Agent     Agent    Agent
│          │        │
Web      Python   Database
│          │        │
───────────────
      │
 Memory
      │
 Final Report

Agent dapat membagi pekerjaan menjadi beberapa bagian dan menjalankannya secara paralel.

---

Dibandingkan framework lain

Framework	Kelebihan	Kekurangan
DeerFlow ⭐⭐⭐⭐⭐	Multi-agent lengkap, sandbox, memory, skill system	Setup relatif lebih kompleks
LangGraph	Sangat fleksibel	Perlu banyak coding
CrewAI	Mudah dipelajari	Kurang kuat untuk proyek besar
AutoGen	Bagus untuk percakapan antar-agent	Manajemen memori lebih terbatas
OpenManus	Fokus pada AI assistant	Ekosistem belum sebesar DeerFlow

---

Untuk siapa DeerFlow?

Sangat cocok jika ingin membuat:

• AI Deep Research
• AI Trading Assistant
• AI Content Creator
• AI Blogger
• AI SEO Agent
• AI Programmer
• AI Business Analyst
• AI yang bekerja secara otomatis dalam beberapa langkah

---

Apakah cocok untuk proyek Anda?

Melihat jenis proyek yang sering Anda kerjakan—seperti konten TikTok crypto, analisis pasar, blog, dan otomatisasi—DeerFlow menurut saya sangat relevan.

Contohnya, Anda bisa membuat workflow seperti ini:

Crypto News
      │
Research Agent
      │
Summarizer Agent
      │
Fact Checker
      │
TikTok Script Agent
      │
Image Prompt Agent
      │
Publish Agent

Satu perintah dapat menghasilkan:

• ringkasan berita,
• analisis bullish/bearish,
• naskah TikTok,
• prompt gambar,
• artikel blog,
• hingga jadwal publikasi.

Apakah DeerFlow lebih baik daripada Claude Code?

Jawabannya tergantung kebutuhan:

• Claude Code lebih unggul sebagai AI coding assistant yang berinteraksi langsung dengan proyek perangkat lunak.
• DeerFlow lebih unggul jika Anda ingin membangun AI agent end-to-end yang mampu melakukan riset, coding, analisis, dan menghasilkan berbagai output secara otomatis. DeerFlow bahkan merekomendasikan penggunaan model seperti Doubao-Seed-2.0-Code, DeepSeek v3.2, dan Kimi 2.5 sebagai backend LLM.

Jika tujuan Anda adalah membangun AI employee untuk menghasilkan konten crypto dan melakukan riset otomatis, DeerFlow saat ini merupakan salah satu pilihan open-source yang sangat kuat.

====================================================================

Dokumentasi DeerFlow

DeerFlow adalah framework untuk membangun dan mengoperasikan sistem AI Agent. Framework ini menyediakan runtime harness untuk menyusun agent dengan memori, tools, skills, sandbox, dan sub-agent. Selain itu, DeerFlow juga menyediakan lapisan aplikasi (application layer) yang mengubah kemampuan tersebut menjadi produk yang siap digunakan.

Dokumentasi ini dibagi menjadi dua bagian utama:

• DeerFlow Harness: SDK inti dan lapisan runtime untuk membangun sistem AI Agent Anda sendiri.
• DeerFlow App: Aplikasi referensi yang dibangun di atas Harness untuk kebutuhan deployment, operasional, dan alur kerja pengguna.

Jika Anda ingin memahami cara kerja DeerFlow, mulailah dari bagian Introduction. Jika Anda ingin membangun sistem menggunakan runtime inti, lanjutkan ke dokumentasi Harness. Jika Anda ingin menjalankan DeerFlow sebagai sebuah aplikasi siap pakai, lihat dokumentasi App.

---

Mulai dari Sini

Jika Anda baru mengenal DeerFlow

Mulailah dengan memahami konsep dasarnya terlebih dahulu.

• Introduction (Pendahuluan)
• Why DeerFlow (Mengapa DeerFlow)
• Harness vs App

---

Jika Anda ingin membangun dengan DeerFlow

Mulailah dari bagian Harness.

Bagian ini ditujukan untuk tim yang ingin mengintegrasikan kemampuan DeerFlow ke dalam sistem mereka sendiri atau membangun produk AI Agent khusus menggunakan runtime DeerFlow.

• DeerFlow Harness
• Quick Start
• Configuration
• Customization

---

Jika Anda ingin menjalankan dan menggunakan DeerFlow

Mulailah dari bagian App.

Bagian ini ditujukan untuk tim yang ingin menjalankan DeerFlow sebagai aplikasi lengkap dan memahami cara mengonfigurasi, mengoperasikan, serta menggunakannya dalam praktik.

• DeerFlow App
• Quick Start
• Deployment Guide
• Workspace Usage

---

Struktur Dokumentasi

Introduction (Pendahuluan)

Bagian ini membantu Anda memahami konsep DeerFlow sebelum mempelajari implementasinya.

Di dalamnya terdapat pembahasan mengenai:

• What is DeerFlow → Menjelaskan apa itu DeerFlow dan masalah apa yang ingin diselesaikannya.
• Why DeerFlow → Menjelaskan alasan dan tujuan proyek DeerFlow dibuat.
• Core Concepts → Memperkenalkan konsep-konsep utama yang digunakan di seluruh dokumentasi.
• Harness vs App → Menjelaskan hubungan antara lapisan runtime dan lapisan aplikasi.

---

DeerFlow Harness

Bagian ini merupakan inti dari dokumentasi teknis.

Ditujukan bagi developer yang ingin membangun sistem berbasis DeerFlow sendiri.

Materi yang dibahas meliputi:

• Quick Start → Membuat Harness pertama menggunakan API inti DeerFlow.
• Design Principles → Menjelaskan prinsip arsitektur DeerFlow.
• Configuration → Cara mengonfigurasi SDK dan runtime.
• Memory, Tools, Skills, dan Sandbox → Penjelasan mengenai kemampuan utama sistem.
• Customization → Cara menyesuaikan DeerFlow dengan kebutuhan produk Anda.
• Integration Guide → Cara mengintegrasikan Harness ke dalam sistem yang lebih besar.

---

DeerFlow App

Bagian ini ditujukan bagi tim yang ingin menjalankan DeerFlow sebagai aplikasi siap pakai.

Materi yang dibahas meliputi:

• Quick Start → Menjalankan aplikasi secara lokal.
• Deployment Guide → Cara melakukan deployment DeerFlow di lingkungan Anda sendiri.
• Configuration → Konfigurasi pada tingkat aplikasi.
• Workspace Usage → Cara menggunakan workspace.
• Agents and Threads → Cara pengguna berinteraksi dengan DeerFlow dalam penggunaan sehari-hari.
• Operations and Troubleshooting → Panduan operasional, pemeliharaan, dan pemecahan masalah pada lingkungan produksi.

---

Tutorials

Bagian ini berisi pembelajaran berbasis praktik langsung (hands-on).

• Tutorials

---

Referensi

Bagian ini berisi referensi teknis secara lengkap, meliputi:

• Konfigurasi
• Mode Runtime
• API
• Pemetaan terhadap source code

---

Pilih Jalur yang Sesuai

• Jika Anda sedang mengevaluasi proyek DeerFlow, mulailah dari Introduction.
• Jika Anda ingin membangun sistem AI Agent sendiri, mulailah dari DeerFlow Harness.
• Jika Anda ingin menjalankan DeerFlow untuk pengguna, mulailah dari DeerFlow App.
• Jika Anda lebih suka belajar sambil praktik, langsung buka bagian Tutorials.

---

Ringkasnya

DeerFlow terdiri dari dua komponen utama:

• Harness → Mesin inti (framework/SDK) untuk membangun AI Agent.
• App → Aplikasi siap pakai yang dibangun menggunakan Harness, sehingga dapat langsung digunakan tanpa harus membangun semuanya dari awal.

Sederhananya, Harness adalah “mesinnya”, sedangkan App adalah “mobilnya”. Jika ingin membuat produk AI Agent sendiri, gunakan Harness. Jika hanya ingin memakai DeerFlow sebagai aplikasi, gunakan App.