Hướng dẫn toàn diện về DeerFlow của ByteDance: Siêu agent mã nguồn mở có khả năng nghiên cứu, lập trình và sáng tạo

Dưới đây là một tình huống mà bất kỳ người làm công việc tri thức nào cũng quá đỗi quen thuộc. Bạn dành 3 ngày miệt mài nghiên cứu - đọc tài liệu, thu thập dữ liệu, tổng hợp thông tin tình báo cạnh tranh - rồi lại mất thêm 2 ngày nữa để chuyển hóa tất cả công sức đó thành một bài thuyết trình; thứ mà người xem chỉ lướt qua trong 7 phút trước khi yêu cầu một bản tóm tắt. Phần nghiên cứu mới là giai đoạn khó khăn nhất, còn khâu trình bày lại trở thành điểm nghẽn.

Khoảng cách giữa việc nắm bắt thông tin và tạo ra sản phẩm chuyên nghiệp chính là vấn đề mà hệ thống các AI agent hiện đại đang hướng tới để giải quyết. Và nếu muốn biết hệ thống này đang phát triển theo hướng nào, hãy nhìn vào DeerFlow - Super agent harness mã nguồn mở của ByteDance; công cụ đã vươn lên vị trí số một trên bảng xếp hạng GitHub Trending vào tháng 2 năm 2026 với hơn 47.000 lượt sao.

Trước khi đi sâu vào tìm hiểu DeerFlow là gì và cách sử dụng nó, có một lưu ý nhỏ: Khi DeerFlow agent hoàn tất nghiên cứu và gửi cho bạn báo cáo định dạng Markdown hoặc PDF, bạn vẫn cần chuyển đổi nó thành một bài thuyết trình chuyên nghiệp để trình bày trước ban lãnh đạo.

DeerFlow là gì?

DeerFlow là viết tắt của "Deep Exploration and Efficient Research Flow" (Quy trình Nghiên cứu Hiệu quả và Khám phá Chuyên sâu). Ban đầu, nó được phát triển như một khung nghiên cứu chuyên sâu - một quy trình tự động hóa để thu thập, tổng hợp và báo cáo thông tin. Tuy nhiên, cộng đồng người dùng đã phát triển nó vượt xa kỳ vọng của những người tạo ra nó, sử dụng DeerFlow để xây dựng các luồng dữ liệu, tạo bộ slide thuyết trình, thiết lập dashboard và tự động hóa quy trình xử lý nội dung.

Đội ngũ ByteDance đã phản hồi bằng cách xây dựng lại hệ thống này từ đầu. DeerFlow 2.0, ra mắt vào đầu năm 2026, không còn chỉ là một công cụ nghiên cứu đơn thuần. Nó là một nền tảng "siêu agent" - một môi trường thực thi cung cấp cho các AI agent toàn bộ cơ sở hạ tầng cần thiết để thực sự hoàn thành công việc, chứ không chỉ dừng lại ở mức thảo luận về nó.

Được xây dựng dựa trên LangChain và LangGraph, DeerFlow tích hợp sẵn mọi thứ mà một agent cần: Hệ thống file biệt lập (sandboxed filesystem), bộ nhớ bền vững, hệ thống skill, khả năng điều phối các sub-agent và khả năng tích hợp trực tiếp với các nền tảng nhắn tin như Telegram, Slack và Feishu.

Điểm khác biệt cốt lõi so với các agent framework khác chính là: DeerFlow không chỉ cho bạn biết nó sẽ làm gì. Nó thực sự thực hiện công việc đó trong một môi trường thực thi biệt lập, với các kết quả có thể kiểm chứng và truy xuất lại được.

Các tính năng cốt lõi tạo nên sự khác biệt của DeerFlow

Hệ thống skill

Skill là trọng tâm của DeerFlow. Mỗi skill là một mô-đun năng lực có cấu trúc - về cơ bản là một file Markdown hướng dẫn agent cách thực hiện một loại tác vụ cụ thể. DeerFlow được trang bị sẵn các skill tích hợp bao gồm: Nghiên cứu chuyên sâu, tạo báo cáo, thiết kế slide, phát triển trang web, cũng như tạo hình ảnh và video.

Kiến trúc hệ thống được thiết kế tối giản một cách có chủ đích. Các skill được load theo cơ chế linh hoạt (chỉ khi tác vụ hiện tại yêu cầu); điều này giúp duy trì cửa sổ ngữ cảnh ở mức gọn nhẹ và đảm bảo DeerFlow tương thích tốt với các mô hình nhạy cảm về giới hạn token. Nhờ đó, agent vẫn duy trì được sự chính xác và hiệu quả ngay cả với những tác vụ phức tạp, gồm nhiều bước và kéo dài hàng giờ đồng hồ.

Bạn có thể tự thêm các skill tùy chỉnh, thay thế những skill có sẵn hoặc kết hợp nhiều skill để tạo thành các quy trình làm việc phức hợp. Danh mục skill được lưu trữ tại đường dẫn `/mnt/skills/public` bên trong container sandbox, giúp việc kiểm tra, rà soát và mở rộng hệ thống trở nên vô cùng thuận tiện.

Điều phối Sub-Agent

Các tác vụ phức tạp hiếm khi được giải quyết trọn vẹn chỉ trong một lần suy luận duy nhất. DeerFlow giải quyết vấn đề này thông qua kiến ​​trúc sub-agent. Agent chính (lead agent) có thể khởi tạo các sub-agent chuyên biệt ngay khi cần, mỗi sub-agent đảm nhận một phần cụ thể của công việc. Các sub-agent hoạt động song song khi có thể và gửi kết quả có cấu trúc về cho agent chính; sau đó, agent chính sẽ tổng hợp tất cả thành một sản phẩm hoàn chỉnh và nhất quán.

Trên thực tế, điều này có nghĩa là một yêu cầu nghiên cứu đơn lẻ có thể được triển khai thành hàng chục sub-agent cùng lúc khám phá các khía cạnh khác nhau - xu hướng thị trường, phân tích đối thủ cạnh tranh, thông số kỹ thuật, bối cảnh pháp lý - rồi hội tụ lại thành một bản báo cáo thống nhất, một trang web hoặc một bộ slide thuyết trình có hình ảnh minh họa đầy đủ. Một hệ thống điều phối, nhiều agent cùng làm việc song song.

Môi trường thực thi sandbox

Đây là điểm giúp DeerFlow thực sự khác biệt so với các công cụ chỉ đơn thuần tuyên bố có khả năng sử dụng công cụ hỗ trợ. Mọi tác vụ đều được thực thi bên trong một Docker container biệt lập với hệ thống file hoàn chỉnh. Agent có thể đọc/ghi file, thực thi lệnh bash, chạy script Python và xem hình ảnh - tất cả đều diễn ra trong môi trường sandbox, có thể kiểm tra lại lịch sử và đảm bảo không có sự ảnh hưởng chéo giữa các phiên làm việc.

Không gian làm việc được tổ chức khoa học:

• /mnt/user-data/uploads/ - các file bạn cung cấp cho agent
• /mnt/user-data/workspace/ - thư mục làm việc của agent
• /mnt/user-data/outputs/ - các sản phẩm đầu ra cuối cùng

Đây là sự khác biệt giữa một chatbot chỉ mô tả những gì nó sẽ xây dựng và một agent thực sự tạo ra sản phẩm đó.

Bộ nhớ dài hạn 

Hầu hết các công cụ AI được thiết kế với cơ chế "hay quên" - ngay khi phiên làm việc kết thúc, mọi ngữ cảnh đều bị mất. DeerFlow duy trì bộ nhớ bền vững xuyên suốt các phiên làm việc. Nó xây dựng hồ sơ tích lũy về sở thích, tech stack, phong cách viết và các quy trình làm việc thường xuyên của bạn. Càng sử dụng nhiều, hệ thống càng hiểu rõ cách bạn làm việc. Dữ liệu bộ nhớ được lưu trữ cục bộ và nằm trong tầm kiểm soát của bạn.

Tích hợp nhắn tin đa nền tảng

DeerFlow kết nối trực tiếp với Telegram, Slack và Feishu thông qua hệ thống cấu hình kênh. Sau khi thiết lập, bạn có thể gửi tác vụ, kiểm tra trạng thái, quản lý luồng thảo luận và nhận kết quả ngay trong các công cụ giao tiếp hiện có của mình - không cần địa chỉ IP công khai cho bất kỳ kênh nào.

Cách bắt đầu với DeerFlow

Việc triển khai và vận hành DeerFlow rất đơn giản. Dưới đây là lộ trình thực tế để đi từ bước khởi đầu đến khi hệ thống đi vào hoạt động.

Bước 1: Clone repository và tạo cấu hình

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config

Lệnh make config sẽ tạo các file cấu hình cục bộ từ những template có sẵn. Đây là nơi bạn thiết lập các tùy chọn cho mô hình của mình.

Bước 2: Cấu hình mô hình

DeerFlow không phụ thuộc vào một mô hình cụ thể nào. Nó hoạt động với bất kỳ mô hình ngôn ngữ lớn (LLM) nào hỗ trợ API tương thích với OpenAI. Đội ngũ ByteDance khuyến nghị sử dụng Doubao-Seed-2.0-Code, DeepSeek v3.2 và Kimi 2.5 để đạt hiệu suất tốt nhất. Bạn cũng có thể cấu hình GPT-5, Claude Sonnet 4.6, Gemini 2.5 Flash thông qua OpenRouter, hoặc bất kỳ mô hình cục bộ nào thông qua Ollama.

Thêm các API key của bạn vào file `.env` tại thư mục gốc của dự án:

TAVILY_API_KEY=tavily-api-key-của-bạn
OPENAI_API_KEY=openai-api-key-của-bạn

Bước 3: Khởi chạy ứng dụng

Sử dụng Docker là phương pháp được khuyến nghị cho hầu hết người dùng:

make docker-init # Tải xuống image sandbox (chỉ thực hiện một lần)
make docker-start # Khởi động tất cả các service

Truy cập giao diện tại địa chỉ http://localhost:2026. Đối với quy trình phát triển cục bộ không dùng Docker, lệnh make dev sẽ thực hiện toàn bộ quy trình khởi động sau khi chạy make install.

Các trường hợp sử dụng thực tế của DeerFlow

Nghiên cứu chuyên sâu và tạo báo cáo

Đây là lĩnh vực khởi đầu và cũng là thế mạnh của DeerFlow. Chỉ cần cung cấp một bản tóm tắt yêu cầu nghiên cứu - chẳng hạn như phân tích thị trường, đánh giá bối cảnh cạnh tranh hay nghiên cứu kỹ thuật chuyên sâu - hệ thống các sub-agent sẽ tự động khai thác nhiều nguồn dữ liệu, tổng hợp thông tin và tạo ra một bản báo cáo có cấu trúc kèm theo các trích dẫn nguồn. Những công việc vốn tốn của một chuyên viên phân tích tới hai ngày nay có thể hoàn tất trong chưa đầy một giờ.

Viết code và gỡ lỗi

Nhờ môi trường thực thi biệt lập (sandbox), DeerFlow có khả năng tự động viết code, chạy thử, quan sát kết quả đầu ra và tinh chỉnh code tất cả đều diễn ra hoàn toàn tự động. Đối với các nhà phát triển đang quản lý những quy trình xử lý phức tạp hoặc xây dựng các hệ thống tự động hóa tùy chỉnh, skill "Coding Agent" cung cấp một sub-agent chuyên biệt, tập trung hoàn toàn vào việc thực thi các tác vụ kỹ thuật.

Tự động hóa quy trình nội dung

Các blogger, chuyên gia SEO và đội ngũ làm nội dung sử dụng DeerFlow để tự động hóa toàn bộ quy trình sản xuất nội dung: Từ nghiên cứu chủ đề, soạn thảo bài viết, định dạng để xuất bản cho đến việc đăng tải lên WordPress - tất cả chỉ bắt đầu từ một câu lệnh duy nhất bằng ngôn ngữ tự nhiên.

Tích hợp với Claude Code

Skill "claude-to-deerflow" cho phép người dùng Claude Code tương tác trực tiếp với một phiên DeerFlow đang chạy ngay từ giao diện dòng lệnh (terminal). Bạn có thể gửi yêu cầu nghiên cứu, kiểm tra trạng thái, quản lý các luồng công việc và upload file lên để phân tích mà không cần rời khỏi môi trường phát triển của mình:

npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow