DeerFlow 2.0 ile Kanıtlı Araştırma Akışı: Kurulum, Skill ve Sandbox Testi

Kısa sonuç: ByteDance’in MIT lisanslı DeerFlow 2.0 projesi; uzun araştırmaları tek bir sohbet yanıtı yerine plan, alt görev, kaynak, dosya ve izlenebilir araç çağrıları halinde yürüten bir “ajan çalışma ortamı”. v2.0.0 etiketini temiz bir geçici dizinde kurdum; sistem kontrolü ve bağımlılık kurulumu tamamlandı, skill izinleri, araç arama ve sandbox güvenliği için 124 test geçti. Ancak model anahtarı kullanmadım ve Docker servisi bu makinede çalışmadığı için gerçek model çağrısı ile tam web arayüzünü uçtan uca çalıştırmadım. Bu yazı, neyin gerçekten test edildiğini ve üretimde nerede insan denetimi gerektiğini birbirinden ayırıyor.

DeerFlow ne işe yarar, kimler için?

DeerFlow 2.0, LangGraph ve LangChain üzerinde çalışan bir ajan “harness”ıdır: ana ajan işi planlar, gerektiğinde ayrı bağlamlı alt ajanlar açar, skill adı verilen görev paketlerini yükler, web ve dosya araçlarını kullanır, sonuçları çalışma dizinine bırakır. Bir sohbet uygulamasından daha fazlası, fakat kendi başına bir model değildir. OpenAI uyumlu API, vLLM, DeepSeek, Qwen, Gemini ve benzeri model bağlantılarından en az biri gerekir.

Araç; kaynaklı araştırma paketi, veri analizi, sunum, rapor veya küçük web çıktısı hazırlayan teknik ekipler için anlamlı. Tek seferlik kısa sorular için gereksiz derecede ağırdır. Kurulum, model seçimi, arama sağlayıcısı, sandbox, günlükleme ve sır yönetimi sorumluluğunu taşımak istemeyen kullanıcılar daha yalın bir arayüzle başlamalıdır.

Kurulum ve bakım durumu

İncelenen sabit sürüm v2.0.0, 25 Haziran 2026 tarihli 7e7f0410 commitine bağlı. Etiket hafif ve kriptografik olarak imzalı değil. Ana dal 11 Ağustos’ta aktif commit alıyordu; son değişiklikler alt ajan gözlemlenebilirliği, mesaj kanalları ve bağımlılık güncellemelerini içeriyordu. Bu canlı bakım olumlu, fakat sabit sürüm ile güncel ana dal arasında önemli farklar olabileceği anlamına da geliyor.

Test makinesinde Python 3.12.13, Node.js 24.18, pnpm 11.3, uv 0.10.6 ve nginx 1.29.5 bulundu. make check bütün önkoşulları geçti; make install arka uç ve ön yüz bağımlılıklarını kurdu. Geçici kopya toplam yaklaşık 2,0 GB tuttu. Ardından üç test dosyası çalıştırıldı: skill izinleri, araç arama ve sandbox araç güvenliği. Sonuç 124 başarılı test ve LangGraph serileştirme ayarıyla ilgili bir gelecek-sürüm uyarısıydı.

git clone --branch v2.0.0 --depth 1 https://github.com/bytedance/deer-flow.git
cd deer-flow
make check
make install
make config
make doctor

make doctor, model tanımlanmadığı için beklendiği gibi başarısız oldu; buna karşılık DuckDuckGo arama, web getirme ve yerel sandbox yapılandırmasını gördü. Host üzerinde Bash varsayılan olarak kapalıydı. Docker istemcisi kurulu olsa da servis çalışmadığı için önerilen konteyner sandbox kurulamadı. Bu nedenle yazıdaki araştırma senaryosu uygulanabilir bir akıştır, bu koşumda üretilmiş model çıktısı değildir.

Adım adım gerçek kullanım: erişilebilirlik kanıt paketi

Örnek hedef, üç form bileşeni kütüphanesinin erişilebilirlik iddialarını satın alma kararı için doğrulamak olsun. Çıktı yalnız “hangisi iyi?” yanıtı değil; resmî belge bağlantıları, sürüm tarihleri, lisanslar, açık sorunlar ve doğrulanamayan noktaları içeren bir karar paketi olmalı.

1. Model ve sandbox seçin. make setup sihirbazında modeli, isteğe bağlı aramayı ve çalışma izinlerini belirleyin. API anahtarlarını config.yaml içine düz metin yazmak yerine .env değişkenleriyle bağlayın. İlk denemede dosya yazmayı yalnız görev diziniyle sınırlayın; host Bash’i açmayın.
2. Arayüzde yeni bir iş parçacığı açın. Sol kenar çubuğundaki New Thread denetimini kullanın. Model seçiciden maliyet ve araç kullanımı uygun modeli seçin. Üçten fazla bağımlı adım olduğu için Plan Mode seçeneğini açın.
3. Girdi dosyasını ekleyin. İstem çubuğundaki ek düğmesiyle aday adı, depo ve zorunlu ölçütleri içeren CSV’yi yükleyin. Dosyalar iş parçacığının /mnt/user-data/uploads/ alanına gider; kişisel veri yüklemeyin.
4. Skill’i açıkça çağırın. Skill seçicisinden deep-research seçilebilir veya istem /deep-research ile başlatılabilir. Bu, yalnız o turda ilgili yönergelerin yüklenmesini sağlar.
5. Kanıt sözleşmesini yazın. Her maddi iddia için birincil URL, yayın/sürüm tarihi ve erişim tarihi isteyin. README ile yetinmemesini; LICENSE, release, son commit ve temsilî açık issue’ları ayrı kontrol etmesini söyleyin. 403, 404 ve ödeme duvarını “doğrulanamadı” olarak kaydetsin.
6. Geri alınamaz işlemi ayırın. Ajanın depo açmasına, e-posta göndermesine veya satın alma yapmasına izin vermeyin. Son rapor ve CSV, /mnt/user-data/outputs/ altında taslak olarak kalsın; karar insan tarafından verilsin.

/deep-research uploads/adaylar.csv dosyasındaki üç kütüphaneyi incele.
Her iddiayı resmî belge, sabit LICENSE veya release ile doğrula.
WCAG iddiasını “kanıtlandı / kısmen / doğrulanamadı” olarak sınıflandır.
Çıktılar: outputs/karar-tablosu.csv ve outputs/kaynakli-rapor.md.
Hiçbir hesaba yazma, issue açma veya dosya yayımlama.

Mimari, izinler ve hata kurtarma

Ana ajan, alt ajanlara sınırlı bağlam ve araçlar vererek araştırma kollarını paralelleştirebilir. Skill’ler ihtiyaç anında yüklenir; MCP sunucuları ve Python araçları ayrıca bağlanabilir. Bu esneklik, izin yüzeyini de büyütür. Özel ajanlarda yalnız gereken skill ve araç gruplarını beyaz listeye alın. Arama ajanına dosya yazma, rapor ajanına Bash, özet ajanına mesaj kanalı vermek zorunlu değildir.

Konteyner sağlayıcısı kullanıldığında komutlar yalıtılmış çalışma ortamında yürür. Yerel sağlayıcı dosyaları iş parçacığına ayırsa da güvenli bir izolasyon sınırı değildir; proje de host Bash’i bu nedenle varsayılan kapalı tutuyor. Uzun görevlerde yineleme sınırı, zaman aşımı ve alt ajan sayısı belirlenmeli. DeerFlow, yarım kalan araç çağrılarını sonraki model turundan önce yamamak ve döngüleri uyarmak için kurtarma katmanları içeriyor; buna rağmen 10 Ağustos tarihli açık kayıtlarda eşzamanlı alt ajanların aynı araç çağrısı kimliğine çarpışması ve başka bir uzun konuşma sürerken yeni konuşmanın 500 hatası vermesi raporlanmıştı.

Arayüz ve erişilebilirlik notları

Resmî kullanım belgesi ekranı üç ana bölge olarak tarif ediyor: solda konuşma listesi, yeni iş parçacığı ve Settings/Agents bağlantıları; ortada mesaj geçmişi ile plan ve araç ayrıntıları; altta model, Thinking, Skills, Plan Mode, dosya ekleme ve gönderme denetimlerini taşıyan istem çubuğu. Yanıtta kaynaklar, araç çağrıları, düşünme bölümü ve üretilen dosyalar açılır bölümler halinde görülebiliyor. Stop uzun koşumu durduruyor; geçmiş iş parçacığı daha sonra sürdürülebiliyor.

Ön yüz kaynak kodunda mesaj alanı role="log" kullanıyor; yükleme ve gönderme düğmelerinde erişilebilir adlar, ek silme denetiminde ekran okuyucu metni bulunuyor. Küresel kısayollar, odak metin alanındayken bastırılıyor. Bunlar olumlu işaretlerdir; ancak tam arayüzü çalışan tarayıcı ve ekran okuyucuyla sınamadım. Plan, düşünme ve çok sayıda açılır araç ayrıntısı uzun oturumlarda ciddi gezinme yükü yaratabilir. Görevleri kısa adlandırın, yalnız renkli durum göstergesine güvenmeyin ve canlı akışın odağı beklenmedik biçimde taşımadığını kendi yardımcı teknolojinizle kontrol edin.

Alternatiflerle karşılaştırma

• LangGraph: Durum makinesi ve kurtarma davranışını kodla denetlemek isteyen geliştiriciye daha ince kontrol verir. DeerFlow; web arayüzü, skill, dosya alanı, bellek ve alt ajanları hazır getirir, dolayısıyla daha ağırdır.
• OpenHands: Yazılım geliştirme ve depo üzerinde çalışma senaryosuna daha odaklıdır. DeerFlow araştırma, rapor, medya ve mesaj kanallarını aynı çalışma ortamında birleştirir.
• Dify/Flowise: Görsel akış ve AI uygulaması yayımlama deneyimi daha belirgindir. DeerFlow’un yaklaşımı sohbet içinden uzun görev, dosya üretimi ve dinamik alt ajan düzenidir.

Güvenlik, gizlilik, maliyet ve lisans

DeerFlow’un kendisi MIT lisanslıdır; değişiklik ve ticari kullanım genellikle mümkündür, telif ve lisans bildirimi korunmalıdır. Buna rağmen bağlı model, arama hizmeti, MCP sunucusu, hazır skill içindeki varlıklar ve oluşturulan içerik ayrı koşullara sahip olabilir. Depoda bazı skill klasörlerinde ayrıca lisans dosyaları bulunması bu ayrımı önemli kılıyor.

Kendi sunucunda çalışma, verinin otomatik olarak cihazdan hiç çıkmadığı anlamına gelmez. İstemler seçilen model sağlayıcısına; arama sorguları arama hizmetine; izler LangSmith veya Langfuse etkinse o sisteme gider. ByteDance/BytePlus’ın Çin ve uluslararası uçları farklı olabilir. Bölgesel erişim, veri konumu ve saklama süresi her sağlayıcı için ayrıca doğrulanmalı. Bellek yerel dosyada tutulabilse de sonraki istemlere enjekte edilir; hassas tercihleri kaydetmeyin veya belleği kapatın.

Yazılım lisans ücreti yoktur. Maliyet; model belirteçleri, arama API’si, gözlemlenebilirlik, depolama ve sandbox altyapısından gelir. Resmî başlangıç önerisi yerel değerlendirme için en az 4 vCPU, 8 GB RAM ve 20 GB boş disk; paylaşımlı uzun görev sunucusu için 8 vCPU, 16 GB RAM ve 40 GB disktir. Alt ajanlar paralel çalıştığında belirteç ve araç maliyeti hızla katlanabilir; bütçe ve eşzamanlılık sınırı koyun.

Sınırlamalar ve sorun giderme

• Doctor “no models found” diyor: make setup çalıştırın veya models: altına sağlayıcı ekleyip yalnız değişken adını yapılandırın.
• Docker çalışmıyor: İstemcinin varlığı yeterli değildir; daemon erişimini doğrulayın. Yerel sandbox ile devam ederseniz host Bash’i kapalı tutun.
• Görev bitmiyor: Alt ajan sayısını, yineleme sınırını ve süreyi azaltın; modelin güvenilir araç çağırabildiğini küçük görevle sınayın.
• Kaynak görünmüyor: Arama sinyali ile kanıtı ayırın; rapora doğrudan resmî sayfa, tarih ve başarısız erişim kaydı ekletin.
• Sürüm seçimi belirsiz: v2.0.0 kurulabilir bir sabit nokta, fakat SECURITY.md hâlâ “resmî sürüm yok” diyor ve güncel güvenlik için ana dalı öneriyor. Üretimde commit sabitleyip değişiklikleri kendi testinizden geçirin.

Kaynaklar

• ByteDance DeerFlow ana deposu — bakım ve issue durumu, 11 Ağustos 2026
• DeerFlow 2.0.0 sürüm kaydı — 25 Haziran 2026
• v2.0.0 commitindeki MIT lisansı
• v2.0.0 güvenlik politikası
• DeerFlow resmî ürün ve mimari sayfası
• ByteDance Seed resmî sayfası
• Eşzamanlı alt ajan araç kimliği çakışması
• Uzun görev sırasında ikinci konuşmanın 500 hatası
• Sandbox kabul ve kullanıcı kotası tasarımı

Test kapsamı: v2.0.0 deposu geçici dizinde klonlandı; önkoşul, arka uç/ön yüz kurulumu, yapılandırma üretimi, doctor denetimi ve 124 yerel test gerçekten çalıştırıldı. Model API’si, Docker sandbox, gerçek web araştırması, mesaj kanalları ve tam tarayıcı arayüzü çalıştırılmadı. Depo incelemesinde README, sabit committe LICENSE ve SECURITY, sürüm kaydı, son commitler, açık issue eğilimleri ve güncel GitHub güvenlik duyuruları kontrol edildi; depoda yayımlanmış GitHub Security Advisory bulunmadı, bu durum güvenlik açığı olmadığı anlamına gelmez.