Загрузка...

DeerFlow через RouterAI: super agent harness ByteDance на Claude, GPT и DeepSeek

DeerFlow 2.2.0 — open-source super agent harness от ByteDance: он оркестрирует субагентов, память, песочницы и навыки, превращая одиночный запрос в многоэтапный исследовательский или кодовый пайплайн. В феврале 2026 года вышла версия 2.0 — полная переработка с нуля; в октябре 2026 года выпущена версия 2.2.0 с поддержкой web-интерфейса для управления моделями и расширенными настройками субагентов. Исходный фреймворк Deep Research живёт на ветке 1.x и не разделяет кода с новой версией.

Подключение к RouterAI даёт DeerFlow доступ к Claude, GPT, DeepSeek, GLM, Qwen и Kimi через единый OpenAI-совместимый API — без VPN, с оплатой в рублях и каталогом моделей, который можно выбрать прямо в конфиге.

Требования

Поддерживаются macOS, Linux и Windows (WSL). Docker рекомендуется, но не обязателен.

Установка

Склонируйте репозиторий и запустите мастер настройки:

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

Мастер задаст несколько вопросов: LLM-провайдер, поисковый инструмент и настройки sandbox. Он создаст config.yaml и запишет ключи в .env. Если вы хотите настроить конфиг вручную, запустите make config — он скопирует полный шаблон config.example.yaml.

После настройки запустите приложение:

# Docker (рекомендуется)
make docker-init   # однократная загрузка образа sandbox
make docker-start  # старт сервисов

# Локально
make install
make dev

Интерфейс откроется по адресу http://localhost:2026. При первом открытии DeerFlow попросит создать учётную запись администратора (email и пароль), после входа появится стартовая страница чата с полем ввода задачи и выбором модели:

Стартовая страница DeerFlow на localhost:2026: поле ввода задачи и выбор модели

Подключение к RouterAI

DeerFlow описывает каждую LLM в блоке models: файла config.yaml. Для OpenAI-совместимого API RouterAI используется класс langchain_openai:ChatOpenAI.

Шаг 1: добавьте ключ в .env

Откройте .env в корне проекта и пропишите переменную:

ROUTERAI_API_KEY=sk-xxxxxxxxxxxxxxxx

Ключ не следует хранить прямо в config.yaml, если файл попадёт в git.

Шаг 2: добавьте записи моделей в config.yaml

Откройте config.yaml и добавьте записи в блок models:. Для langchain_openai:ChatOpenAI поле называется base_url (не api_base; DeerFlow принимает оба варианта, но логирует предупреждение при api_base):

models:
  - name: routerai-sonnet
    display_name: Claude Sonnet 5.5 via RouterAI
    use: langchain_openai:ChatOpenAI
    model: anthropic/claude-sonnet-5.5
    api_key: $ROUTERAI_API_KEY
    base_url: https://routerai.ru/api/v1
    context_window: 1000000
    max_tokens: 32000
    supports_thinking: false
    supports_vision: true

  - name: routerai-opus
    display_name: Claude Opus 5.5 via RouterAI
    use: langchain_openai:ChatOpenAI
    model: anthropic/claude-opus-5.5
    api_key: $ROUTERAI_API_KEY
    base_url: https://routerai.ru/api/v1
    context_window: 1000000
    max_tokens: 32000
    supports_thinking: false
    supports_vision: true

  - name: routerai-deepseek-flash
    display_name: DeepSeek V4.1 Flash via RouterAI
    use: langchain_openai:ChatOpenAI
    model: deepseek/deepseek-v4.1-flash
    api_key: $ROUTERAI_API_KEY
    base_url: https://routerai.ru/api/v1
    context_window: 1048576
    max_tokens: 32000
    supports_thinking: false
    supports_vision: false

Так выглядит начало блока models в config.yaml:

Фрагмент config.yaml: блок models с записями routerai-sonnet и routerai-deepseek-flash, поля base_url и api_key

Шаг 3: выберите модель и модель для сжатия истории

После перезапуска все записи из блока models появятся в селекторе моделей чата — выберите нужную там. Длинную историю DeerFlow сжимает автоматически; по умолчанию это делает та же модель, что ведёт задачу. Чтобы не тратить на сжатие дорогую модель, назначьте для него быструю в разделе summarization:

summarization:
  enabled: true
  model_name: routerai-deepseek-flash

Альтернатива: мастер make setup

Если вы ещё не запускали мастер, make setup позволит выбрать провайдер и ввести ключ в интерактивном режиме — он сам запишет нужные строки в config.yaml и .env.

Модели можно добавить и через веб-интерфейс, в настройках моделей: для RouterAI выберите вариант Custom OpenAI-compatible, укажите Base URL https://routerai.ru/api/v1, ключ и model ID. Перезапуск не нужен, а записи из config.yaml в интерфейсе остаются только для чтения. Это удобно для быстрой проверки, но для командного использования предпочтительнее config.yaml под контролем версий.

Флаги reasoning и vision

Три опциональных флага на каждую модель управляют тем, как DeerFlow взаимодействует с провайдером:

Флаг Значение Когда ставить
supports_thinking: true модель принимает параметр для включения/выключения thinking провайдер явно поддерживает этот параметр
supports_vision: true модель принимает изображения в сообщениях модель мультимодальная
supports_reasoning_effort: true модель принимает reasoning_effort (low/medium/high) модели серии o* и совместимые

Для начала оставьте supports_thinking: false: так DeerFlow не отправляет переключатель рассуждений, и запрос гарантированно уходит в стандартном формате OpenAI. Флаг с блоком when_thinking_enabled имеет смысл включать, только если вы знаете, какой параметр рассуждений принимает выбранная модель, и проверили его коротким запросом.

Пример конфига для модели с reasoning effort (например, GPT-6.2 Astra):

  - name: routerai-gpt62-astra
    display_name: GPT-6.2 Astra via RouterAI
    use: langchain_openai:ChatOpenAI
    model: openai/gpt-6.2-astra
    api_key: $ROUTERAI_API_KEY
    base_url: https://routerai.ru/api/v1
    context_window: 1050000
    max_tokens: 32000
    supports_thinking: false
    supports_reasoning_effort: true

Выбор модели

Идентификаторы проверены по каталогу RouterAI; актуальный список и цены смотрите там.

Модель id в каталоге Для чего
Claude Sonnet 5.5 anthropic/claude-sonnet-5.5 Основная: длинные исследования, сложные задачи кода
Claude Opus 5.5 anthropic/claude-opus-5.5 Самые сложные аналитические пайплайны
GPT-6.2 Astra openai/gpt-6.2-astra Альтернатива Claude, поддержка reasoning effort
DeepSeek V4.1 Flash deepseek/deepseek-v4.1-flash Быстрые фоновые шаги, суммаризация
GLM-5.3 z-ai/glm-5.3 Длинный контекст (1M токенов), исследования
Qwen4-Max qwen/qwen4-max Мультимодальные задачи с большим контекстом
Kimi K3.1 Pro moonshotai/kimi-k3.1-pro Флагманская open-weight модель с 1M контекстом

DeerFlow хорошо работает с любой моделью с поддержкой tool calling. Без tool calling субагенты не смогут вызывать инструменты — агент вернёт пустой результат или завершится с ошибкой.

Проверка подключения

После старта (make dev или make docker-start) откройте http://localhost:2026 и дайте агенту короткую задачу, например:

Кратко (в 3 пунктах) объясни, чем super agent harness отличается от обычного чат-бота.

В интерфейсе будет виден прогресс и итоговый ответ; выбранная модель (Claude Sonnet 5.5 via RouterAI) отображается в поле ввода:

DeerFlow: агент отвечает на задачу на Claude Sonnet 5.5 via RouterAI

Расход токенов DeerFlow показывает в рабочем пространстве, если включён token_usage.enabled: true в config.yaml (по умолчанию true). Фактический расход всегда можно сверить в разделе Биллинг личного кабинета RouterAI.

Решение проблем

401 Unauthorized

Ключ не подхватился. Проверьте, что в .env есть строка ROUTERAI_API_KEY=... и что файл находится в корне репозитория (deer-flow/.env, не в backend/.env). После правки перезапустите сервис.

404 Not Found

Неверный base_url. Для RouterAI должен быть https://routerai.ru/api/v1 — с /v1 в конце. Без него запрос уходит на несуществующий путь.

Модель не найдена / Provider does not exist

Имя модели не совпадает с каталогом RouterAI. Скопируйте id точно из каталога — с префиксом провайдера, например anthropic/claude-sonnet-5.5, а не просто claude-sonnet-5.5.

Пустой ответ инструментов

Модель не поддерживает tool calling. DeerFlow требует function calling для работы субагентов; выберите из каталога модель с поддержкой инструментов.

После изменения config.yaml изменения не применяются

Нужен перезапуск: Ctrl+C и снова make dev, или make docker-start для Docker-режима. Мастер make setup можно запускать повторно — он предложит обновить конфиг.

Что дальше