Aula/estudo sobre o DeerFlow 2.0, framework open-source de agentes da…

INEMA

editei o codigo e permite editar o agente

pode sim, cria uma docker e roda

localhost:2026 }

Opção B — Cloudflare Tunnel⌗

Vantagens:

Não precisa abrir portas no servidor
Pode usar autenticação com Cloudflare Access

Fluxo`:

cloudflared t`unnel
apontando para http://localhost:2026

Atenção à autenticação⌗

O DeerFlow não possui login/autenticação própria no frontend web.

Se for expor para a internet, você precisa colocar autenticação antes da aplicação.

Opções recomendadas⌗

Cloudflare Access
OAuth2-proxy + nginx
Caddy com basic_**aut**h
VPN / Tailscale

Risco de não proteger⌗

Sem essa camada, qualquer pessoa com a URL poderá usar:

sua instância
sua conta
seus tokens de LLM

Configurações importante`s no config`.yaml⌗

Use config.example.yaml como referência.

As seções mais críticas em produção são:

mode**ls[] — providers e modelos disponíve**is
sandbox**.use — define o modo de isolamen**to
me**mory — ativa memória de longo prazo (enabled: true, storage_path**)
summariza**tion — ajuda a controlar custo em conversas long**as
subagents.ena**bled — ativa delegação para subagent**es
guardr**ails — autorização antes de chamadas de ferrament**as
channels — integrações com Telegram, Slack e Feishu

Observação importante⌗

Segredos e chaves devem ficar no .env
Nunca devem ser colocados no config.yaml comitado

Checklist antes do deploy real⌗

Antes de considerar o ambiente pronto, confirme:

Servidor Linux com pelo menos 16 GB de RAM
Docker funcionando corretamen`te
make setup executado com sucesso
config.yaml e.env prontos
make d`octor validado
Modo de execução definido: `
make up* ou make u`p-pro
Sandbox definido:
Local
Docker
ou Kubernetes
API keys válidas no .env
LangSmith ou Langfuse ativados
Reverse proxy com HTTPS na frente da porta 2026
Autenticação configurada antes do frontend
Backup do diretório backend/.deer-flow/
Firewall expondo apenas o necessário, normalmente 80e 443

Outros caminhos possíveis⌗

Além do fluxo principal, existem mais três opções:

1. Docker Development (`make docker-start`)⌗

Hot reload
Bom para desenvolvimento
Não recomendado para produção

2. Local Daemon (`make start-daemon` ou `make start-daemon-pro`)⌗

Roda direto no host, sem Docker
Útil se você não quiser usar Docker
Perde isolamento do sandbox

3. Embedded Python Client⌗

Usa o DeerFlow como biblioteca dentro de outro app Python
Bom para embutir em um serviço existente
Não é o caminho clássico de “colocar no ar”

Resumo prático⌗

Se a ideia é subir o DeerFlow de forma séria e simples:

Prepare um servidor Linux com Docker
Rode makesetup
Validecom make doctor
Subacom make up ou make up-pro
Coloque um proxy com HTTPS na frente
Proteja o acesso com autenticação
Ative observabilidade para conseguir debugar em produção

Como colocar o DeerFlow em produção⌗

Recomendação principal⌗

O caminho mais indicado para produção é Docker Production (make up).

Esse é o fluxo oficial. Ele faz o build das imagens localmente e monta o config.yaml e os dados em runtime.

Pré-requisitos⌗

Hardware mínimo: 8 vCPU, 16 GB RAM, 40 GB SSD
Recomendado: 16 vCPU, 32 GB RAM
Sistema operacional: Linux
Docker e Docker Compose funcionando
Seu usuário deve estar no grupo docker
Uma API key de LLM: OpenAI, OpenRouter, Anthropic, DeepSeek, Doubao, Kimi ou um vLLM local

Passo a passo⌗

1. Clonar o repositório no servidor⌗

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

2. Gerar `config.yaml` e `.env`⌗

Use o assistente para escolher provider, sandbox e demais opções:

make setup

3. Validar a instalação⌗

make doctor

4. Subir em produção⌗

make up

5. Acessar a aplicação⌗

http://IP_DO_SERVIDOR:2026

Comandos úteis⌗

Parar: make down
Atualizar: git pull && make up

Serviços que ficam rodando⌗

Depois do make up, estes componentes entram no ar:

Frontend (Next.js) — porta interna 3000
Gateway API (FastAPI) — porta interna 8001
LangGraph Server — porta interna 2024
Nginx — porta 2026 Essa é a única porta exposta
Provisioner — somente se o sandbox estiver configurado para Kubernetes

Decisões importantes antes do deploy⌗

1. Escolher o modo de execução⌗

Standard (`make up`)⌗

4 processos: frontend, gateway, langgraph e nginx
Exige licença da LangGraph Platform na imagem de produção
Consome mais recursos
Cold start mais lento
Mais estável

Gateway (`make up-pro`)⌗

3 processos: frontend, gateway e nginx
Não exige licença da LangGraph Platform
Consome menos recursos
Cold start mais rápido
Ainda é experimental

Recomendação⌗

Se você não tem licença da LangGraph Platform, use make up-pro.

Ambos executam os mesmos agents e skills.

2. Escolher o sandbox⌗

Define onde o código do agente será executado.

Local⌗

Roda no próprio container da aplicação
Mais simples
Não há isolamento real
Melhor apenas para ambiente interno e confiável

Docker⌗

Cada thread roda em um container isolado
É a opção recomendada
Pode ser inicializado com:
make docker-init
make setup-sandbox

Kubernetes + Provisioner⌗

Melhor para escala horizontal
Exige cluster Kubernetes disponível

Essa configuração fica em config.yaml, na seção sandbox.use.

3. Definir o modelo de LLM⌗

O assistente de configuração já ajuda nisso, mas existem dois caminhos principais:

Hosted⌗

Exemplos:

OpenAI
OpenRouter
Anthropic
DeepSeek
Doubao
Kimi

Vantagem: mais simples de configurar Desvantagem: custo por token

Local⌗

Exemplos:

vLLM
servidores compatíveis com Ollama

Vantagem: custo fixo Desvantagem: exige GPU separada

Para vLLM, usar:

deerflow.models.vllm_provider:VllmChatModel

4. Ativar web search⌗

É opcional, mas fortemente recomendado.

Opções:

Tavily
InfoQuest

Isso também é configurado no assistente.

5. Ativar observabilidade⌗

Muito recomendado para debugging e acompanhamento em produção.

Com LangSmith⌗

Adicionar no .env:

LANGSMITH_TRACING=true LANGSMITH_API_KEY=lsv2_pt_xxxxx LANGSMITH_PROJECT=deerflow-prod

Com Langfuse⌗

LANGFUSE_TRACING=true LANGFUSE_PUBLIC_KEY=pk-lf-xxxxx LANGFUSE_SECRET_KEY=sk-lf-xxxxx LANGFUSE_BASE_URL=https://seu-langfuse.example.com

Como expor para a internet⌗

O Nginx interno do DeerFlow escuta apenas na porta 2026. Se quiser usar domínio e HTTPS, é preciso colocar uma camada na frente.

Opção A — Reverse proxy externo⌗

Pode usar:

Caddy
Traefik
Nginx do host

A ideia é:

Terminar o TLS no host
Fazer proxy para http://localhost:2026

Exemplo com Caddy⌗

```caddy deerflow.seudominio.com { reverse_proxy

instalacao

github.com/bytedance/deer-flow ↗

⚔️ Comparação: DeerFlow vs Claude Code vs Manus⌗

Aqui é o mais importante 👇

🦌 DeerFlow 2.0⌗

Tipo: framework open-source de agentes

✅ Pontos fortes⌗

Totalmente customizável
Multi-agente real
Executa código
Você controla tudo
Pode rodar local

❌ Pontos fracos⌗

Instalação mais difícil
Precisa configurar APIs
Menos polido

👉 Melhor para: devs, automação, sistemas complexos

🧠 Claude Code (Anthropic)⌗

Tipo: IA focada em programação

✅ Pontos fortes⌗

Excelente para código
Entende projetos grandes
Debug muito bom
Simples de usar

❌ Pontos fracos⌗

Não é multi-agente
Não executa tarefas longas sozinho
Limitado fora de programação

👉 Melhor para: desenvolvimento de software

🤖 Manus (AI Agent)⌗

Tipo: agente autônomo (estilo “faz tudo sozinho”)

✅ Pontos fortes⌗

Muito automático
Interface simples
Faz tarefas completas (tipo DeerFlow)

❌ Pontos fracos⌗

Fechado (não open-source)
Menos controle
Dependência da plataforma

👉 Melhor para: usuários que querem automação sem mexer em código

🧠 Resumo direto⌗

Ferramenta	Melhor para	Nível
DeerFlow 2.0	Automação avançada / IA custom	🔥 Avançado
Claude Code	Programação	Médio
Manus	Automação fácil	Iniciante

💡 Minha recomendação (sincera)⌗

Se você quer controle total + aprender IA de verdade → DeerFlow
Se quer programar melhor → Claude Code
Se quer apertar botão e pronto → Manus

⚙️ 1. Como instalar o DeerFlow 2.0⌗

🧩 Requisitos⌗

Você precisa de:

Python 3.10+
Node.js (para interface)
Git
Uma API de IA (OpenAI, Anthropic, etc.)

🚀 Instalação básica (passo a passo)⌗

1. Clonar o projeto⌗

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

2. Criar ambiente Python⌗

python -m venv venv source venv/bin/activate # Linux/Mac venv\Scripts\activate # Windows

3. Instalar dependências⌗

pip install -r requirements.txt

4. Configurar API⌗

Crie um arquivo .env:

OPENAI_API_KEY=seu_token ANTHROPIC_API_KEY=seu_token

(Use o modelo que quiser — GPT, Claude, etc.)

5. Rodar o sistema⌗

python main.py

ou (dependendo da versão):

python -m deerflow

🖥️ Interface web (opcional)⌗

Algumas versões têm frontend:

cd web npm install npm run dev

🧠 2. Como usar na prática⌗

Depois de rodar, você dá comandos tipo:

💬 Exemplo 1⌗

“Pesquise o mercado de energia solar no Brasil e gere um relatório com gráficos”

👉 Ele vai:

pesquisar
organizar dados
escrever relatório
gerar gráficos

💻 Exemplo 2⌗

“Crie um site simples de portfólio com HTML + CSS”

👉 Ele:

escreve código
salva arquivos
pode testar

🔁 Exemplo 3 (mais avançado)⌗

“Analise esse dataset e gere insights + dashboard”

👉 Ele vira praticamente um analista de dados automático

🧠 O que é o DeerFlow 2.0?⌗

DeerFlow 2.0 é um projeto open-source da ByteDance (empresa do TikTok) que funciona como um “super agente de IA” — ou seja, uma IA que não só responde, mas executa tarefas complexas de verdade.

⚙️ Ideia principal⌗

Diferente de um chatbot comum, ele:

Planeja tarefas
Divide em subtarefas (com sub-agentes)
Executa código
Pesquisa na web
Gera resultados completos (relatórios, apps, etc.)

👉 É mais parecido com um “sistema operacional para IA” do que um simples chat.

🚀 O que mudou no 2.0?⌗

O 2.0 é uma versão totalmente reescrita (não tem nada do código antigo 1.x).

Principais evoluções:

🧩 Virou um “super agent” full-stack
🧠 Memória de longo prazo
🔁 Execução de tarefas longas (minutos ou horas)
🤖 Vários agentes trabalhando juntos
🖥️ Execução real de código em sandbox (tipo um “mini computador”)
🔌 Sistema de “skills” (habilidades plugáveis)

🧪 O que ele consegue fazer?⌗

Exemplos práticos:

Fazer pesquisas profundas e gerar relatórios completos
Criar sites ou apps automaticamente
Analisar dados e gerar gráficos
Assistir vídeos + resumir + pesquisar mais
Gerar conteúdo (artigos, apresentações, podcasts)

🧠 Resumindo⌗

👉 DeerFlow 2.0 = IA que não só pensa → mas executa tarefas complexas do início ao fim

DreerFlow 2.0

chatgpt.com ↗

Aula/estudo sobre o DeerFlow 2.0, framework open-source de agentes da…

Opção B — Cloudflare Tunnel⌗

Atenção à autenticação⌗

Opções recomendadas⌗

Risco de não proteger⌗

Configurações importantes no config.yaml⌗

Observação importante⌗

Checklist antes do deploy real⌗

Outros caminhos possíveis⌗

1. Docker Development (make docker-start)⌗

2. Local Daemon (make start-daemon ou make start-daemon-pro)⌗

3. Embedded Python Client⌗

Resumo prático⌗

Como colocar o DeerFlow em produção⌗

Recomendação principal⌗

Pré-requisitos⌗

Passo a passo⌗

1. Clonar o repositório no servidor⌗

2. Gerar config.yaml e .env⌗

3. Validar a instalação⌗

4. Subir em produção⌗

5. Acessar a aplicação⌗

Comandos úteis⌗

Serviços que ficam rodando⌗

Decisões importantes antes do deploy⌗

1. Escolher o modo de execução⌗

Standard (make up)⌗

Gateway (make up-pro)⌗

Recomendação⌗

2. Escolher o sandbox⌗

Local⌗

Docker⌗

Kubernetes + Provisioner⌗

3. Definir o modelo de LLM⌗

Hosted⌗

Local⌗

4. Ativar web search⌗

5. Ativar observabilidade⌗

Com LangSmith⌗

Com Langfuse⌗

Como expor para a internet⌗

Opção A — Reverse proxy externo⌗

Exemplo com Caddy⌗

⚔️ Comparação: DeerFlow vs Claude Code vs Manus⌗

🦌 DeerFlow 2.0⌗

✅ Pontos fortes⌗

❌ Pontos fracos⌗

🧠 Claude Code (Anthropic)⌗

✅ Pontos fortes⌗

❌ Pontos fracos⌗

🤖 Manus (AI Agent)⌗

✅ Pontos fortes⌗

❌ Pontos fracos⌗

🧠 Resumo direto⌗

💡 Minha recomendação (sincera)⌗

⚙️ 1. Como instalar o DeerFlow 2.0⌗

🧩 Requisitos⌗

🚀 Instalação básica (passo a passo)⌗

1. Clonar o projeto⌗

2. Criar ambiente Python⌗

3. Instalar dependências⌗

4. Configurar API⌗

5. Rodar o sistema⌗

🖥️ Interface web (opcional)⌗

🧠 2. Como usar na prática⌗

💬 Exemplo 1⌗

💻 Exemplo 2⌗

🔁 Exemplo 3 (mais avançado)⌗

🧠 O que é o DeerFlow 2.0?⌗

⚙️ Ideia principal⌗

🚀 O que mudou no 2.0?⌗

🧪 O que ele consegue fazer?⌗

🧠 Resumindo⌗

Recursos

Configurações importante`s no config`.yaml⌗

1. Docker Development (`make docker-start`)⌗

2. Local Daemon (`make start-daemon` ou `make start-daemon-pro`)⌗

2. Gerar `config.yaml` e `.env`⌗

Standard (`make up`)⌗

Gateway (`make up-pro`)⌗