DeerFlow
Cuándo elegir DeerFlow frente a un prompt o un flujo fijo
Compara un agente de larga duración, una llamada única y una orquestación determinista con la misma tarea y los mismos criterios de aceptación.
Qué aprenderás
- Empieza por variabilidad y efectos externos
- Compara contratos de finalización equivalentes
- Pon límites también a la evaluación
Antes de empezar
- Conceptos básicos de Python, HTTP y contenedores
- Una tarea propia con criterios de aceptación
Explica el límite de implementación y aplica la lista o el ejercicio aislado del capítulo.
Conclusiones clave
- Selecciona según variabilidad, no según la etiqueta agente.
- Compara archivos equivalentes y corrección humana.
- Un flujo simple que funciona puede ser la elección correcta.
Empieza por variabilidad y efectos externos
Una sola llamada puede bastar para transformar un texto corto suministrado. Un flujo determinista resulta atractivo cuando los pasos y las reglas son estables. DeerFlow cobra sentido con herramientas iterativas, retención de contexto, investigación delegada y creación de archivos. Son categorías arquitectónicas, no clasificaciones medidas de productos competidores.
Toma una tarea propia y enumera las decisiones realmente desconocidas al comienzo. Si entradas y transformaciones ya están prescritas, el agente puede añadir revisión y operación sin flexibilidad útil. Si la tarea cambia con cada observación, la infraestructura ofrece coordinación, pero publicación, credenciales y escrituras externas siguen necesitando límites explícitos.
Compara contratos de finalización equivalentes
Ejecuta cada candidato con las mismas entradas y exige las mismas citas, tratamiento de conflictos y formato. Incluye correcciones humanas y rechazos en el flujo, no como limpieza invisible. Un informe bonito y rápido no es comparable con otro que comprueba conflictos de fuentes, salvo que ambos cumplan exactamente el mismo contrato.
En DeerFlow examina complejidad de configuración, extensiones, autoridad del entorno y límites locales del proceso. En un flujo fijo, el esfuerzo para incorporar ramas y fallos nuevos. En una llamada, el tamaño de entrada y las restricciones de validación. La comparación debe aclarar el compromiso relevante para el lector, no proclamar un ganador universal.
Pon límites también a la evaluación
Define un piloto acotado y qué fallos impedirían adoptar la solución: falta de procedencia, acciones no autorizadas, esfuerzo excesivo o imposibilidad de restaurar estado. Deja vacías tasas de éxito y costes hasta medirlos. Esta revisión dispone de código y funciones verificadas, no de una comparación controlada de sistemas completos en producción.
Elige el sistema más pequeño que produzca archivos aceptados de forma repetible con tus permisos y presupuesto de mantenimiento. Si la flexibilidad de DeerFlow aporta valor, comienza con pocas integraciones y amplía con evidencia. Si un flujo más simple ya funciona, conservarlo es un resultado válido de la evaluación, no un fracaso por no adoptar un agente.
Pasos de implementación
- 1
Clasifica la tarea como transformación fija o investigación iterativa.
- 2
Escribe un contrato compartido para todos los candidatos.
- 3
Registra permisos, fallos y esfuerzo en un piloto limitado.
- 4
Decide cuando la evidencia alcance el umbral previamente definido.
Ejemplo para copiar
{"candidates":["llamada única","flujo fijo","DeerFlow"],"sharedChecks":["procedencia","conflictos","formato","permisos"],"measuredWinner":null,"pilotExecuted":false}Preguntas frecuentes
¿DeerFlow siempre es mejor para investigar?
No. Las tareas pequeñas con entradas suministradas pueden no necesitar una infraestructura larga; evalúa ramificación y coordinación.
¿Por qué no hay clasificación numérica?
No se ejecutó una comparación equivalente completa, por lo que una clasificación implicaría evidencia inexistente.
Fuentes
- README.mdFuente verificada 2026-09-08
- LICENSEFuente verificada 2026-09-08
- backend/README.mdFuente verificada 2026-09-08
- backend/pyproject.tomlFuente verificada 2026-09-08
- backend/docs/middleware-execution-flow.mdFuente verificada 2026-09-08
- backend/packages/harness/deerflow/agents/lead_agent/agent.pyFuente verificada 2026-09-08
- backend/packages/harness/deerflow/agents/middlewares/loop_detection_middleware.pyFuente verificada 2026-09-08
- backend/packages/harness/deerflow/agents/middlewares/_bounded_dict.pyFuente verificada 2026-09-08
- backend/packages/harness/deerflow/config/loop_detection_config.pyFuente verificada 2026-09-08
- backend/packages/harness/deerflow/sandbox/local/local_sandbox_provider.pyFuente verificada 2026-09-08
- backend/app/gateway/auth_middleware.pyFuente verificada 2026-09-08
- backend/app/gateway/csrf_middleware.pyFuente verificada 2026-09-08
- docker/docker-compose.yamlFuente verificada 2026-09-08