La era del ‘Copilot’ se actualiza oficialmente. Si bien el mundo de la tecnología ha pasado los últimos dos años sintiéndose cómodo con la IA que sugiere códigos o redacta borradores de correos electrónicos, el equipo de ByteDance está cambiando las metas. Lanzaron DeerFlow 2.0, un nuevo marco ‘SuperAgent’ de código abierto que no solo sugiere trabajo; lo ejecuta. DeerFlow está diseñado para investigar, codificar, crear sitios web, crear presentaciones de diapositivas y generar contenido de video de forma autónoma.
The Sandbox: una IA con una computadora propia
El diferenciador más significativo de DeerFlow es su enfoque de ejecución. La mayoría de los agentes de IA operan dentro de las limitaciones de una interfaz de cuadro de texto, envían consultas a una API y devuelven una cadena de texto. Si desea que ese código se ejecute, usted, el ser humano, debe copiarlo, pegarlo y depurarlo.
DeerFlow invierte este script. Opera dentro de un contenedor Docker real y aislado.
Para los desarrolladores de software, las implicaciones son enormes. Esta no es una IA que “alucina” porque ejecuta un guión; es un agente con un sistema de archivos completo, una terminal bash y la capacidad de leer y escribir archivos reales. Cuando le asignas una tarea a DeerFlow, no solo sugiere un script de Python para analizar un CSV: activa el entorno, instala las dependencias, ejecuta el código y te entrega el gráfico resultante.
Al proporcionar a la IA su propia ‘computadora’, el equipo de ByteDance ha resuelto uno de los mayores puntos de fricción en los flujos de trabajo agentes: la transferencia. Debido a que tiene memoria con estado y un sistema de archivos persistente, DeerFlow puede recordar sus estilos de escritura, estructuras de proyectos y preferencias específicos en diferentes sesiones.
Orquestación multiagente: dividir, conquistar y converger
La “magia” de DeerFlow reside en su capa de orquestación. Utiliza un arnés SuperAgent, un agente líder que actúa como director de proyecto.
Cuando se recibe un mensaje complejo, por ejemplo, “Investigue las 10 principales empresas emergentes de IA en 2026 y constrúyame una presentación completa”, DeerFlow no intenta hacerlo todo en un proceso de pensamiento lineal. En cambio, emplea la descomposición de tareas:
El agente principal divide el mensaje en subtareas lógicas. Los subagentes se generan en paralelo. Uno podría encargarse del web scraping para obtener datos de financiación, otro podría realizar análisis de la competencia y un tercero podría generar imágenes relevantes. Convergencia: una vez que los subagentes completan sus tareas en sus respectivos sandboxes, los resultados se canalizan de regreso al agente principal. Entrega final: un agente final compila los datos en un producto final pulido, como una presentación de diapositivas o una aplicación web completa.
Este procesamiento paralelo reduce significativamente el tiempo de entrega de tareas “pesadas” que tradicionalmente le tomarían horas a un investigador o desarrollador humano sintetizar.
De herramienta de investigación a automatización completa
Curiosamente, DeerFlow no estaba destinado originalmente a ser tan amplio. Comenzó su vida en ByteDance como una herramienta de investigación profunda especializada. Sin embargo, cuando la comunidad interna comenzó a utilizarlo, traspasó los límites de sus capacidades.
Los usuarios comenzaron a aprovechar su ejecución basada en Docker para crear canales de datos automatizados, poner en marcha paneles de control en tiempo real e incluso crear aplicaciones web a gran escala desde cero. Al reconocer que la comunidad quería un motor de ejecución en lugar de solo una herramienta de búsqueda, ByteDance reescribió el marco desde cero.
El resultado es DeerFlow 2.0, un marco versátil que puede manejar:
Deep Web Research: recopilación de fuentes citadas en toda la web. Creación de contenido: generación de informes con gráficos, imágenes y videos integrados. Ejecución de código: ejecutar scripts de Python y comandos bash en un entorno seguro. Generación de activos: creación de presentaciones de diapositivas completas y componentes de interfaz de usuario.
Conclusiones clave
Sandbox de ejecución primero: a diferencia de los agentes de IA tradicionales, DeerFlow opera en un sandbox aislado basado en Docker. Esto le da al agente un sistema de archivos real, una terminal bash y la capacidad de ejecutar código y ejecutar comandos en lugar de simplemente sugerirlos. Orquestación jerárquica de múltiples agentes: el marco utiliza un líder de ‘SuperAgente’ para dividir tareas complejas en subtareas. Genera subagentes paralelos para manejar diferentes componentes, como extraer datos, generar imágenes o escribir código, antes de converger los resultados en un producto final. El pivote ‘SuperAgent’: Originalmente una herramienta de investigación profunda, DeerFlow 2.0 fue reescrito por completo para convertirse en un arnés independiente de las tareas. Ahora puede crear aplicaciones web de pila completa, generar presentaciones de diapositivas profesionales y automatizar canales de datos complejos de forma autónoma. Agnosticismo completo del modelo: DeerFlow está diseñado para ser neutral en cuanto a LLM. Se integra con cualquier API compatible con OpenAI, lo que permite a los ingenieros intercambiar entre modelos como GPT-4, Claude 3.5, Gemini 1.5 o incluso modelos locales a través de DeepSeek y Ollama sin cambiar la lógica del agente subyacente. Memoria con estado y persistencia: el agente presenta un sistema de memoria persistente que rastrea las preferencias del usuario, los estilos de escritura y el contexto del proyecto en múltiples sesiones. Esto le permite funcionar como un “empleado de IA” a largo plazo en lugar de una herramienta de sesión única.
Consulte el repositorio de GitHub. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 120.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.