현재 대부분의 AI 에이전트는 510분 정도의 짧은 대화에서는 뛰어난 성능을 보이지만, 12시간 이상 걸리는 대규모 프로젝트를 맡기면 중간에 초기 목표를 망각하거나 환각(Hallucination)에 빠져 엉뚱한 길로 새기 일쑤입니다.
글로벌 틱톡 모기업 바이트댄스(ByteDance)가 공개한 DeerFlow 2.0 은 이 문제를 정면으로 해결하기 위해 ‘오래 일하는 AI 직원(Long-Horizon SuperAgent)’ 을 표방하며 전면 재작성된 오픈소스 프레임워크입니다. 깃허브 공개 직후 스타 8.2만 개를 돌파하며 전 세계 개발자들의 폭발적인 관심을 받고 있습니다.
Sources
1. DeerFlow 2.0 슈퍼 에이전트 오케스트레이션 아키텍처
flowchart TD
classDef userNode fill:#c5dcef,stroke:#2b6cb0,stroke-width:1.5px,color:#333;
classDef leadNode fill:#e0c8ef,stroke:#6b46c1,stroke-width:1.5px,color:#333;
classDef subNode fill:#fde8c0,stroke:#d69e2e,stroke-width:1.5px,color:#333;
classDef boxNode fill:#c0ecd3,stroke:#38a169,stroke-width:1.5px,color:#333;
User["장기 복합 작업 지시 (수 분 ~ 수 시간)"] --> Lead["리드 슈퍼 에이전트 (Lead Harness)"]
Lead --> Goal["세션 목표 보존 (Session Goals) & 컨텍스트 압축"]
Lead --> SkillLoad["점진적 스킬 로딩 (Progressive Skill Loading)
필요한 시점에만 SKILL.md 컨텍스트 주입"]
SkillLoad --> Sub1["리서치 서브에이전트 (InfoQuest 크롤링)"]
SkillLoad --> Sub2["코딩 & 빌드 서브에이전트"]
SkillLoad --> Sub3["검증 & 문서화 서브에이전트"]
Sub1 --> Sandbox["격리된 Docker 샌드박스 & 파일 시스템"]
Sub2 --> Sandbox
Sub3 --> Sandbox
Sandbox --> Result["완결된 최종 산출물 전달"]
class User userNode;
class Lead,Goal,SkillLoad leadNode;
class Sub1,Sub2,Sub3 subNode;
class Sandbox,Result boxNode;2. 장시간 작업(Long-Horizon)을 가능하게 하는 4대 기술 축
1) 점진적 스킬 로딩 (Progressive Skill Loading)
수백 개의 도구와 매뉴얼을 처음부터 프롬프트에 밀어 넣으면 토큰이 낭비되고 모델의 주의력이 분산됩니다. DeerFlow는 작업의 각 단계에서 필요한 SKILL.md 만 동적으로 불러와 컨텍스트 윈도우를 항상 슬림하고 날카롭게 유지합니다.
2) 독립적 서브에이전트 오케스트레이션 (Sub-Agents)
리드 에이전트가 모든 것을 직접 처리하지 않고, 정보 검색은 리서치 에이전트에게, 코드 구현은 개발 에이전트에게 위임합니다. 각 서브에이전트는 격리된 컨텍스트에서 작업을 마치고 핵심 요약만을 리드 에이전트에 보고합니다.
3) 세션 목표 추적 & 컨텍스트 압축 (Compaction)
수십 번의 툴 호출과 반복 작업이 이어져 컨텍스트 한계에 도달하면, 과거의 불필요한 로그는 지능적으로 압축(Compaction)하면서도 최초 사용자가 부여한 ‘세션 목표(Session Goals)’ 는 불변의 앵커로 유지합니다.
4) 안전한 격리 샌드박스 (Sandbox & InfoQuest)
바이트플러스의 지능형 검색/크롤링 툴셋인 InfoQuest 가 기본 내장되어 웹 데이터를 수집하며, 생성된 코드는 격리된 샌드박스 환경에서 안전하게 컴파일 및 실행됩니다.