ByteDance DeerFlow란? 오픈소스 멀티에이전트 딥리서치 프레임워크 정리 2026
ByteDance가 오픈소스로 공개한 멀티에이전트 딥리서치 프레임워크 DeerFlow를 정리했습니다. 코디네이터·플래너·리서처·코더·리포터 역할 분담, MCP 도구 연동과 Human-in-the-Loop 설계, 일반 챗봇과의 차이, 도입 비용·검증 고려사항을 나무숲이 짚었습니다.
!ByteDance DeerFlow 오픈소스 멀티에이전트 딥리서치 프레임워크
DeerFlow(디어플로우)는 ByteDance가 오픈소스로 공개한 멀티에이전트 기반 딥리서치(Deep Research) 프레임워크입니다. 이름은 "Deep Exploration and Efficient Research Flow"의 약자로, 사람이 직접 하던 자료 조사·분석·보고서 작성 과정을 여러 개의 특화된 AI 에이전트가 협업해 자동으로 처리하도록 설계됐습니다. 하나의 거대한 모델에 모든 일을 맡기는 대신, 계획을 세우는 에이전트와 검색하는 에이전트, 코드를 실행하는 에이전트, 최종 보고서를 쓰는 에이전트가 역할을 나눠 움직이는 구조가 핵심입니다. GitHub에 공개된 직후 개발자 커뮤니티에서 큰 주목을 받았고, MCP(Model Context Protocol)를 통한 도구 연동과 사람이 중간에 개입하는 Human-in-the-Loop 설계로 "실제로 쓸 만한 리서치 자동화"라는 평가를 받고 있습니다.
DeerFlow란 무엇인가?
DeerFlow는 ByteDance가 GitHub에 공개한 오픈소스 프로젝트로, 자동화된 심층 리서치 워크플로우에 초점을 맞춘 멀티에이전트 프레임워크입니다. 일반적인 챗봇이 한 번의 질문에 한 번의 답을 내놓는다면, DeerFlow는 주제를 받으면 스스로 조사 계획을 세우고, 웹을 검색하고, 필요하면 코드를 실행해 데이터를 분석한 뒤, 출처가 달린 구조화된 보고서까지 만들어냅니다.
이런 "딥리서치" 방식이 주목받는 이유는 분명합니다. 단순 검색은 정보를 나열할 뿐이지만, 실무에서 필요한 건 여러 출처를 교차 검증하고 종합한 결과물이기 때문입니다. DeerFlow는 이 과정을 사람의 리서치 흐름과 비슷하게 분업화해서 처리합니다.
DeerFlow의 멀티에이전트 아키텍처
DeerFlow의 가장 큰 특징은 역할이 명확하게 나뉜 에이전트들의 협업 구조입니다. 각 에이전트는 자기 일만 잘하면 되고, 결과를 다음 단계로 넘기는 방식으로 전체 리서치가 진행됩니다.
| 에이전트 역할 | 하는 일 |
| 코디네이터(Coordinator) | 사용자 요청을 받아 전체 흐름을 조율 |
| 플래너(Planner) | 리서치 주제를 세부 작업으로 분해, 조사 계획 수립 |
| 리서처(Researcher) | 웹 검색·크롤링으로 자료 수집 |
| 코더(Coder) | 필요 시 Python 코드 실행으로 데이터 분석·계산 |
| 리포터(Reporter) | 수집·분석 결과를 종합해 최종 보고서 작성 |
여기서 중요한 건 Human-in-the-Loop(HITL) 설계입니다. 플래너가 세운 조사 계획을 사람이 검토하고 수정할 수 있어서, AI가 엉뚱한 방향으로 리서치를 진행하는 사고를 막을 수 있습니다. 완전 자동화와 사람의 통제 사이에서 균형을 잡은 셈입니다.
도구 연동에는 MCP(Model Context Protocol)를 활용합니다. 검색 엔진, 크롤러, 코드 실행 환경 같은 외부 도구를 표준화된 방식으로 붙일 수 있어, 필요한 기능을 모듈처럼 확장하기 쉽습니다. MCP와 A2A 같은 에이전트 프로토콜의 전반적인 흐름이 궁금하다면 MCP와 A2A 프로토콜이 AI 에이전트 생태계의 표준이 되는 과정을 함께 읽어보면 도움이 됩니다.
DeerFlow는 다른 에이전트 도구와 무엇이 다를까?
AI 에이전트 프레임워크는 많지만, DeerFlow는 "리서치"라는 한 가지 목적에 특화돼 있다는 점이 차별점입니다. 범용 에이전트 빌더가 "무엇이든 만들 수 있게" 해준다면, DeerFlow는 "조사하고 보고서 쓰는 일"을 처음부터 끝까지 잘하도록 다듬어져 있습니다.
| 항목 | DeerFlow | 일반 범용 에이전트 프레임워크 |
| 주 용도 | 심층 리서치·보고서 자동 생성 | 범용 워크플로우 자동화 |
| 구조 | 역할 분담형 멀티에이전트(고정 파이프라인) | 자유 구성(개발자가 직접 설계) |
| 사람 개입 | 계획 단계 HITL 내장 | 별도 구현 필요 |
| 결과물 | 출처 포함 보고서, 발표 자료·요약 음성 등 | 정의하기 나름 |
| 진입 장벽 | 리서치 목적이면 빠른 시작 | 설계 자유도 높지만 학습 곡선 큼 |
즉, "특정 주제를 깊게 조사해 정리해야 하는" 업무가 많은 팀이라면 DeerFlow처럼 목적이 분명한 프레임워크가 시작점으로 적합합니다. 반대로 사내 업무 자동화 전반을 다루려면 더 범용적인 접근이 필요할 수 있습니다.
DeerFlow를 실무에 도입하려면?
오픈소스라는 건 "무료"라는 뜻이지 "공짜로 운영된다"는 뜻은 아닙니다. DeerFlow를 실제 업무에 쓰려면 몇 가지를 고려해야 합니다.
- 모델·검색 API 비용: 에이전트가 여러 번 LLM을 호출하고 외부 검색을 돌리므로, 사용량에 따라 토큰·API 비용이 발생합니다.
- 품질 검증 체계: 자동 생성된 보고서의 사실관계를 어떻게 검수할지 내부 프로세스가 필요합니다. HITL을 적극 활용하는 게 안전합니다.
- 사내 데이터 연동: 외부 웹만이 아니라 내부 문서·DB를 함께 조사하려면 MCP 도구를 추가로 붙이는 커스터마이징이 필요합니다.
나무숲(TreeSoop)은 AI-Native Team으로, 팀원 전원이 Claude Code Max 플랜을 기본 개발 환경으로 사용하며 이런 오픈소스 에이전트 프레임워크를 고객사 환경에 맞게 이식·커스터마이징하는 AI-Native 개발 방식을 제공합니다. DeerFlow 같은 딥리서치 도구를 사내 데이터·보안 정책에 맞게 구축하거나, 자체 멀티에이전트 시스템을 설계하는 일이 여기에 해당합니다. 관련해서는 AI 에이전트 개발 서비스에서 더 확인할 수 있습니다.
자주 묻는 질문
Q: DeerFlow는 무료인가요?
DeerFlow 자체는 오픈소스로 공개돼 코드를 자유롭게 내려받아 사용할 수 있습니다. 다만 에이전트가 사용하는 LLM 호출 비용과 검색 API 비용은 사용량에 따라 별도로 발생합니다. 따라서 "소프트웨어는 무료, 운영은 유료"라고 이해하는 편이 정확합니다.
Q: DeerFlow는 어떤 작업에 가장 적합한가요?
시장 조사, 경쟁사 분석, 기술 동향 리포트처럼 여러 출처를 종합해 구조화된 보고서를 만들어야 하는 리서치 업무에 특히 강점이 있습니다. 단발성 질의응답보다는 깊이 있는 조사가 필요한 작업에 어울립니다.
Q: DeerFlow를 우리 회사 데이터와 연결할 수 있나요?
가능합니다. DeerFlow는 MCP를 통해 외부 도구를 연동하는 구조라서, 사내 문서 저장소나 데이터베이스를 MCP 서버 형태로 붙이면 내부 자료까지 조사 범위에 포함할 수 있습니다. 다만 보안·권한 설계가 함께 필요하므로 도입 시 검토가 권장됩니다.
Q: DeerFlow와 일반 챗봇은 어떻게 다른가요?
일반 챗봇은 한 번의 대화로 답을 주지만, DeerFlow는 조사 계획 수립 → 검색 → 분석 → 보고서 작성이라는 여러 단계를 여러 에이전트가 분업해 자동으로 수행합니다. 결과물도 단순 답변이 아니라 출처가 달린 종합 보고서 형태입니다.
---
참고 자료
AI 에이전트·딥리서치 시스템 구축이 필요하시면 나무숲(TreeSoop)에 편하게 문의해보세요.
---
*글쓴이: 남대현 | TreeSoop CEO, POSTECH 컴퓨터공학 AI/MR/HCI 석사*
AI 전환 전략부터 프로덕션 배포까지 50+ 프로젝트를 리드했습니다.
AI 관련 프로젝트가 필요하시면 카카오톡으로 문의하세요.