Comment installer et configurer DeerFlow 2.0 : le guide complet
Prérequis, Docker, config.yaml et sécurisation post-installation - pas à pas
Image générée par IA (art. 50 AI Act)
Guide pratique 2LKATIME
Ce tutoriel s'appuie sur l'installation réelle de DeerFlow 2.0 réalisée par notre équipe pour notre avis complet sur l'agent. Nous détaillons ici chaque étape, y compris ce que cet article ne couvrait pas : la sécurisation de l'installation avant une mise en production.
Le risque métier pour le dirigeant
Trois commandes suffisent pour qu'un développeur installe DeerFlow sur un serveur de votre entreprise cet après-midi, sans en parler à personne. C'est justement le problème : une installation aussi simple se fait souvent sans validation sécurité, avec une clé API en clair et des sandboxes ouvertes sur le réseau interne. Le jour où cet agent traite des données clients ou RH, c'est votre responsabilité de dirigeant qui est engagée - pas celle du développeur qui a suivi un tutoriel.
DeerFlow 2.0, le super-agent open source de ByteDance, s'installe en trois commandes selon la documentation officielle. Dans les faits, notre équipe a effectivement retrouvé une configuration propre et rapide - mais un environnement de test qui tourne en cinq minutes n'est pas la même chose qu'une installation prête pour vos données d'entreprise. Entre les deux, il y a des choix de configuration, des clés API à ne pas exposer, et des sandboxes à isoler correctement.
Ce guide reprend chaque étape de l'installation - clonage, configuration, démarrage Docker, premier test - et ajoute ce qui manque le plus souvent dans les tutoriels disponibles en ligne : une section dédiée à la sécurisation de votre instance avant tout déploiement sérieux. Si vous cherchez d'abord à savoir si DeerFlow est fait pour vous, notre analyse complète avec comparatif OpenClaw répond à cette question. Si vous avez déjà décidé de l'installer, la suite est pour vous.
1. Avant de commencer : les prérequis
DeerFlow 2.0 repose sur une architecture séparant un frontend Node.js et un backend Python 3.12, orchestrés par Docker. Avant de lancer la moindre commande, vérifiez que votre machine dispose de :
3
commandes pour un environnement fonctionnel
10-20 min
pour une installation de test complète
4 Go
RAM minimum recommandée
Agnostique
compatible tout modèle API OpenAI
Docker et Docker Compose
Installés et fonctionnels. C'est Docker qui isole l'exécution du code généré par les sous-agents - un point de sécurité important détaillé plus bas.
Python 3.12 et Node.js
Requis pour le backend et le frontend, même si l'essentiel de l'exécution se fait ensuite dans les conteneurs Docker.
Une clé API pour un modèle compatible OpenAI
GPT-4, Claude, DeepSeek ou tout autre modèle exposant une API compatible OpenAI. Notre équipe a testé sans friction avec Claude et DeepSeek v3.2.
Des ressources serveur suffisantes
4 Go de RAM et 2 vCPU pour un test simple, 8 Go et 4 vCPU si plusieurs sous-agents doivent tourner en parallèle.
2. Cloner le dépôt et générer la configuration
Ouvrez un terminal sur la machine ou le serveur qui hébergera DeerFlow, puis clonez le dépôt officiel :
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
Le dossier obtenu contient deux parties distinctes : un frontend Node.js et un backend Python. Vous n'avez pas besoin de les configurer séparément - l'étape suivante s'en charge.
Générez ensuite les fichiers de configuration nécessaires :
make config
Cette commande crée un fichier config.yaml à la racine du projet, ainsi que les fichiers d'environnement nécessaires au frontend et au backend. C'est le seul endroit où vous aurez besoin d'intervenir manuellement avant le premier démarrage.
3. Configurer votre modèle IA dans config.yaml
Ouvrez le fichier config.yaml généré à l'étape précédente. C'est ici que vous indiquez quel modèle DeerFlow doit utiliser. ByteDance recommande ses modèles Doubao-Seed-2.0, mais n'importe quel modèle compatible API OpenAI fonctionne - GPT-4, Claude, DeepSeek, Kimi.
Bonne pratique
- - Stocker la clé API dans une variable d'environnement, jamais en clair dans config.yaml
- - Ajouter config.yaml à votre .gitignore avant tout commit
- - Utiliser un secret manager si vous déployez sur un serveur partagé
Erreur fréquente
- - Coller la clé API en clair dans config.yaml et pousser le fichier sur un dépôt Git, même privé
- - Réutiliser la même clé API en test et en production
- - Oublier de limiter les quotas et le scope de la clé API chez votre fournisseur de modèle
Notre équipe a testé la bascule entre Claude et DeepSeek en modifiant simplement les paramètres du modèle dans config.yaml, sans autre changement. C'est l'un des points forts de l'architecture DeerFlow : un seul fichier, une syntaxe claire, aucune dépendance cachée au fournisseur.
4. Démarrer avec Docker et premier test
Une fois config.yaml renseigné, lancez l'environnement complet :
make docker-start
Cette commande construit et démarre l'ensemble des conteneurs (frontend, backend, sandboxes d'exécution). Vérifiez qu'ils tournent correctement :
docker ps
Vous devez voir plusieurs conteneurs actifs (statut "Up"). L'interface est ensuite accessible depuis votre navigateur, généralement sur le port exposé par le conteneur frontend - reportez-vous à la sortie de la commande précédente pour confirmer le port exact selon votre configuration.
Pour valider que tout fonctionne, donnez une instruction simple à l'agent principal - une recherche web basique par exemple - et vérifiez qu'un sous-agent se déclenche pour la traiter. Si un résultat structuré revient, l'installation est fonctionnelle.
5. Sécuriser votre installation avant la production
Une installation qui fonctionne n'est pas une installation prête pour vos données d'entreprise. Dans notre analyse sécurité complète de DeerFlow, nous détaillons les risques spécifiques à son architecture multi-agents. Voici les actions concrètes à mener après l'installation, avant tout usage avec des données réelles.
Isoler le réseau des sandboxes
Les sandboxes Docker qui exécutent le code généré doivent avoir un accès réseau restreint. Un sous-agent compromis ne doit pas pouvoir atteindre vos autres services internes.
Restreindre les canaux IM connectés
Telegram, Slack, Feishu : chaque canal capable de donner des instructions à l'agent doit être limité à une liste explicite d'utilisateurs autorisés, pas ouvert à toute votre organisation.
Auditer les dépendances LangChain/LangGraph
DeerFlow repose sur ces deux frameworks. Comme pour tout composant open source, vérifiez les versions utilisées et les vulnérabilités connues avant une mise en production.
Monitorer le trafic réseau sortant
DeerFlow étant un projet ByteDance, une surveillance du trafic sortant de votre déploiement fait partie des bonnes pratiques - voir notre analyse MCP pour les DSI sur les connexions d'agents IA à des outils tiers.
Ces points rejoignent les obligations RGPD et AI Act qui s'appliquent dès lors qu'un agent IA traite des données personnelles ou professionnelles sensibles : cloisonnement des accès, registre des traitements, documentation des flux. Pour aller plus loin sur les vecteurs d'attaque propres aux agents multi-agents, notre article Red Team IA : vecteurs d'attaque 2026 détaille la technique de memory poisoning particulièrement pertinente pour DeerFlow.
6. Dépannage : les erreurs les plus fréquentes
| Symptôme | Cause probable | Solution |
|---|---|---|
| Le conteneur ne démarre pas | Port déjà utilisé ou ressources insuffisantes | Vérifier les ports occupés (docker ps -a) et la RAM disponible |
| Erreur d'authentification API | Clé mal formatée ou quota dépassé | Revérifier la clé dans config.yaml et son quota chez le fournisseur |
| Le sous-agent recherche web ne répond pas | Configuration réseau du conteneur incorrecte | Vérifier que le conteneur a bien accès à internet en sortie |
7. Comment 2LKATIME accompagne votre déploiement DeerFlow
Installer DeerFlow prend vingt minutes. Le sécuriser correctement pour un usage en production - isolation réseau, gestion des secrets, audit des dépendances, conformité RGPD et AI Act - demande une expertise que peu d'équipes internes ont le temps de développer. C'est précisément le rôle de 2LKATIME : nous auditons votre déploiement d'agents IA avec la même rigueur qu'un test d'intrusion classique, que vous soyez basé à Paris, à Lyon ou à Bordeaux.
Notre offre Audit Flash couvre spécifiquement ce type de déploiement : test offensif de votre installation, cartographie des accès, vérification des sandboxes et rapport priorisé sous 72h.
FAQ - Installation de DeerFlow 2.0
Quelle configuration serveur minimale pour installer DeerFlow 2.0 ?
Comptez au minimum 4 Go de RAM et 2 vCPU pour un usage de test avec un seul sous-agent actif. Pour un déploiement en production avec plusieurs sous-agents en parallèle, 8 Go de RAM et 4 vCPU sont recommandés.
Peut-on installer DeerFlow sans Docker ?
Techniquement oui, mais ce n'est pas recommandé : Docker isole l'exécution du code généré par les sous-agents dans des conteneurs séparés, un élément de sécurité important qu'une installation manuelle perd.
Comment changer de modèle IA après l'installation ?
Modifiez les paramètres du modèle dans config.yaml puis relancez les conteneurs avec make docker-start. Aucune réinstallation n'est nécessaire.
L'installation de DeerFlow est-elle sécurisée par défaut ?
L'architecture par défaut est saine, mais pas durcie pour la production. Isolez le réseau des sandboxes, restreignez les canaux IM et gérez vos clés API via des variables d'environnement avant tout usage réel.
Combien de temps prend l'installation de DeerFlow 2.0 ?
Entre 10 et 20 minutes pour un environnement de test fonctionnel. Comptez une demi-journée supplémentaire pour la sécurisation complète avant tout déploiement en production.
Votre installation DeerFlow est prête - est-elle sécurisée ?
2LKATIME audite gratuitement votre déploiement DeerFlow en 20 minutes : isolation des sandboxes, gestion des secrets, exposition réseau. Aucun engagement.