DeerFlow è l'ambiente di esecuzione per agenti autonomi open source sviluppato da ByteDance. Invece di limitarsi a chattare, fornisce all'agente un file system reale e un terminale bash isolato. Dopo averlo testato sul mio Mac Mini, ti spiego come configurarlo con Ollama per far girare modelli locali senza costi API.
Se stai cercando di costruire un "super agente" in grado di analizzare dati, scrivere script ed eseguirli autonomamente, DeerFlow è la soluzione più sicura attualmente disponibile. Ti spiego perché la sua architettura basata su Docker è fondamentale e come integrarlo con i tuoi modelli locali in 15 minuti.
Cos'è DeerFlow e perché ti serve
Mentre framework come OpenClaw gestiscono l'orchestrazione degli agenti, DeerFlow risolve un problema diverso: l'esecuzione sicura del codice. Quando chiedi a un LLM di scrivere ed eseguire uno script Python per analizzare un file CSV, non vuoi che lo script giri direttamente sul tuo sistema operativo.
DeerFlow crea una "scatola chiusa" (sandbox) dove l'agente può operare. Ha accesso a un terminale, può installare pacchetti, creare file e fallire senza causare danni al tuo computer.
Vuoi costruire agenti AI sicuri per la tua azienda?
Iscriviti alla newsletter per sviluppatori: condivido ogni settimana i setup locali che uso in produzione.
L'importanza di una sandbox Docker
Eseguire codice generato dall'AI sul tuo host è un rischio di sicurezza enorme, un problema che abbiamo visto anche analizzando strangeClaw e le microVM. Un comando dannoso generato per errore (o per allucinazione del modello) può cancellare i tuoi progetti.
DeerFlow utilizza container Docker per isolare l'agente. Ogni task viene eseguito in un container temporaneo che viene distrutto al termine dell'operazione. Questo approccio garantisce:
- Sicurezza: l'agente non può accedere ai tuoi file personali.
- Riproducibilità: l'ambiente di partenza è sempre pulito e identico.
- Isolamento delle dipendenze: i pacchetti installati dall'agente non inquinano il tuo sistema.
Configurare DeerFlow con Ollama
La configurazione predefinita di DeerFlow punta spesso alle API di OpenAI o Anthropic. Per mantenere i dati in locale e azzerare i costi, possiamo collegarlo a Ollama.
Prima di iniziare, assicurati di aver installato Docker e Ollama. Scarica un modello capace di generare codice, come Qwen 3.5:
ollama run qwen2.5-coder:32bSuccessivamente, clona il repository di DeerFlow e configura l'endpoint API per puntare al tuo server Ollama locale (di solito http://localhost:11434/v1). Nel file .env di DeerFlow, imposta:
OPENAI_API_BASE="http://host.docker.internal:11434/v1"
OPENAI_API_KEY="ollama"
MODEL_NAME="qwen2.5-coder:32b"
Uso host.docker.internal perché DeerFlow gira all'interno di un container e ha bisogno di comunicare con Ollama che gira sull'host.
Creare il tuo primo super agente
Una volta configurato, puoi lanciare DeerFlow. Proviamo con un task pratico: forniamogli un file CSV con dati di vendita e chiediamogli di estrarre le tendenze principali.
Copia il tuo vendite.csv nella cartella workspace di DeerFlow ed esegui:
python run.py --task "Leggi vendite.csv, scrivi uno script Python per calcolare le vendite totali per mese e salva un grafico in output.png"DeerFlow farà partire il container. Il modello Qwen scriverà lo script, lo eseguirà nel terminale virtuale, installerà eventuali librerie mancanti (come pandas o matplotlib) e infine genererà il grafico. Tutto in totale autonomia.
Limiti attuali e sviluppi futuri
DeerFlow è un progetto giovane. Ho notato che l'ambiente Docker a volte impiega qualche secondo di troppo per avviarsi e la gestione degli errori non è sempre chiara se il modello entra in un loop infinito di comandi errati.
Tuttavia, l'approccio di ByteDance è quello corretto: separare la logica dell'agente dall'ambiente di esecuzione. Integrato con un orchestratore come OpenClaw, apre le porte alla creazione di swarm di agenti locali che lavorano in parallelo in totale sicurezza.
Domande frequenti
DeerFlow è gratuito?
Sì, il framework è open source. Usandolo con Ollama, elimini anche i costi delle chiamate API ai modelli linguistici.
Posso usare modelli più leggeri di Qwen 32B?
Certamente. Puoi usare llama3:8b o qwen2.5-coder:7b, ma i modelli più grandi commettono meno errori di sintassi quando scrivono ed eseguono script complessi nella sandbox.
Funziona su Mac Apple Silicon?
Sì. Docker Desktop e Ollama supportano nativamente i chip M1/M2/M3. Il mio setup principale gira su un Mac Mini M2 Pro senza problemi di compatibilità.
Scritto da Matteo Giardino, CTO e founder. Costruisco agenti AI per piccole e medie imprese in Italia. I miei progetti.