私は大手 SaaS 企業の調査自動化チームで DeerFlow を本番運用しているエンジニアです。これまでは GPT-4.1 を主力 LLM として月間 $800 ほど消費していましたが、DeepSeek V4 系列への切り替えと HolySheep AI の導入により、品質を維持しながら 90% 以上コストを削減できました。本記事では、その過程で得られたアーキテクチャ設計、同時実行制御、ベンチマーク結果を公開します。
1. DeerFlow アーキテクチャの再確認
DeerFlow は LangGraph をベースにしたマルチエージェント・オーケストレーターで、以下の 4 種類のエージェントが LangGraph 上で連携します。
- Coordinator: ユーザー要求を分類し、適切なサブエージェントへルーティング
- Planner: 調査計画をステップ分解
- Researcher: Web 検索・スクレイピング・Python 実行を担当 (複数並列起動)
- Reporter: 最終成果を構造化レポートへ整形
デフォルトでは Researcher ノードが並列実行されるため、API リクエストはバースト性が大きく、レート制限とトークン課金の管理が運用上の最大の課題でした。
2. DeepSeek V4 への移行設計
DeepSeek V4 系列 (V3.2 アーキテクチャ互換、$0.42/MTok) は OpenAI 互換 REST を提供しているため、DeerFlow の llm_config.yaml の base_url を差し替えるだけで移行できます。HolySheep AI は OpenAI 完全互換のエンドポイント https://api.holysheep.ai/v1 を提供しており、追加のプロキシ実装は不要です。
関連リソース
関連記事