LLM Space 4: Die Desktop-App, mit der das DeerFlow-Team Agenten baut
Dieses Projekt rundet „A desktop app to prototype agent ideas, inspect every harness step, replay failures, and evaluate performance, all in one place. Local-first, cloud-ready for managed agents.“ zu einer praxistauglichen Open-Source-Lösung zusammen, mit wiederverwendbarer Tooling- und Integrationsunterstützung für reale Anwendungsfälle.
Auf einen Blick
- Was ist das?
- LLM Space von deer-flow ist eine MIT-lizenzierte Desktop-Anwendung in TypeScript zum Prototypen, Tracen, Debuggen und Evaluieren von Agenten, lokal zuerst gedacht und als Schwesterprojekt von DeerFlow eng mit dessen Entwicklung verzahnt.
- Für wen ist es gedacht?
- LLM Space 4 passt für Agent-Entwickler unter macOS, die jeden Schritt ihrer Harness-Ausführung sichtbar machen und Läufe aus der Historie wiederaufspielen wollen; wer Windows oder Linux nutzt, findet im README keine bestätigte Plattform, und wer Code beisteuern will, muss wissen, dass Pull Requests nur vom DeerFlow-Kernteam gemerged werden. Vor dem Download lohnt der Blick in TELEMETRY.md, um den anonymen Nutzungsdatenstrom zu beurteilen und notfalls abzuschalten.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 3 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich TypeScript, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 14. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Dogfooding bei DeerFlow: warum LLM Space überhaupt existiert
LLM Space 4 ist eine Desktop-App für Agent-Entwickler. Das README nennt vier Arbeitsfelder in einem Atemzug: Agent-Ideen prototypen, jeden Schritt der Harness-Ausführung inspizieren, Fehler nachspielen und die Leistung bewerten. Das Projekt startete im März 2023, und v4 ist die vierte große Iteration.
Die engste Bindung besteht zum Agent-Framework DeerFlow von ByteDance: LLM Space ist dessen Schwesterprojekt, und das Team schreibt selbst, dass jede Version von DeerFlow mit LLM Space gebaut und debuggt wird. Dieses Dogfooding ist das stärkste Nutzungssignal, das das README anbietet; Nutzerzahlen oder Fallstudien gibt es nicht. Die Metadaten weisen rund 1.700 Sterne und 184 Forks aus, die offizielle Seite liegt unter deer-flow.github.io/llm-space, und der aktuelle Release-Stand zeigt v4.15.2 vom 29.08.2026 nach v4.15.1 und v4.15.0 an denselben Tagen davor.
Sechs Werkzeuggruppen: Build, Trace, Debug, Evaluate, Manage, Generate
Die Feature-Liste gliedert die App in sechs Funktionen. Build umfasst das Schreiben und Versionieren von Prompts, System-Nachrichten, Tools und Modellkonfigurationen. Trace zeigt jeden Modellaufruf und jeden Tool-Lauf innerhalb der Agent-Schleife, während sie passiert. Debug spielt einen Lauf aus der Historie wieder und lässt sich Schritt für Schritt durchgehen, um die Ursache zu finden.
Evaluate misst, wie ein Agent über mehrere Läufe hinweg abschneidet. Manage organisiert Threads als Dateien auf dem eigenen Rechner. Generate schließlich lässt die KI Prompts und Tools schreiben und kann jeden Thread in einen ausführbaren LangGraph-Agenten umwandeln, verlinkt als langchain-ai/langgraph. Der generierte Code zielt damit auf ein öffentliches Framework statt auf ein eigenes Laufzeitformat, was den Ausstieg aus der App erleichtert.
Lokale Datenhaltung unter ~/.llm-space und die Telemetrie-Ausnahme
Das lokale Prinzip ist klar formuliert: Dateien und API-Schlüssel bleiben auf dem eigenen Rechner. Threads liegen als Dateien im Dateisystem, genau darauf baut die Manage-Funktion auf, und beide macOS-Editionen teilen sich dasselbe Datenverzeichnis ~/.llm-space, sodass ein Wechsel zwischen den Editionen Threads und Einstellungen erhält.
Die einzige dokumentierte Ausnahme ist Telemetrie. LLM Space sammelt laut README eine kleine Menge anonymer Nutzungsdaten zur Verbesserung der App, und die Details stehen in TELEMETRY.md im Repository, inklusive der Opt-out-Möglichkeit. Welche Metriken genau gesendet werden und ob das Abstellen über ein Flag, eine Konfigurationsdatei oder die Oberfläche läuft, verrät das README nicht; diese Fragen beantwortet erst die Telemetrie-Datei selbst.
Bun-Monorepo mit Electrobun-Shell, React-UI und Pi Agent Core
Technisch ist LLM Space ein Bun-Monorepo in TypeScript. Das Layout trennt drei Pakete und eine App: packages/core trägt gemeinsame Domänentypen, Clients, Speicher und Generatoren, packages/runtime stellt die lokale Laufzeit mit Modellen, Tools, Skills, MCP und Plugins bereit, und packages/ui bündelt das React-Designsystem samt Thread Playground. Die Desktop-App selbst liegt unter apps/desktop als Electrobun-Shell mit React-Oberfläche.
Die UI baut auf Tailwind CSS und shadcn/ui, die Desktop-Hülle auf Electrobun, das als leichtgewichtiger Weg beschrieben wird, eine native App auszuliefern. Die Agent-Schleife stammt aus Pi Agent Core, einem leichtgewichtigen Agent-Framework aus dem Repository earendil-works/pi. Für Tests gilt eine spiegelbildliche Konvention: Jedes Paket hält seine Tests in tests/ neben src/, etwa packages/core/src/thread/history.ts und packages/core/tests/thread/history.test.ts.
Zwei macOS-Editionen und der Bau aus dem Quellcode mit mise
Verbreitet wird die App als DMG über den neuesten GitHub-Release, für Apple Silicon und Intel. Es gibt zwei Editionen: Das normale LLM Space nutzt das System-WebView, ist mit rund 27 MB klein und spart laut README Speicher und Akku. LLM Space Performance bringt eine eigene Rendering-Engine mit, rund 130 MB, rendert über macOS-Versionen hinweg konsistent und läuft meist schneller. Beide aktualisieren sich selbst und können parallel installiert bleiben.
Wer aus dem Quellcode baut, braucht zuerst Bun, das als All-in-One-Runtime und Paketmanager für JavaScript positioniert wird. Danach folgt bun install im Repository-Root. Für die exakte CI-Toolchain empfiehlt das README mise mit mise run setup, das die gesperrte Bun-Version aus mise.lock samt JS-Abhängigkeiten in einem Schritt installiert. Die lokale Entwicklung startet über mise run dev, ein Canary-Build entsteht mit mise run build:canary. Die Nutzerdokumentation liegt im Repository, von docs/get-started.md über docs/core-concepts.md und docs/compaction.md bis zur Plugin-Anleitung docs/plugins.md.
Beitragsmodell, Sponsoren und die Grenzen des offenen Zugangs
Das Beitragsmodell ist ungewöhnlich eng gefasst: Gemerged werden Pull Requests nur von Mitgliedern des DeerFlow-Kernteammitarbeitens; alle anderen sind eingeladen, Issues für Fehlerberichte, Ideen und Feedback zu öffnen. Für Erweiterungen zeigt das Beispiel examples/atlas-plugin/ den vollständigen Weg: zwei Skills, MCP-Server, Modellprovider, Plugin-Tools, Commands und Thread-Storages samt mehrfeldrigem Settings-Schema.
Finanziert wird das Projekt über Sponsoren und Spenden. Superdesign, ein AI-Produktdesign-Agent, steht als Platin-Sponsor, der Coding Plan von BytePlus beziehungsweise VolcEngine als Gold-Sponsor, dazu gibt es eine Spendenlink-Seite auf Feishu. Die Lizenz ist MIT, was Nutzung, Veränderung und Weitergabe inklusive kommerziellem Einsatz erlaubt. Wer die App produktiv einsetzen will, sollte zwei Grenzen einkalkulieren: die macOS-Beschränkung der dokumentierten Downloads und die Abhängigkeit der weiteren Entwicklung von einem einzigen Kernteam, das seinen eigenen Stack damit baut.
Redaktionelles Fazit
LLM Space 4 passt für Agent-Entwickler unter macOS, die jeden Schritt ihrer Harness-Ausführung sichtbar machen und Läufe aus der Historie wiederaufspielen wollen; wer Windows oder Linux nutzt, findet im README keine bestätigte Plattform, und wer Code beisteuern will, muss wissen, dass Pull Requests nur vom DeerFlow-Kernteam gemerged werden. Vor dem Download lohnt der Blick in TELEMETRY.md, um den anonymen Nutzungsdatenstrom zu beurteilen und notfalls abzuschalten.
Community-Notizen