diff --git a/README.md b/README.md
index f9a42a5..6c74752 100644
--- a/README.md
+++ b/README.md
@@ -1,6 +1,6 @@
# 🦌 DeerFlow - 2.0
-English | [中文](./README_zh.md) | [日本語](./README_ja.md) | [Français](./README_fr.md)
+English | [中文](./README_zh.md) | [日本語](./README_ja.md) | [Français](./README_fr.md) | [Русский](./README_ru.md)
[](./backend/pyproject.toml)
[](./Makefile)
diff --git a/README_ru.md b/README_ru.md
new file mode 100644
index 0000000..752697c
--- /dev/null
+++ b/README_ru.md
@@ -0,0 +1,441 @@
+# 🦌 DeerFlow - 2.0
+
+[English](./README.md) | [中文](./README_zh.md) | [日本語](./README_ja.md) | Русский
+
+[](./backend/pyproject.toml)
+[](./Makefile)
+[](./LICENSE)
+
+
+
+> 28 февраля 2026 года DeerFlow занял 🏆 #1 в GitHub Trending после релиза версии 2. Спасибо огромное нашему сообществу — всё благодаря вам! 💪🔥
+
+DeerFlow (**D**eep **E**xploration and **E**fficient **R**esearch **Flow**) — open-source **Super Agent Harness**, который управляет **Sub-Agents**, **Memory** и **Sandbox** для решения почти любой задачи. Всё на основе расширяемых **Skills**.
+
+https://github.com/user-attachments/assets/a8bcadc4-e040-4cf2-8fda-dd768b999c18
+
+> [!NOTE]
+> **DeerFlow 2.0 — проект переписан с нуля.** Общего кода с v1 нет. Если нужен оригинальный Deep Research фреймворк — он живёт в ветке [`1.x`](https://github.com/bytedance/deer-flow/tree/main-1.x), туда тоже принимают контрибьюты. Активная разработка идёт в 2.0.
+
+## Официальный сайт
+
+[
](https://deerflow.tech)
+
+Больше информации и живые демо на [**официальном сайте**](https://deerflow.tech).
+
+## Coding Plan от ByteDance Volcengine
+
+
+
+- Рекомендуем Doubao-Seed-2.0-Code, DeepSeek v3.2 и Kimi 2.5 для запуска DeerFlow
+- [Подробнее](https://www.byteplus.com/en/activity/codingplan?utm_campaign=deer_flow&utm_content=deer_flow&utm_medium=devrel&utm_source=OWO&utm_term=deer_flow)
+- [Для разработчиков из материкового Китая](https://www.volcengine.com/activity/codingplan?utm_campaign=deer_flow&utm_content=deer_flow&utm_medium=devrel&utm_source=OWO&utm_term=deer_flow)
+
+## InfoQuest
+
+DeerFlow интегрирован с инструментарием для умного поиска и краулинга от BytePlus — [InfoQuest (есть бесплатный онлайн-доступ)](https://docs.byteplus.com/en/docs/InfoQuest/What_is_Info_Quest)
+
+
+ 
+
+
+---
+
+## Содержание
+
+- [🦌 DeerFlow - 2.0](#-deerflow---20)
+ - [Официальный сайт](#официальный-сайт)
+ - [InfoQuest](#infoquest)
+ - [Содержание](#содержание)
+ - [Быстрый старт](#быстрый-старт)
+ - [Конфигурация](#конфигурация)
+ - [Запуск](#запуск)
+ - [Вариант 1: Docker (рекомендуется)](#вариант-1-docker-рекомендуется)
+ - [Вариант 2: Локальная разработка](#вариант-2-локальная-разработка)
+ - [Дополнительно](#дополнительно)
+ - [Режим Sandbox](#режим-sandbox)
+ - [MCP-сервер](#mcp-сервер)
+ - [Мессенджеры](#мессенджеры)
+ - [От Deep Research к Super Agent Harness](#от-deep-research-к-super-agent-harness)
+ - [Core Features](#core-features)
+ - [Skills & Tools](#skills--tools)
+ - [Интеграция с Claude Code](#интеграция-с-claude-code)
+ - [Sub-Agents](#sub-agents)
+ - [Sandbox & файловая система](#sandbox--файловая-система)
+ - [Context Engineering](#context-engineering)
+ - [Long-Term Memory](#long-term-memory)
+ - [Рекомендуемые модели](#рекомендуемые-модели)
+ - [Встроенный Python-клиент](#встроенный-python-клиент)
+ - [Документация](#документация)
+ - [Участие в разработке](#участие-в-разработке)
+ - [Лицензия](#лицензия)
+ - [Благодарности](#благодарности)
+ - [Ключевые контрибьюторы](#ключевые-контрибьюторы)
+ - [История звёзд](#история-звёзд)
+
+## Быстрый старт
+
+### Конфигурация
+
+1. **Склонировать репозиторий DeerFlow**
+
+ ```bash
+ git clone https://github.com/bytedance/deer-flow.git
+ cd deer-flow
+ ```
+
+2. **Сгенерировать локальные конфиги**
+
+ Из корня проекта (`deer-flow/`) запустите:
+
+ ```bash
+ make config
+ ```
+
+ Команда создаёт локальные конфиги на основе шаблонов.
+
+3. **Настроить модель**
+
+ Отредактируйте `config.yaml` и задайте хотя бы одну модель:
+
+ ```yaml
+ models:
+ - name: gpt-4 # Внутренний идентификатор
+ display_name: GPT-4 # Отображаемое имя
+ use: langchain_openai:ChatOpenAI # Путь к классу LangChain
+ model: gpt-4 # Идентификатор модели для API
+ api_key: $OPENAI_API_KEY # API-ключ (рекомендуется: переменная окружения)
+ max_tokens: 4096 # Максимальное количество токенов на запрос
+ temperature: 0.7 # Температура сэмплирования
+
+ - name: openrouter-gemini-2.5-flash
+ display_name: Gemini 2.5 Flash (OpenRouter)
+ use: langchain_openai:ChatOpenAI
+ model: google/gemini-2.5-flash-preview
+ api_key: $OPENAI_API_KEY
+ base_url: https://openrouter.ai/api/v1
+
+ - name: gpt-5-responses
+ display_name: GPT-5 (Responses API)
+ use: langchain_openai:ChatOpenAI
+ model: gpt-5
+ api_key: $OPENAI_API_KEY
+ use_responses_api: true
+ output_version: responses/v1
+ ```
+
+ OpenRouter и аналогичные OpenAI-совместимые шлюзы настраиваются через `langchain_openai:ChatOpenAI` с параметром `base_url`. Для CLI-провайдеров:
+
+ ```yaml
+ models:
+ - name: gpt-5.4
+ display_name: GPT-5.4 (Codex CLI)
+ use: deerflow.models.openai_codex_provider:CodexChatModel
+ model: gpt-5.4
+ supports_thinking: true
+ supports_reasoning_effort: true
+
+ - name: claude-sonnet-4.6
+ display_name: Claude Sonnet 4.6 (Claude Code OAuth)
+ use: deerflow.models.claude_provider:ClaudeChatModel
+ model: claude-sonnet-4-6
+ max_tokens: 4096
+ supports_thinking: true
+ ```
+
+ - Codex CLI читает `~/.codex/auth.json`
+ - Claude Code принимает `CLAUDE_CODE_OAUTH_TOKEN`, `ANTHROPIC_AUTH_TOKEN` или `~/.claude/.credentials.json`
+ - На macOS при необходимости экспортируйте аутентификацию Claude Code явно:
+
+ ```bash
+ eval "$(python3 scripts/export_claude_code_oauth.py --print-export)"
+ ```
+
+4. **Указать API-ключи**
+
+ - **Вариант А**: файл `.env` в корне проекта (рекомендуется)
+
+ ```bash
+ TAVILY_API_KEY=your-tavily-api-key
+ OPENAI_API_KEY=your-openai-api-key
+ INFOQUEST_API_KEY=your-infoquest-api-key
+ ```
+
+ - **Вариант Б**: переменные окружения в терминале
+
+ ```bash
+ export OPENAI_API_KEY=your-openai-api-key
+ ```
+
+ - **Вариант В**: напрямую в `config.yaml` (не рекомендуется для продакшена)
+
+### Запуск
+
+#### Вариант 1: Docker (рекомендуется)
+
+**Разработка** (hot-reload, монтирование исходников):
+
+```bash
+make docker-init # Загрузить образ Sandbox (один раз или при обновлении)
+make docker-start # Запустить сервисы
+```
+
+**Продакшен** (собирает образы локально):
+
+```bash
+make up # Собрать образы и запустить все сервисы
+make down # Остановить и удалить контейнеры
+```
+
+> [!TIP]
+> На Linux при ошибке `permission denied` для Docker daemon добавьте пользователя в группу `docker` и перелогиньтесь. Подробнее в [CONTRIBUTING.md](CONTRIBUTING.md#linux-docker-daemon-permission-denied).
+
+Адрес: http://localhost:2026
+
+#### Вариант 2: Локальная разработка
+
+1. **Проверить зависимости**:
+ ```bash
+ make check # Проверяет Node.js 22+, pnpm, uv, nginx
+ ```
+
+2. **Установить зависимости**:
+ ```bash
+ make install
+ ```
+
+3. **(Опционально) Загрузить образ Sandbox заранее**:
+ ```bash
+ make setup-sandbox
+ ```
+
+4. **Запустить сервисы**:
+ ```bash
+ make dev
+ ```
+
+5. **Адрес**: http://localhost:2026
+
+### Дополнительно
+
+#### Режим Sandbox
+
+DeerFlow поддерживает несколько режимов выполнения:
+- **Локальное выполнение** — код запускается прямо на хосте
+- **Docker** — код выполняется в изолированных Docker-контейнерах
+- **Docker + Kubernetes** — выполнение в Kubernetes-подах через provisioner
+
+Подробнее в [руководстве по конфигурации Sandbox](backend/docs/CONFIGURATION.md#sandbox).
+
+#### MCP-сервер
+
+DeerFlow поддерживает настраиваемые MCP-серверы для расширения возможностей. Для HTTP/SSE MCP-серверов поддерживаются OAuth-токены (`client_credentials`, `refresh_token`). Подробнее в [руководстве по MCP-серверу](backend/docs/MCP_SERVER.md).
+
+#### Мессенджеры
+
+DeerFlow принимает задачи прямо из мессенджеров. Каналы запускаются автоматически при настройке, публичный IP не нужен.
+
+| Канал | Транспорт | Сложность |
+|-------|-----------|-----------|
+| Telegram | Bot API (long-polling) | Просто |
+| Slack | Socket Mode | Средне |
+| Feishu / Lark | WebSocket | Средне |
+
+**Конфигурация в `config.yaml`:**
+
+```yaml
+channels:
+ feishu:
+ enabled: true
+ app_id: $FEISHU_APP_ID
+ app_secret: $FEISHU_APP_SECRET
+
+ slack:
+ enabled: true
+ bot_token: $SLACK_BOT_TOKEN
+ app_token: $SLACK_APP_TOKEN
+ allowed_users: []
+
+ telegram:
+ enabled: true
+ bot_token: $TELEGRAM_BOT_TOKEN
+ allowed_users: []
+```
+
+**Настройка Telegram**
+
+1. Напишите [@BotFather](https://t.me/BotFather), отправьте `/newbot` и скопируйте HTTP API-токен.
+2. Укажите `TELEGRAM_BOT_TOKEN` в `.env` и включите канал в `config.yaml`.
+
+**Доступные команды**
+
+| Команда | Описание |
+|---------|----------|
+| `/new` | Начать новый диалог |
+| `/status` | Показать информацию о текущем треде |
+| `/models` | Список доступных моделей |
+| `/memory` | Просмотреть память |
+| `/help` | Показать справку |
+
+> Сообщения без команды воспринимаются как обычный чат — DeerFlow создаёт тред и отвечает.
+
+## От Deep Research к Super Agent Harness
+
+DeerFlow начинался как фреймворк для Deep Research, и сообщество вышло далеко за эти рамки. После запуска разработчики строили пайплайны, генерировали презентации, поднимали дашборды, автоматизировали контент. То, чего мы не ожидали.
+
+Стало понятно: DeerFlow не просто research-инструмент. Это **harness**: runtime, который даёт агентам необходимую инфраструктуру.
+
+Поэтому мы переписали всё с нуля.
+
+DeerFlow 2.0 — это Super Agent Harness «из коробки». Batteries included, полностью расширяемый. Построен на LangGraph и LangChain. По умолчанию есть всё, что нужно агенту: файловая система, memory, skills, sandbox-выполнение и возможность планировать и запускать sub-agents для сложных многошаговых задач.
+
+Используйте как есть. Или разберите и переделайте под себя.
+
+## Core Features
+
+### Skills & Tools
+
+Skills — это то, что позволяет DeerFlow делать почти что угодно.
+
+Agent Skill — это структурированный модуль: Markdown-файл с описанием воркфлоу, лучших практик и ссылок на ресурсы. DeerFlow поставляется со встроенными skills для ресёрча, генерации отчётов, слайдов, веб-страниц, изображений и видео. Но главное — расширяемость: добавляйте свои skills, заменяйте встроенные или собирайте из них составные воркфлоу.
+
+Skills загружаются по мере необходимости, только когда задача их требует. Это держит контекстное окно чистым.
+
+```
+# Пути внутри контейнера sandbox
+/mnt/skills/public
+├── research/SKILL.md
+├── report-generation/SKILL.md
+├── slide-creation/SKILL.md
+├── web-page/SKILL.md
+└── image-generation/SKILL.md
+
+/mnt/skills/custom
+└── your-custom-skill/SKILL.md ← ваш skill
+```
+
+#### Интеграция с Claude Code
+
+Skill `claude-to-deerflow` позволяет работать с DeerFlow прямо из [Claude Code](https://docs.anthropic.com/en/docs/claude-code). Отправляйте задачи, проверяйте статус, управляйте тредами, не выходя из терминала.
+
+**Установка скилла**:
+
+```bash
+npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow
+```
+
+**Что можно делать**:
+- Отправлять сообщения в DeerFlow и получать потоковые ответы
+- Выбирать режимы выполнения: flash (быстро), standard, pro (planning), ultra (sub-agents)
+- Проверять статус DeerFlow, просматривать модели, скиллы, агентов
+- Управлять тредами и историей диалога
+- Загружать файлы для анализа
+
+Полный справочник API в [`skills/public/claude-to-deerflow/SKILL.md`](skills/public/claude-to-deerflow/SKILL.md).
+
+### Sub-Agents
+
+Сложные задачи редко решаются за один проход. DeerFlow их декомпозирует.
+
+Lead agent запускает sub-agents на лету, каждый со своим изолированным контекстом, инструментами и условиями завершения. Sub-agents работают параллельно, возвращают структурированные результаты, а lead agent собирает всё в единый итог.
+
+Вот как DeerFlow справляется с задачами на минуты и часы: research-задача разветвляется в дюжину sub-agents, каждый копает свой угол, потом всё сходится в один отчёт, или сайт, или слайддек со сгенерированными визуалами. Один harness, много рук.
+
+### Sandbox & файловая система
+
+DeerFlow не просто *говорит* о том, что умеет что-то делать. У него есть собственный компьютер.
+
+Каждая задача выполняется внутри изолированного Docker-контейнера с полной файловой системой: skills, workspace, uploads, outputs. Агент читает, пишет и редактирует файлы. Выполняет bash-команды и пишет код. Смотрит на изображения. Всё изолировано, всё прозрачно, никакого пересечения между сессиями.
+
+Это разница между чатботом с доступом к инструментам и агентом с реальной средой выполнения.
+
+```
+# Пути внутри контейнера sandbox
+/mnt/user-data/
+├── uploads/ ← ваши файлы
+├── workspace/ ← рабочая директория агентов
+└── outputs/ ← результаты
+```
+
+### Context Engineering
+
+**Изолированный контекст**: каждый sub-agent работает в своём контексте и не видит контекст главного агента или других sub-agents. Агент фокусируется на своей задаче.
+
+**Управление контекстом**: внутри сессии DeerFlow агрессивно сжимает контекст и суммирует завершённые подзадачи, выгружает промежуточные результаты в файловую систему, сжимает то, что уже не актуально. На длинных многошаговых задачах контекстное окно не переполняется.
+
+### Long-Term Memory
+
+Большинство агентов забывают всё, когда диалог заканчивается. DeerFlow помнит.
+
+DeerFlow сохраняет ваш профиль, предпочтения и накопленные знания между сессиями. Чем больше используете, тем лучше он вас знает: стиль, технологический стек, повторяющиеся воркфлоу. Всё хранится локально и остаётся под вашим контролем.
+
+## Рекомендуемые модели
+
+DeerFlow работает с любым LLM через OpenAI-совместимый API. Лучше всего — с моделями, которые поддерживают:
+
+- **Большое контекстное окно** (100k+ токенов) — для deep research и многошаговых задач
+- **Reasoning capabilities** — для адаптивного планирования и сложной декомпозиции
+- **Multimodal inputs** — для работы с изображениями и видео
+- **Strong tool-use** — для надёжного вызова функций и структурированных ответов
+
+## Встроенный Python-клиент
+
+DeerFlow можно использовать как Python-библиотеку прямо в коде — без запуска HTTP-сервисов. `DeerFlowClient` даёт доступ ко всем возможностям агента и Gateway, возвращает те же схемы ответов, что и HTTP Gateway API:
+
+```python
+from deerflow.client import DeerFlowClient
+
+client = DeerFlowClient()
+
+# Chat
+response = client.chat("Analyze this paper for me", thread_id="my-thread")
+
+# Streaming (LangGraph SSE protocol: values, messages-tuple, end)
+for event in client.stream("hello"):
+ if event.type == "messages-tuple" and event.data.get("type") == "ai":
+ print(event.data["content"])
+
+# Configuration & management — returns Gateway-aligned dicts
+models = client.list_models() # {"models": [...]}
+skills = client.list_skills() # {"skills": [...]}
+client.update_skill("web-search", enabled=True)
+client.upload_files("thread-1", ["./report.pdf"]) # {"success": True, "files": [...]}
+```
+
+## Документация
+
+- [Руководство по участию](CONTRIBUTING.md) — настройка среды разработки, воркфлоу и гайдлайны
+- [Руководство по конфигурации](backend/docs/CONFIGURATION.md) — инструкции по настройке
+- [Обзор архитектуры](backend/CLAUDE.md) — технические детали
+- [Архитектура бэкенда](backend/README.md) — бэкенд и справочник API
+
+## Участие в разработке
+
+Приветствуем контрибьюторов! Настройка среды разработки, воркфлоу и гайдлайны — в [CONTRIBUTING.md](CONTRIBUTING.md).
+
+## Лицензия
+
+Проект распространяется под [лицензией MIT](./LICENSE).
+
+## Благодарности
+
+DeerFlow стоит на плечах open-source сообщества. Спасибо всем проектам и разработчикам, чья работа сделала его возможным.
+
+Отдельная благодарность:
+
+- **[LangChain](https://github.com/langchain-ai/langchain)** — фреймворк для взаимодействия с LLM и построения цепочек.
+- **[LangGraph](https://github.com/langchain-ai/langgraph)** — многоагентная оркестрация, на которой держатся сложные воркфлоу DeerFlow.
+
+### Ключевые контрибьюторы
+
+Авторы DeerFlow, без которых проекта бы не было:
+
+- **[Daniel Walnut](https://github.com/hetaoBackend/)**
+- **[Henry Li](https://github.com/magiccube/)**
+
+## История звёзд
+
+[](https://star-history.com/#bytedance/deer-flow&Date)