Dify

🧰 一、这个工具到底是干什么的

Dify 是苏州语灵人工智能科技有限公司做的开源大语言模型应用开发平台。创始人张路宇，之前在腾讯干过，2023 年第二次创业做了这个东西。第一版 2023 年 5 月发布，2026 年 3 月完成了 3000 万美元 Pre-A 轮融资，红杉中国领投。

它的定位跟 Coze、扣子那种“零代码搭机器人”的平台有重合，但本质不一样。Dify 的核心是给开发者和企业提供一个能私有化部署的 AI 应用工厂。你可以把它理解成一个“AI 应用的操作系统”：底层接各种大模型，中间有可视化编排画布，上层能发布成聊天机器人、工作流、API、甚至 MCP 服务。

说白了，它解决的核心问题是：你想把大模型用在实际业务里，但不想从零写代码、不想被某个云平台锁死、又希望数据留在自己服务器上。Dify 把 RAG、Agent、工作流编排这些能力封装好了，你拖拖拽拽就能搭出一个能用的东西，而且可以自己部署。

⚙️ 二、核心功能有哪些

功能挺多的，我挑实际影响日常使用的几个：

1. 可视化工作流编排。 一张画布，拖节点就能搭流程。节点类型包括：LLM 调用、知识检索、问题分类、条件分支、循环迭代、代码执行、HTTP 请求、人工审核。工作流支持定时触发、Webhook 触发、插件事件触发。

2. RAG 知识库。 上传本地文件、同步 Notion、爬网页，Dify 自动切片、索引、向量化。检索时支持混合检索，回答能锚定到你上传的文档，减少胡编。

3. 多模型接入。 支持 OpenAI、Anthropic、Google、xAI、通义千问、DeepSeek 等主流模型。云端沙盒版送 200 条消息额度，用完了可以切自己的 API Key，Dify 不抽成。

4. 插件生态与 Marketplace。 2025 年 2 月推出 v1.0.0 后，模型和工具都迁移到了插件架构。Marketplace 里有 120 多个插件，包括 Perplexity、Slack、Firecrawl、ComfyUI 等。支持热插拔，不用重启整个平台。

5. Agent 节点。 工作流里可以放 Agent 节点，让它自己决定调用哪个工具、怎么推理。支持 ReAct、Function Calling 等策略。

6. 多种发布形态。 搭好的东西可以发布成：托管网页应用、API 端点、MCP 服务器（供 Claude Desktop、Cursor 调用）、或者导出 DSL 模板。

7. 观测与调试。 内置日志、执行追踪、节点级调试。可以把追踪数据推送到 Langfuse、LangSmith、Arize 等外部观测平台。

✨ 三、跟同类比，它的特色在哪

第一，开源可私有化部署是最大的差异化。 Coze 是字节的 SaaS，数据在人家服务器上。Dify 的社区版完全开源，你可以 Docker 部署在自己的机器上，数据不出内网。德国有政府部门就是用 Dify 加 Ollama 本地模型做市民服务聊天机器人的，因为数据隐私法规不允许数据出境。

第二，它是“应用工厂”，不是“聊天机器人搭建器”。 Coze 的强项是快速做一个面向 C 端的 Bot。Dify 的 Workflow 和 Chatflow 是给企业级场景设计的：多步骤流程、条件分支、人工审核、错误恢复路径。你要搭一个“从用户请求到审批到执行”的自动化流程，Dify 更合适。

第三，RAG 和 Agent 的封装成熟度。 有对比文章指出，Dify 在 RAG 检索召回策略上封装得很成熟，甚至支持混合检索。Agent 能力也是几个开源平台里“极强”的一档。

第四，对国内开发者友好。 原生中文支持，中文社区活跃，官方团队响应快。GitHub 上 101K Star，文档齐全。

🎯 四、实际适合谁用

想快速把 AI 落地到业务里的开发者。 有 Java 开发者评价说 Dify 是“最稳妥的选择”，REST API 设计规范，有多个成熟的社区 Java SDK，和 Spring Boot 可以无缝集成。

有数据隐私要求的企业。 金融、医疗、政府类项目，数据不能上公有云。Dify 社区版免费自托管，模型也可以接本地的 Ollama 或 vLLM。

想从 Coze 迁移的团队。 用 Coze 快速做了原型，但遇到了平台锁定或者数据安全的问题，想搬到自己的服务器上。Dify 是开源方案里成熟度最高的之一。

不太适合的： 如果你只是个人用户，想搭一个简单的问答机器人玩玩，Coze 或者直接 ChatGPT 更省事。Dify 的完整部署需要 8 个以上容器，最低建议 4 核 8G 内存，对一个“随便玩玩”的需求来说太重了。另外，它的二次开发成本偏高，Python 代码对非 Python 开发者不友好。

🖱️ 五、怎么上手

Dify 有两种用法：云端和自托管。先讲云端，最省事。

第一步：注册云端沙盒。 打开官网注册账号，自动进 Sandbox 免费版。送 200 条消息额度，5 个应用上限，50MB 知识库存储。

第二步：创建一个应用。 登录后选应用类型。新手建议从“聊天助手”开始，或者直接选“工作流”体验画布。

第三步：接模型。 在设置里选模型供应商。沙盒版可以用 Dify 送的额度调 OpenAI、Anthropic 等。想用自己的 API Key 也行。

第四步：搭流程。 以工作流为例：从“开始”节点拖出线，接一个“LLM”节点，再接到“结束”节点。中间想加知识检索就拖一个“知识检索”节点进去。每个节点可以配置参数。

第五步：调试。 点运行，输入测试数据，看每个节点的输入输出对不对。有问题就调节点配置。

第六步：发布。 调试好了，点发布。可以生成网页链接、API 端点、或者 MCP 服务。

如果自托管： 从 GitHub 拉代码，用 Docker Compose 部署。建议 4 核 8G 起步。部署完就是完整的社区版，没有应用数量限制。

💡 六、几个真实有用的技巧

沙盒版够你摸清全部逻辑。 200 条消息额度听起来少，但如果你用自己的 API Key，消息额度就不限了，沙盒只限制应用数量和知识库存储。先用沙盒把流程跑通再决定要不要升级。

知识库的切片设置决定回答质量。 有实战文章专门强调“知识库的切片”是关键。切片太大，检索不精准；切片太小，上下文丢失。文件类型不同，切片策略也要调。

混合检索比纯向量检索稳。 Dify 支持混合检索，把关键词匹配和语义匹配结合起来。对于专有名词、代码片段多的文档，混合检索明显比纯向量好。

用错误处理分支兜底。 LLM 调用、HTTP 请求、代码执行这些节点都可能失败。Dify 支持给节点配置“失败时转入恢复分支”，返回默认值或者走另一条路。生产环境一定要配。

优先考虑“自托管加国产模型 API”的组合。 有分析建议这个方案性价比最高：Dify 平台本身不收费，模型用 DeepSeek 或通义千问的 API，Token 成本极低。比用云端版加 OpenAI 便宜很多。

📦 七、安装方式

云端版： 浏览器打开就能用，注册即用。不需要安装任何东西。

自托管（社区版）： 通过 Docker 部署。官方推荐 Docker Compose。可以跑在本地电脑、公司服务器、或者云服务器上。最低 2 核 4G，建议 4 核 8G 以上。

没有 Windows/Mac 桌面客户端。没有 iOS/Android App。没有浏览器插件。核心体验在 Web 界面。

💰 八、收费情况

Dify 的计费逻辑比较特别，分“平台费”和“模型费”两条线。

社区版（自托管）： 完全免费。从 GitHub 下载代码自己部署，平台本身不收钱，没有应用数量和知识库限制。但你需要自己出服务器钱，自己解决模型 API 或本地模型。

云端 Sandbox（免费）： 200 条消息额度（一次性）、5 个应用上限、50MB 知识库存储、5,000 次 API 请求/月。

云端 Professional： 月付 $59，年付折合 $49.2/月。5,000 条消息额度/月、50 个应用、5GB 知识库、无限 API 请求、3 名团队成员。

云端 Team： 月付 $159，年付折合 $132.5/月。10,000 条消息额度/月、200 个应用、20GB 知识库、50 名团队成员。

Enterprise： 联系销售。含 SSO、多工作空间管理、专属支持等。

模型费用： 不管用哪个版本，调商业模型的 Token 费是额外付给模型厂商的，Dify 不抽成。如果用本地模型（Ollama/vLLM），模型成本为零。

👥 九、全球使用情况

官方数据：全球超过 140 万台机器部署，用户覆盖 175 个国家和地区，2,000 多个团队和 280 家企业客户在用商业版。客户包括马士基、ETS、安克创新、诺华。

GitHub Star 数 101K，是 GitHub 上 Star 数排名前 100 的开源项目之一。

主要用户来自中国、美国、欧洲。国内开发者用它的比例很高，中文社区活跃。

⚖️ 十、优缺点，说实在的

优点：

1. 开源可私有化，数据主权在自己手里。 这是它跟 Coze 拉开差距的核心。有数据隐私要求的企业，这是硬需求。

2. RAG 和 Agent 封装成熟。 混合检索、切片策略、Agent 策略插件，这些不需要从零写。Java 开发者有成熟的 SDK 可以集成。

3. 插件生态在快速成长。 v1.0.0 之后插件架构完善了，Marketplace 有 120 多个插件，支持热插拔。

4. 中文支持好，社区活跃。 原生中文，文档中文版齐全，官方响应快。

缺点：

1. 部署比较重。 完整部署需要 8 个以上容器，最低 4 核 8G。对只想跑个小工具的人来说，太重了。

2. 二次开发成本高。 Python 代码对非 Python 开发者不友好。有 Java 开发者明确指出这一点。

3. 从可视化迁移到代码很痛苦。 有分析指出，在 Dify 里做了原型之后，如果业务长大了想迁到 LangChain 或 LangGraph，可视化工作流的节点和边跟代码没有一一对应的关系，迁移过程很痛。

4. 高级功能要付费。 SSO、多工作空间管理、企业级权限这些只在 Enterprise 版提供。

🆚 十一、跟同类工具简单对比

对比 Coze（扣子）： Coze 是字节的 SaaS，零代码，插件丰富，适合快速搭 C 端 Bot。Dify 开源可私有化，适合企业级、数据敏感的场景。Coze 上手更快，Dify 控制力更强。

对比 n8n： n8n 本质是工作流自动化工具，强项是跨系统集成（400 多个连接器），把 AI 嵌入到现有业务流程里。Dify 是 AI 应用工厂，强项是 RAG 和 Agent 的原生支持。两者定位不同，可以配合用。

对比 FastGPT： FastGPT 的 RAG 能力是“极强”档，比 Dify 更强。但 Agent 能力是“中等”，工作流引擎只有“基础”。如果你只做文档问答，FastGPT 可能更对口。如果你需要 Agent 和复杂工作流，Dify 更全面。

对比 LangChain： LangChain 是代码优先的框架，自由度最大，但需要写大量代码，门槛高。Dify 是低代码平台，上手快，适合快速验证和落地。复杂度到一定程度还是要迁到 LangChain 那类工具。

✅ 十二、最后说清楚：值不值得用

适合用的情况：

你在企业里要做 AI 应用落地，对数据隐私有要求，不想把数据放到 Coze 或 OpenAI 的服务器上。Dify 社区版免费自托管，模型可以接本地的，数据完全自己管。

你是 Java 或后端开发者，想快速搭一个带 RAG 的 AI 应用，不想从零写 LangChain 代码。Dify 的 REST API 和社区 SDK 能让 Spring Boot 项目直接调。

你想从 Coze 迁移，因为遇到了平台锁定或者成本问题。Dify 是开源方案里成熟度最高的之一，迁移路径相对清晰。

不太推荐的情况：

你只是个人用户，想搭一个简单的问答机器人玩玩。Coze 或者直接 ChatGPT 更省事，Dify 的部署和维护成本对你来说没必要。

你的团队没有技术运维能力。自托管需要懂 Docker、服务器、模型 API 配置。如果没人能搞定这些，云端 Professional 版 $59/月是更省心的选择。

你需要极致的 RAG 精度。FastGPT 的 RAG 能力在对比里是“极强”档，Dify 是“中等”。如果你只做文档问答且精度要求极高，FastGPT 更对口。

我的判断： Dify 是国内开源 AI 应用平台里做得最扎实的一个。它不追求“零代码人人可用”，它服务的是有技术能力、有数据隐私要求、想认真把 AI 用起来的团队。3000 万美元融资、140 万台部署、101K Star，这些数据说明它在正确的路上。如果你是开发者或者企业技术负责人，在做 AI 落地的技术选型，Dify 值得花一个下午用沙盒版摸一遍。如果你只是普通用户想玩聊天机器人，它可能太重了。