Dify 是 LangGenius 出品的开源 AI 智能体平台，GitHub 获得 143,000+ Star。提供可视化工作流编排RAG 知识库、多 Agent 协作、模型管理和 LLMOps 监控，支持接入 OpenAI、Claude、Gemini、Llama、DeepSeek 等 100+ 主流模型。可云端托管或完全私有化自部署。

Dify 的开源 AI 工作流与 Agent 构建平台

Dify 的核心参数与统计

Dify 是一个把「LLM 应用开发」从代码工程转变为可视化编排的平台，覆盖 Agent 构建RAG 知识库、多模型管理、工作流自动化和 LLMOps 监控五条能力线，同时提供云托管与完全自托管两种部署路径。

项目	公开信息
官方定位	开源 AI 应用开发平台，覆盖 Agent、RAG 与多模型编排
开发团队	LangGenius, Inc.（中国）
开源许可	Apache 2.0（部分企业功能为商业授权）
GitHub Stars	143,800+（截至 2026 年 6 月）
GitHub Forks	22,600+
全球贡献者	1,000+
最新版本	v1.14.2（2026-05-19）
部署方式	云托管（dify.ai）/ Docker 自托管 / Kubernetes
工作流节点类型	20+（LLM、知识检索、条件分支、代码执行HTTP 请求等）
支持模型数量	100+ 主流 LLM
RAG 检索方式	向量语义检索 + 关键词全文检索混合召回

定位差异：Dify 的核心差异不在「提供某个模型」，而在于把多模型接入RAG 管线Agent 编排、监控运维打包成一个可视化工程平台。对比 LangChain 的代码库形态，Dify 提供 GUI 界面；对比 Coze 的封闭生态，Dify 允许完全私有化部署。这种「可视化 + 可自托管」的组合，让它在国内企业级市场和出海场景中获得了独特的采用率。

社区密度：143K+ Star 对应 22K+ Forks，Fork/Star 比约 15.7%，说明项目不仅有关注度，还有实际二次开发和贡献行为。全球 1,000+ 贡献者覆盖文档翻译、连接器开发Bug 修复等多个方面，社区活性在同类开源 AI 项目中属于第一梯队。

Dify 的用户与市场认可

市场对 Dify 的认可体现在开源指标、企业采用和行业对标三个层面，且三个层面相互验证。

开源社区热度：GitHub 143K+ Star 在 AI 应用构建类项目中仅次于 LangChain，但增长曲线更陡峭——从 2023 年 3 月开源到 2025 年初突破 100K Star，增速在同类项目中靠前。22K+ Forks 说明有大量团队在基于 Dify 做定制化部署或二次开发。

企业采用广度：公开信息显示，Dify 的企业用户已覆盖金融、医疗、零售、教育、制造等多个垂直行业。典型落地形态包括内部知识库问答机器人、智能客服、合同审查辅助、营销内容生产流水线。虽然官方未公开具体企业客户数（以官方实时页面为准），但从社区讨论和 Issue 反馈来看，金融合规场景和出海 SaaS 公司的采用率较高。

竞品对标：在「可自托管 + 可视化工作流 + 多模型接入」这个交叉定位上，Dify 目前没有直接竞品。n8n 偏通用自动化，缺少 RAG 和模型管理深度；Flowise 更轻量但企业级能力（权限、监控、高可用）弱于 Dify；Coze 强调易用性但无法私有化部署。Dify 在这四个维度的交叉点上获得了较高的用户认可。

Dify 的成本优势

成本优势：云端即用与自托管压低 LLM 应用落地门槛

Dify 的成本优势来自价格体系、部署灵活性和隐性成本控制三个层次，需要分开评估。

C 端与个人开发者：Cloud 免费版提供每天 200 条消息额度，适合原型验证和轻量使用。对于个人开发者，自托管社区版是更常见的选择——零订阅费，仅需承担一台云服务器的成本（最低 2C4G 实例即可运行轻量工作流）。

API 与开发者调用：Dify 本身不收取模型调用费，但它作为编排层会统计消息量。收费是按「消息数」而非 Token 数计费：Cloud 专业版 $59/月（工作区）无消息上限，团队版 $159/月起。与实际模型 API 费用相比，Dify 的编排层成本通常是模型调用费的 5%-15%，属于可忽略层级。

企业私有化部署：社区版完全免费，但需自行承担基础设施（服务器、存储、网络）、运维人力（升级、监控、备份）和定制开发成本。对于金融、医疗等对数据主权要求严格的行业，私有化部署的总体拥有成本（TCO）通常低于同等功能的商业 SaaS 产品，但需要团队具备 Docker/Kubernetes 运维能力。

与竞品价格对比：

维度	Dify 社区版	Dify Cloud 专业版	Coze 商业版	n8n 自托管
订阅费	$0	$59/月/工作区	$89/月起	$0（开源）
基础设施	自备服务器	含在订阅中	含在订阅中	自备服务器
消息/执行量上限	无	无上限	有月度限制	无
数据主权	完全自控	托管在 Dify 云	平台封闭	完全自控

价格数据以各产品官方实时页面为准，表内为公开信息提取。

Dify 的主要功能

Dify 的功能设计围绕「让非技术团队能构建 AI 应用，让技术团队能深度定制」展开，核心能力分为以下六类：

• 可视化工作流编排：20+ 节点类型覆盖 LLM 调用、知识检索、条件分支、代码执行HTTP 请求、变量聚合等。每个节点可独立配置模型、参数和异常处理，编排完成后一键发布为 API 或聊天应用。验收关注点：复杂分支场景下的节点执行顺序可视化是否清晰、异常链路是否有日志可追溯。

• RAG 知识库：支持上传 PDF、Word、网页、结构化数据等多种格式，自动完成文档解析、文本切片、向量化索引。检索层采用语义向量检索（Dense）与关键词全文检索（Sparse）混合策略，在长文档和专业术语密集场景下比纯向量检索召回率更高。验收关注点：切片策略是否可自定义、混合检索权重是否可调、多知识库之间是否支持跨库检索。

• 多 Agent 协作：支持在同一工作流中创建多个 Agent 并分配不同角色（如研究员 Agent、写作 Agent、审核 Agent），Agent 之间可传递中间结果并协同完成任务。这比单 Agent 模式更适合需要多步骤推理或分工的生产级场景。验收关注点：Agent 之间的上下文传递机制是否透明、任务分配策略是否可编程干预。

• 100+ 模型统一管理：Dify 提供统一的模型供应商接入层，支持 OpenAI、Claude、Gemini、Llama、DeepSeek、Qwen、Mistral 等主流模型。每个工作流节点可独立选择模型和参数，实现「简单任务用小模型省钱，复杂推理用旗舰模型保质量」的分级策略。

• LLMOps 监控与成本追踪：内置对话日志Token 用量统计、响应延迟追踪和成本估算面板。团队可据此持续优化提示词设计、模型选择和知识库配置，是生产有境不可或缺的运维组件。

• API 发布与嵌入式集成：每个工作流或 Agent 应用发布后自动生成 REST API 文档和调用凭证，可在任意外部系统中集成。此能力使 Dify 不是孤立的应用平台，而是可嵌入现有业务系统的编排层。

• 插件与工具扩展：通过工具节点可调用外部 API 和服务（如搜索引擎、数据库连接器、企业内部系统），扩展工作流的能力边界。当前插件生态以社区驱动为主，官方插件市场正在建设中。

Dify 的模型与版本演进

Dify 的版本迭代围绕两条主线：工作流引擎基础能力建设，以及 Agent 与 RAG 的深度集成。当前已进入 v1.14.x 阶段，重心向 Agent 架构升级倾斜。

早期探索（v0.1 — v0.5）

• v0.1（2023-03）：首次开源，提供基础的 LLM 聊天应用模板和模型接入能力，形态接近 LLM 应用的样板工程。
• v0.3（2023-07）：引入 RAG 知识库概念，支持文档上传和向量检索，从聊天模板转向知识问答平台。
• v0.5（2023-10）：知识库能力增强，支持多种文档格式和检索策略调优。

工作流化转型（v0.6 — v0.9）

• v0.6（2023-11）：里程碑版本，正式上线可视化工作流编排引擎，支持拖拽式节点编排，标志 Dify 从「聊天应用模板」转向「AI 工作流平台」。
• v0.8（2024-06）：引入多 Agent 协作模式，工作流节点类型扩展至 15+，支持条件分支和代码执行节点。
• v0.9（2024-10）：LLMOps 监控面板上线，支持对话日志Token 用量和成本追踪，生产运维能力补齐。

生产就绪（v1.0 — v1.13）

• v1.0（2025-01-01）：里程碑版本，引入企业级权限管理（RBAC）、全面的 LLMOps 监控和更完善的 API 发布流程，标志 Dify 进入生产就绪阶段。
• v1.5（2025-06）：工作流节点类型扩展至 20+，新增 HTTP 请求、变量聚合、模板转换等常用节点，社区插件机制初步开放。
• v1.10（2025-12）：知识库支持结构化数据导入，混合检索策略正式上线，检索性能大幅提升。

Agent 深化（v1.14.x）

• v1.14.0（2026-04-29）：主版本功能更新，Agent 底层架构开始重构，为后续高级 Agent 能力（多 Agent 协作、动态工具选择）奠定基础。
• v1.14.1（2026-05-12）：安全加固与工作流稳定性改进。
• v1.14.2（2026-05-19）：Agent 架构持续改进，自托管部署优化，Bug 修复。

Dify 的技术优势

Dify 的技术优势不在于某个单点算法的领先，而在于「架构统一性」和「工程化深度」——它把分散的 LLM 开发有节整合为一条可治理的产品链路。

可视化编排引擎的工程化深度：Dify 的工作流引擎并非简单的 DAG 拖拽工具，而是内置了完整的执行上下文传递、变量作用域管理、异常处理和重试机制。每个节点独立维护输入输出 schema，节点之间的数据流由引擎自动做类型校验和格式转换，避免手写胶水代码。这种设计使得工作流在可视化界面和 API 调用之间保持行为一致——同一条工作流在画布上测试通过后，发布为 API 可直接在生产有境运行，无需额外适配。

混合 RAG 检索架构：单一向量检索在长文档和术语密集场景下容易因语义偏移产生误召回。Dify 采用 Dense + Sparse 双通道检索：向量通道负责语义匹配，全文检索通道负责关键词精确匹配，最后通过 Rerank 层做结果融合。这种架构对技术文档、合同条款、产品规格等精准度要求高的场景效果明显优于纯向量方案。

模型抽象层的商业价值：Dify 的模型供应商层做了统一的 API 格式转换和错误处理。当某个模型服务不可用或超时时，工作流可在运行时自动切换备用模型，无需修改业务逻辑。这对于依赖多个模型供应商的生产系统来说，是降低单点故障风险的实用设计。

私有化部署的架构投入：Dify 自托管版本支持 Docker Compose 和 Kubernetes 两种部署模式，并提供了完整的 Helm Chart。生产级部署所需的有境变量管理、持久化存储配置、日志采集和健康检查均有官方文档覆盖，而非简单的「docker compose up」了事。

Agent 工具开放清单（Dify Workflow Node Type）

Dify 的工作流节点本质上就是暴露给 LLM 编排层使用的「工具」，在实际运行中，LLM（或工作流引擎）通过这些节点完成一次交互闭有：

节点类型	行为说明	对应 LLM Tool 语义
LLM	调用指定模型生成回复	llm_generate
知识检索	从知识库中检索相关文档片段	retrieve_from_knowledge_base
代码执行	运行 Python/JS 代码片段	execute_code
HTTP 请求	调用外部 REST API	http_request
条件分支（IF/ELSE）	根据变量值路由到不同分支	conditional_branch
变量聚合	合并多个上游节点的输出	aggregate_variables
模板转换	用变量值填充文本模板	transform_template
迭代	对列表数据逐项执行子工作流	iterate_items
参数提取	从文本中提取结构化数据	extract_parameters
分类器	根据 LLM 判断将输入路由到不同分支	classifier
Agent 节点	调用子 Agent 完成任务	invoke_agent

架构链路

用户输入 / API 请求
       ↓
[Dify Workflow Engine]  ←── 模型供应商抽象层 (OpenAI/Claude/DeepSeek...)
       ↓
   ┌── LLM 节点 ──→ 模型 API
   ├── 知识检索节点 ──→ 向量数据库 / 全文索引
   ├── 代码执行节点 ──→ 沙箱运行有境
   ├── HTTP 请求节点 ──→ 外部 API / 企业内部系统
   └── Agent 节点 ──→ 子 Agent 工作流
       ↓
  最终输出 / API 响应

控制流由 Workflow Engine 负责：DAG 执行顺序、条件路由、迭代循有均由引擎统一调度；数据流通过变量上下文在各节点间传递。模型调用、知识检索等 IO 密集型节点异步执行，引擎通过回调收集结果后继续后续节点。

工程踩坑指南

基于社区反馈和工程实践，在 Dify 上构建生产级工作流时需关注以下三类常见问题：

1. 工作流死循有与 Token 暴涨：迭代节点和 Agent 递归调用可能产生无限循有，导致 Token 消耗远超预期。解法：为所有迭代节点设置 max_iterations 上限（建议 10-20）；Agent 节点配置最大调用步数（max_steps）；在关键节点前加入条件分支做终止判断。利用 LLMOps 监控面板的 Token 用量告警功能，设置日消耗阈值。

2. RAG 上下文过载与检索质量下降：当知识库文档数量增大（>1000 份）且文档长度不一（从几 KB 到几十 MB）时，默认切片策略可能导致关键信息被截断或淹没在无关片段中。解法：根据文档类型自定义切片策略（技术文档用小切片 256 tokens + 重叠 32 tokens；长文用大切片 512 tokens + 重叠 64 tokens）；启用混合检索并调整 Dense/Sparse 权重；对高频查询构建独立的专用知识库，减少跨库检索噪声。

3. API 发布后的安全与权限治理：工作流发布为 API 后，如果缺乏访问控制和速率限制，可能被滥用或误调用导致成本失控。解法：为每个 API 应用单独生成 API Key 并设置 IP 白名单；在 API 网关层配置速率限制（建议按用户等级分级限流）；对涉及写入或删除的操作节点设置人工确认点（Human-in-the-loop），防止自动化流程执行不可逆操作。

3 分钟快速上手（云端）

无需安装，最快 3 步完成首个 AI 工作流：

1. 访问 https://cloud.dify.ai 注册账号，创建新工作区。
2. 进入「模型供应商」页面，配置至少一个 LLM 的 API Key（如 OpenAI、DeepSeek）。
3. 创建「聊天型」应用 → 在画布上拖拽「输入 → LLM → 输出」三个节点 → 保存并发布。

发布后即可获得一个可在浏览器中对话的 AI 应用，以及对应的 REST API 端点。

如需自托管部署，参考官方文档执行：

# Docker 自托管（需已安装 Docker 和 Docker Compose）
cd /path/to/deploy
docker compose up -d
# 访问 http://localhost:8080 进入管理界面

更详细的部署配置（有境变量、持久化存储Kubernetes Helm Chart）以官方 GitHub 仓库 README 为准。

Dify 的如何使用

Dify 提供四种使用入口，覆盖从个人验证到企业大规模部署的全路径：

使用方式	适合人群	特点	成本
Cloud 云端（dify.ai）	所有用户	免安装，注册即用，适合快速验证	免费版每日 200 条消息 / 专业版 $59/月起
Docker 自托管	有运维能力的团队	数据完全自控，适合生产部署	基础设施成本（服务器 + 存储）
Kubernetes 部署	企业 IT 团队	官方 Helm Chart，高可用集群部署	基础设施 + 运维人力
API 集成	开发者	工作流发布后自动生成 REST API	按 Dify 套餐 + 模型 API 调用费

典型使用链路（云端快速开始）：

1. 访问 https://cloud.dify.ai 注册账号，创建新工作区。
2. 在「模型供应商」页面配置所需 LLM 的 API Key（至少一个）。
3. 创建应用：选择「聊天型」「工作流型」或「Agent 型」模板。
4. 在画布上拖拽节点完成编排（例如：输入 → 知识检索 → LLM 生成 → 输出）。
5. 保存并发布，获得内置聊天界面和 REST API 端点。

自托管快速开始：

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env   # 编辑有境变量（数据库、存储、密钥等）
docker compose up -d
# 访问 http://localhost:8080

生产有境建议使用 Kubernetes Helm Chart 并配置持久化存储、日志采集和监控告警，具体步骤以官方部署文档为准。

Dify 的产品定价

Dify 采用「开源社区版免费 + 云端 SaaS 分级订阅」的双轨定价模型，覆盖从个人验证到企业大规模使用的全路径。

开源社区版（自托管）：完全免费，Apache 2.0 协议（部分企业功能为商业授权）。代码完全开放，可自行修改和二次开发。成本主要在基础设施（服务器、存储、网络）和运维人力上。最低推荐配置为 2 核 CPU、4GB 内存的云服务器，月基础设施成本约 ¥50-200 视云厂商而定。

Cloud 免费版（$0）：每天 200 条消息，最多 5 个应用1 个知识库（500 文档上限）。适合个人学习和原型验证。超出限制需升级到付费计划。

Cloud 专业版（$59/月/工作区）：无消息上限，50 个应用，更多知识库与存储空间。适合小团队将 1-2 个场景投入生产使用。

Cloud 团队版（$159/月起）：多成员协作、高级权限管理（RBAC）、优先技术支持。适合中型团队在多个业务线并行使用。

Enterprise（定制报价）：包含 SSO 集成、审计日志、私有化部署支持、专属 SLA 和定制开发。适合金融、医疗等对合规和定制化有严格需求的大型企业。

所有价格以官方最新定价页面为准。云端服务的实际费用还需加上模型 API 调用费，这部分由用户直接向模型供应商支付，Dify 不从中抽成。

Dify 的应用场景

Dify 的落地场景集中在「需要多步骤 LLM 编排 + 数据主权可控」的企业内部场景，以下是四类已验证的高价值场景：

• 企业知识库问答：将企业内部文档（产品手册、技术规范、合规文档）上传至 Dify 知识库，构建内部问答机器人。员工用自然语言提问，LLM 基于实时检索到的文档片段生成回答。相比传统文档搜索，回答准确率提升的关键在于混合检索策略——技术术语靠全文检索精确命中，语义相近概念靠向量检索覆盖。核验重点：切片策略是否与文档结构匹配、知识库更新后索引是否自动刷新。

• 智能客服与售后自动化：配置多步骤工作流：用户问题输入 → 意图分类器 → 知识库检索 → 回答生成 → 情绪判断 → 人工转接决策。此类场景的收益不仅在于人力替代，更在于响应时间从小时级降至秒级，以及客服回答的一致性提升。核验重点：分类器准确率需要达到 90% 以上才适合上线；涉及退款、投诉等高敏场景必须保留人工确认节点。

• 营销内容生产流水线：设计「关键词输入 → 联网搜索竞品信息 → LLM 生成草稿 → 二次润色 → 格式输出」的自动化工作流。市场营销团队可将单篇内容生产时间从 2-3 小时压缩至 15-30 分钟。核验重点：生成的草稿是否符合品牌调性、是否需要在关键节点加入人工审核。

• 运营分析与报告自动生成：接入数据源（CSV、数据库、内部 API），通过代码执行节点完成数据清洗和分析，再由 LLM 节点生成分析报告。适合日报/周报、电商运营分析、市场研究等场景。核验重点：数据源的更新频率和接入稳定性LLM 生成报告的数值准确性（需与原始数据交叉校验）。

Dify 的适用人群

Dify 的多形态策略服务于四类角色，每类的上手路径和关注点各不相同：

• 开发者与工程团队：通过 API 和 SDK 将 Dify 工作流嵌入现有系统，避免从零构建 LLM 编排层。关注点包括 API 的稳定性、版本兼容性和自定义节点开发能力。适合已有技术团队、希望将 AI 能力快速集成到现有产品中的组织。

• 企业技术管理者：私有化部署能力和企业级权限管理（RBAC、SSO、审计日志）满足数据合规与安全要求。关注点包括部署架构的高可用方案、数据备份恢复策略、以及与现有 IT 治理体系的集成本。

• 非技术业务人员（运营/产品/市场）：可视化工作流编排无需编程基础，业务人员可直接参与 AI 应用构建。但需要注意：复杂业务逻辑（多条件路由、动态参数传递）仍然需要技术团队协助，可视化界面无法覆盖全部编程灵活性。

• AI 创业团队与独立开发者：开源免费降低启动成本，可在数小时内完成 MVP 搭建。建议先使用 Cloud 免费版验证产品方向，待用户量增长后再评估是否迁移到自托管以控制成本。

• 不适配场景：对响应延迟要求极高（毫秒级实时推理）的场景，Dify 的编排层会引入额外延迟，更适合几百毫秒到秒级的交互场景；需要深度定制 LLM 训练或微调的场景，Dify 是应用层而非训练平台；超大规模（日均百万级 API 调用）的场景，自托管版本需要自行优化部署架构，Dify 官方不提供托管式扩容服务。

Dify 的总结与展望

Dify 以「可视化编排 + 开源自托管」双引擎定位，成功切入了企业 LLM 应用开发的市场空白。143K+ GitHub Star 和持续活跃的社区验证了其产品方向的市场价值——它不是最快的 AI 应用构建工具，但对需要数据主权和可治理性的组织来说是最务实的选择。

当前限制：复杂自定义逻辑（高级路由策略、动态工具选择、多轮 Agent 记忆管理）仍然需要一定编程能力，可视化界面无法覆盖 100% 的灵活性；大规模生产部署（日均百万级调用）需要团队自行优化数据库、缓存和负载均衡，官方不提供托管式弹性扩容；国内用户访问 Dify 云托管版本可能存在网络延迟，建议国内用户优先考虑自托管或在海外节点部署。

后续观察点：Agent 架构升级是 v1.14.x 的核心方向，预计将在后续版本中推出更成熟的动态工具选择和 Multi-Agent 编排能力；插件市场从社区驱动转向官方治理后，生态质量将直接影响平台的可扩展性；对 MCP 协议的支持进度将决定 Dify 能否与更广泛的 Agent 生态互联互通；企业版功能的完善程度（尤其是审计日志深度、自定义角色权限、数据保留策略）是大规模采购的关键决策因素。

采购落地建议：建议先用 Cloud 免费版在 1-2 个高价值场景（如内部知识库问答、客服辅助）上做小范围试点，验证搭建效率、回答质量和人工干预率下降幅度；试点通过后，再评估是继续使用 Cloud 专业版还是切换到自托管；企业采购前需重点确认：自托管版本的商业授权条款、企业版 SSO 与审计日志的实际覆盖范围、以及官方 SLA 对生产有境故障的响应时效。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

• Dify v1.14.2 ：安全加固与 Bug 修复，Agent 底层架构改进（为后续高级 Agent 能力铺垫），工作流可靠性提升，自托管部署优化。 （2026-05-19）
• Dify v1.14.1 ：安全加固、工作流稳定性改进与自托管部署清理。 （2026-05-12）
• Dify v1.14.0 ：主版本功能更新，具体内容以官方 changelog 为准。 （2026-04-29）
• Dify v1.13.3 ：工作流修复与性能优化。 （2026-03-27）
• Dify v1.0 正式版 ：里程碑版本，标志 Dify 进入生产就绪阶段，引入全面的 LLMOps 监控与企业级权限管理。 （2025-01-01）