Dify est une open source produite par LangGenius et a reçu plus de 143 000 étoiles sur GitHub. Fournit une base de connaissances RAG d'orchestration visuelle des flux de travail, une collaboration multi-agents, une gestion de modèles et une surveillance LLMOps, et prend en charge l'accès à plus de 100 modèles grand public tels que OpenAI, Claude, Gemini, Llama, DeepSeek, etc. Peut être hébergé dans le cloud ou entièrement privé et auto-déployé.

Workflow d'IA open source et plateforme de création d'agents de Dify

Paramètres et statistiques de base de Dify

Dify est une plateforme qui transforme le « développement d'applications LLM » de l'ingénierie de code à l'orchestration visuelle. Il couvre cinq lignes de capacités de la base de connaissances RAG de création d'agents, de gestion multimodèle, d'automatisation des flux de travail et de surveillance LLMOps. Il propose également deux voies de déploiement : l'hébergement cloud et l'auto-hébergement complet.

Projets	Informations publiques
Positionnement officiel	Plateforme de développement d'applications d'IA open source, couvrant l'orchestration d'agents, RAG et multimodèle
Équipe de développement	LangGenius, Inc. (Chine)
Licence open source	Apache 2.0 (certaines fonctionnalités d'entreprise sont sous licence commerciale)
Étoiles GitHub	143 800+ (en juin 2026)
Fourches GitHub	22 600+
Contributeurs mondiaux	1 000+
Dernière version	v1.14.2 (2026-05-19)
Méthode de déploiement	Hébergement cloud (dify.ai) / Auto-hébergement Docker / Kubernetes
Types de nœuds de flux de travail	20+ (LLM, récupération de connaissances, branchement conditionnel, requête HTTP d'exécution de code, etc.)
Nombre de modèles pris en charge	Plus de 100 LLM grand public
Méthode de recherche RAG	Récupération sémantique vectorielle + récupération hybride de texte intégral par mot-clé

Différence de positionnement : la principale différence de Dify n'est pas de « fournir un certain modèle », mais de regrouper plusieurs modèles dans une plate-forme d'ingénierie visuelle pour l'orchestration, la surveillance, l'exploitation et la maintenance des agents de pipeline RAG. Par rapport au formulaire de base de code de LangChain, Dify fournit une interface graphique ; par rapport à l'écosystème fermé de Coze, Dify permet un déploiement entièrement privé. Cette combinaison de « visualisation + auto-hébergement » lui a conféré un taux d'adoption unique sur le marché national des entreprises et dans les scénarios étrangers.

Densité de la communauté : plus de 143 000 étoiles correspondent à plus de 22 000 fourchettes, et le rapport fourchette/étoile est d'environ 15,7 %, ce qui indique que le projet a non seulement retenu l'attention, mais a également de réels comportements de développement secondaire et de contribution. Il existe plus de 1 000 contributeurs dans le monde qui couvrent de nombreux aspects tels que la traduction de documents, le développement de connecteurs et la correction de bugs. L'activité communautaire se classe au premier rang parmi les projets d'IA open source similaires.

Utilisateurs de Dify et reconnaissance du marché

La reconnaissance de Dify par le marché se reflète à trois niveaux : les indicateurs open source, l'adoption par les entreprises et l'analyse comparative du secteur, et les trois niveaux se vérifient mutuellement.

Popularité de la communauté Open Source : GitHub 143 000 étoiles et plus est le deuxième derrière LangChain parmi les projets de construction d'applications d'IA, mais la courbe de croissance est plus abrupte : depuis l'open source en mars 2023 jusqu'au franchissement de 100 000 étoiles au début de 2025, le taux de croissance est au premier plan parmi les projets similaires. 22K+ Forks montre qu'il existe un grand nombre d'équipes effectuant un déploiement personnalisé ou un développement secondaire basé sur Dify.

Étendue de l'adoption par les entreprises : les informations publiques montrent que les utilisateurs professionnels de Dify ont couvert plusieurs secteurs verticaux tels que la finance, les soins médicaux, la vente au détail, l'éducation et la fabrication. Les formes de mise en œuvre typiques incluent des robots de questions et réponses de base de connaissances interne, un service client intelligent, une assistance à la révision des contrats et des lignes de production de contenu marketing. Bien que le nombre officiel d'entreprises clientes n'ait pas été divulgué (sous réserve de la page officielle en temps réel), à en juger par les discussions de la communauté et les commentaires sur les problèmes, le taux d'adoption dans les scénarios de conformité financière et les entreprises SaaS étrangères est relativement élevé.

Analyse comparative des produits concurrents : En termes de positionnement croisé « auto-hébergement + flux de travail visuel + accès multimodèle », Dify n'a actuellement aucun concurrent direct. n8n favorise l'automatisation générale et manque de profondeur dans la gestion des RAG et des modèles ; Flowise est plus léger mais possède des capacités au niveau de l'entreprise (autorisations, surveillance, haute disponibilité) plus faibles que Dify ; Coze met l'accent sur la facilité d'utilisation mais ne peut pas être déployé en privé. Dify atteint une reconnaissance élevée des utilisateurs à l’intersection de ces quatre dimensions.

L'avantage de coût de Dify

Avantage en termes de coût : la compatibilité avec le cloud et l'auto-hébergement abaissent le seuil de mise en œuvre d'applications LLM

L'avantage en termes de coûts de Dify provient de trois niveaux : le système de tarification, la flexibilité de déploiement et le contrôle des coûts cachés, qui doivent être évalués séparément.

Développeurs côté C et individuels : la version gratuite Cloud fournit un quota de 200 messages par jour, adapté à la vérification de prototypes et à une utilisation légère. Pour les développeurs individuels, l'édition communautaire auto-hébergée est l'option la plus courante - avec aucun frais d'abonnement et uniquement le coût d'un serveur cloud (instance 2C4G minimum pour exécuter des flux de travail légers).

Appels API et développeurs : Dify lui-même ne facture pas de frais d'appel de modèle, mais en tant que couche d'orchestration, il comptera le volume des messages. Les frais sont basés sur le nombre de messages plutôt que sur le nombre de jetons : Cloud Professional Edition coûte 59 $/mois (espace de travail) sans limite de messages, et Team Edition commence à 159 $/mois. Par rapport aux frais réels de l'API du modèle, le coût de la couche d'orchestration de Dify est généralement de 5 à 15 % des frais d'appel du modèle, ce qui représente un niveau négligeable.

Déploiement privatisé en entreprise : la version communautaire est entièrement gratuite, mais vous devez supporter les coûts d'infrastructure (serveurs, stockage, réseau), de main d'œuvre d'exploitation et de maintenance (mises à niveau, surveillance, sauvegarde) et de développement personnalisé. Pour des secteurs tels que la finance et les soins médicaux qui ont des exigences strictes en matière de souveraineté des données, le coût total de possession (TCO) du déploiement privatisé est généralement inférieur à celui des produits SaaS commerciaux dotés de fonctions équivalentes, mais l'équipe doit disposer de capacités d'exploitation et de maintenance Docker/Kubernetes.

Comparaison des prix avec des produits concurrents :

Dimensions	Dify Édition communautaire	Dify Cloud Édition Professionnelle	Coze Édition Professionnelle	n8n Auto-hébergé
Frais d'abonnement	0 $	59 $/mois/espace de travail	À partir de 89$/mois	0 $ (open source)
Infrastructures	Apportez votre propre serveur	Inclus dans l'abonnement	Inclus dans l'abonnement	Apportez votre propre serveur
Plafond du volume de messages/exécutions	Aucun	Pas de plafond	Limite mensuelle	Aucun
Souveraineté des données	Totalement sous contrôle	Hébergé sur Dify Cloud	Plateforme fermée	Totalement sous contrôle

Les données sur les prix sont basées sur la page officielle en temps réel de chaque produit et le tableau est extrait des informations publiques.

Principales fonctions de Dify

La conception fonctionnelle de Dify s'articule autour de « permettre aux équipes non techniques de créer des applications d'IA et de permettre aux équipes techniques de les personnaliser en profondeur ». Les capacités de base sont divisées dans les six catégories suivantes :

• Orchestration visuelle du workflow : plus de 20 types de nœuds couvrant les appels LLM, la récupération de connaissances, les branches conditionnelles, les requêtes HTTP d'exécution de code, l'agrégation de variables, etc. Chaque nœud peut configurer indépendamment le modèle, les paramètres et la gestion des exceptions, et le publier en tant qu'API ou application de chat en un seul clic une fois l'orchestration terminée. Problèmes d'acceptation : si la visualisation de la séquence d'exécution des nœuds dans des scénarios de branche complexes est claire et s'il existe des journaux pour les liens anormaux traçables.

• Base de connaissances RAG : prend en charge le téléchargement de PDF, Word, de pages Web, de données structurées et d'autres formats, et effectue automatiquement l'analyse des documents, le découpage du texte et l'indexation vectorisée. La couche de récupération adopte une stratégie hybride de récupération de vecteurs sémantiques (Dense) et de récupération de texte intégral par mot-clé (Sparse), qui a un taux de rappel plus élevé que la récupération de vecteurs purs dans des documents longs et des scénarios de terminologie professionnelle denses. Problèmes d'acceptation : si la stratégie de découpage peut être personnalisée, si le poids de la recherche hybride est réglable et si la récupération entre bases de données est prise en charge entre plusieurs bases de connaissances.

• Collaboration multi-agents : prend en charge la création de plusieurs agents dans le même flux de travail et attribue différents rôles (tels que l'agent de recherche, l'agent de rédaction, l'agent de révision). Les agents peuvent transférer des résultats intermédiaires et effectuer des tâches de manière collaborative. Ce mode est plus adapté que le mode mono-agent aux scénarios de niveau production qui nécessitent un raisonnement en plusieurs étapes ou une division du travail. Problèmes d'acceptation : si le mécanisme de transfert de contexte entre les agents est transparent et si la stratégie d'allocation des tâches peut être intervenue par programme.

• Gestion unifiée de plus de 100 modèles : Dify fournit une couche d'accès fournisseur de modèles unifiée, prenant en charge les modèles grand public tels que OpenAI, Claude, Gemini, Llama, DeepSeek, Qwen et Mistral. Chaque nœud de flux de travail peut sélectionner indépendamment des modèles et des paramètres pour mettre en œuvre la stratégie hiérarchique consistant à « utiliser de petits modèles pour économiser de l'argent pour des tâches simples et utiliser des modèles phares pour maintenir la qualité pour un raisonnement complexe ».

• Surveillance LLMOps et suivi des coûts : statistiques d'utilisation des jetons de journal de conversation intégrés, suivi des délais de réponse et panneau d'estimation des coûts. L'équipe peut optimiser en permanence la conception de mots rapides, la sélection de modèles et la configuration de la base de connaissances sur cette base, ce qui constitue un composant indispensable d'exploitation et de maintenance de l'environnement de production.

• Publication API et intégration intégrée : les documents API REST et les informations d'identification d'appel sont automatiquement générés après la publication de chaque flux de travail ou application d'agent et peuvent être intégrés dans n'importe quel système externe. Cette fonctionnalité fait de Dify non pas une plate-forme d'application isolée, mais une couche d'orchestration qui peut être intégrée aux systèmes d'entreprise existants.

• Plugins et extensions d'outils : les nœuds d'outils peuvent appeler des API et des services externes (tels que des moteurs de recherche, des connecteurs de base de données, des systèmes internes d'entreprise) pour étendre les capacités du flux de travail. L’écosystème actuel des plug-ins est principalement axé sur la communauté et le marché officiel des plug-ins est en construction.

Evolution du modèle et de la version de Dify

Les itérations de versions de Dify se concentrent sur deux axes principaux : la construction des fonctionnalités de base du moteur de workflow et l'intégration profonde d'Agent et de RAG. Il est maintenant entré dans la phase v1.14.x et l'accent est mis sur la mise à niveau de l'architecture de l'agent.

Exploration précoce (v0.1 — v0.5)

• v0.1 (2023-03) : Open source pour la première fois, fournissant des modèles d'application de chat LLM de base et des capacités d'accès aux modèles, et sa forme est proche de l'exemple de projet d'applications LLM.
• v0.3 (2023-07) : Présenter le concept de base de connaissances RAG, prendre en charge le téléchargement de documents et la récupération de vecteurs, et passer du modèle de chat à la plateforme de questions et réponses de connaissances.
• v0.5 (2023-10) : les capacités de la base de connaissances sont améliorées, prenant en charge plusieurs formats de documents et l'optimisation de la stratégie de récupération.

Transformation du flux de travail (v0.6 — v0.9)

• v0.6 (2023-11) : la version Milestone, qui lance officiellement le moteur d'orchestration de flux de travail visuel, prend en charge l'orchestration de nœuds par glisser-déposer, marquant le passage de Dify du « modèle d'application de chat » à la « plateforme de flux de travail IA ».
• v0.8 (2024-06) : introduction du mode de collaboration multi-agents, étendant les types de nœuds de workflow à plus de 15, prenant en charge les branches conditionnelles et les nœuds d'exécution de code.
• v0.9 (2024-10) : le panneau de surveillance LLMOps est en ligne, prend en charge l'utilisation des jetons de journal de conversation et le suivi des coûts, et complète les capacités d'exploitation et de maintenance de la production.

Prêt pour la production (v1.0 — v1.13)

• v1.0 (01/01/2025) : version Milestone, introduisant la gestion des autorisations au niveau de l'entreprise (RBAC), une surveillance complète des LLMOps et un processus de publication d'API plus complet, marquant l'entrée de Dify dans la phase de préparation à la production.
• v1.5 (2025-06) : les types de nœuds de workflow sont étendus à plus de 20, les nœuds courants tels que les requêtes HTTP, l'agrégation de variables, la conversion de modèles, etc. sont ajoutés et le mécanisme de plug-in de communauté est initialement ouvert.
• v1.10 (2025-12) : La base de connaissances prend en charge l'importation de données structurées, la stratégie de recherche hybride est officiellement lancée et les performances de recherche sont grandement améliorées.

Approfondissement des agents (v1.14.x)

• v1.14.0 (2026-04-29) : mise à jour des fonctionnalités de la version principale, l'architecture sous-jacente de l'agent commence à être reconstruite, jetant les bases des fonctionnalités avancées ultérieures de l'agent (collaboration multi-agents, sélection d'outils dynamiques).
• v1.14.1 (2026-05-12) : améliorations du renforcement de la sécurité et de la stabilité du flux de travail.
• v1.14.2 (2026-05-19) : L'architecture de l'agent continue d'être améliorée, le déploiement auto-hébergé est optimisé et les bugs sont corrigés.

Les avantages techniques de Dify

L'avantage technique de Dify ne réside pas dans la direction d'un seul point d'algorithme, mais dans « l'unité architecturale » et la « profondeur d'ingénierie » - il intègre le développement LLM dispersé dans un lien de produit gérable.

Profondeur d'ingénierie du moteur d'orchestration visuelle : le moteur de workflow de Dify n'est pas un simple outil de glisser-déposer DAG, mais dispose d'un transfert de contexte d'exécution intégré complet, d'une gestion de portée variable, d'une gestion des exceptions et d'un mécanisme de nouvelle tentative. Chaque nœud gère indépendamment le schéma d'entrée et de sortie, et le flux de données entre les nœuds est automatiquement vérifié et le format est converti par le moteur pour éviter le code de colle manuscrit. Cette conception permet au flux de travail de maintenir un comportement cohérent entre l'interface visuelle et les appels d'API : une fois que le même flux de travail a réussi le test sur le canevas, il peut être publié en tant qu'API et exécuté directement dans l'environnement de production sans adaptation supplémentaire.

Architecture de récupération RAG hybride : la récupération à vecteur unique est sujette à de faux rappels en raison de changements sémantiques dans les documents longs et de scénarios à forte intensité de termes. Dify utilise la récupération double canal Dense + Sparse : le canal vectoriel est responsable de la correspondance sémantique, le canal de récupération de texte intégral est responsable de la correspondance précise des mots clés, et enfin les résultats sont fusionnés via la couche Rerank. Cette architecture est nettement meilleure que les solutions purement vectorielles pour les scénarios qui nécessitent une grande précision, tels que les documents techniques, les termes contractuels et les spécifications des produits.

Valeur commerciale de la couche d'abstraction du modèle : la couche fournisseur de modèles de Dify implémente une conversion de format d'API et une gestion des erreurs unifiées. Lorsqu'un service de modèle n'est pas disponible ou expire, le flux de travail peut automatiquement basculer vers un autre modèle au moment de l'exécution sans modifier la logique métier. Il s'agit d'une conception pratique visant à réduire le risque de points de défaillance uniques pour les systèmes de production qui s'appuient sur plusieurs fournisseurs de modèles.

Investissement architectural pour un déploiement privé : la version auto-hébergée de Dify prend en charge deux modes de déploiement : Docker Compose et Kubernetes, et fournit un Helm Chart complet. La gestion des variables contextuelles, la configuration du stockage persistant, la collecte des journaux et les contrôles de santé requis pour le déploiement au niveau de la production sont tous couverts par des documents officiels, plutôt que par une simple « composition du docker ».

Liste ouverte de l'outil Agent (Modifier le type de nœud de workflow)

Les nœuds de workflow de Dify sont essentiellement des « outils » exposés à la couche d'orchestration LLM. En fonctionnement réel, LLM (ou moteur de workflow) réalise une interaction via ces nœuds :

Type de nœud	Description du comportement	Sémantique de l'outil LLM correspondant
LLM	Appelez le modèle spécifié pour générer une réponse	llm_generate
Récupération de connaissances	Récupérer des fragments de documents pertinents de la base de connaissances	retrieve_from_knowledge_base
Exécution de code	Exécuter des extraits de code Python/JS	execute_code
Requête HTTP	Appel d'une API REST externe	http_request
Branchement conditionnel (IF/ELSE)	Routage vers différentes succursales en fonction de valeurs variables	branche_conditionnelle
Agrégation de variables	Combiner la sortie de plusieurs nœuds en amont	agrégat_variables
Transformation de modèle	Remplir un modèle de texte avec des valeurs variables	transform_template
Itérer	Exécuter un sous-workflow élément par élément sur les données de la liste	iterate_items
Extraction des paramètres	Extraire des données structurées à partir d'un texte	extrait_paramètres
Classificateur	Acheminer les entrées vers différentes branches en fonction des jugements LLM	classificateur
Nœud d'agent	Appeler le sous-agent pour terminer la tâche	invoke_agent

Lien architectural

Entrée utilisateur/demande API
       ↓
[Dify Workflow Engine] ←── Modéliser la couche d'abstraction du fournisseur (OpenAI/Claude/DeepSeek...)
       ↓
   ┌── Nœud LLM ──→ API modèle
   ├── Nœud de récupération de connaissances ──→ Base de données vectorielles/index de texte intégral
   ├── Nœud d'exécution de code ──→ Contexte d'exécution du bac à sable
   ├── Nœud de requête HTTP ──→ API externe / système interne de l'entreprise
   └── Nœud Agent ──→ Workflow du sous-agent
       ↓
  Résultat final/réponse API

Le flux de contrôle est géré par le moteur de workflow : la séquence d'exécution du DAG, le routage conditionnel et l'itération sont tous planifiés de manière uniforme par le moteur ; le flux de données est transmis entre les nœuds via un contexte variable. Les nœuds gourmands en E/S tels que les appels de modèles et la récupération de connaissances sont exécutés de manière asynchrone. Le moteur collecte les résultats via des rappels, puis continue avec les nœuds suivants.

Guide des pièges d'ingénierie

Sur la base des commentaires de la communauté et des pratiques d'ingénierie, vous devez prêter attention aux trois types de problèmes courants suivants lors de la création de flux de travail au niveau de la production sur Dify :

1. Boucles sans fin du workflow et augmentation des jetons : les nœuds itératifs et les appels récursifs de l'agent peuvent produire des boucles infinies, ce qui entraîne une consommation de jetons bien supérieure aux attentes. Solution : définissez la limite supérieure de max_iterations pour tous les nœuds d'itération (10-20 est recommandé) ; configurer le nombre maximum d'étapes d'appel (max_steps) pour le nœud Agent ; ajoutez une branche conditionnelle avant le nœud clé pour le jugement de terminaison. Utilisez la fonction d'alarme d'utilisation de jeton du panneau de surveillance LLMOps pour définir le seuil de consommation quotidienne.

2. Surcharge de contexte RAG et qualité de récupération réduite : lorsque le nombre de documents de la base de connaissances augmente (> 1 000) et que la longueur des documents varie (de quelques Ko à des dizaines de Mo), la stratégie de découpage par défaut peut entraîner la troncature ou la submersion des informations clés dans des fragments non pertinents. Solution : Personnalisez la stratégie de découpage en fonction du type de document (les documents techniques utilisent des petites tranches 256 jetons + chevauchement 32 jetons ; les articles longs utilisent de grandes tranches 512 jetons + chevauchement 64 jetons) ; activer la récupération hybride et ajuster les poids denses/clairsemés ; créer une base de connaissances indépendante dédiée aux requêtes haute fréquence afin de réduire le bruit de récupération entre les bases de données.

3. Gouvernance de la sécurité et des autorisations après la sortie de l'API : une fois le flux de travail publié en tant qu'API, s'il y a un manque de contrôle d'accès et de limites de débit, il peut être abusé ou appelé par erreur, entraînant des coûts incontrôlables. Solution : Générez une clé API séparément pour chaque application API et configurez une liste blanche d'adresses IP ; configurer les limites de débit au niveau de la couche de passerelle API (il est recommandé de limiter le débit en fonction des niveaux d'utilisateurs) ; mettre en place des points de confirmation manuelle (Human-in-the-loop) pour les nœuds d'opération impliquant une écriture ou une suppression afin d'empêcher les processus automatisés d'effectuer des opérations irréversibles.

Démarrez rapidement en 3 minutes (cloud)

Aucune installation requise, réalisez votre premier workflow d'IA en 3 étapes seulement :

1. Visitez https://cloud.dify.ai pour enregistrer un compte et créer un nouvel espace de travail.
2. Accédez à la page « Fournisseur modèle » et configurez au moins une clé API LLM (telle que OpenAI, DeepSeek).
3. Créez une application « chat » → faites glisser les trois nœuds « Entrée → LLM → Sortie » sur le canevas → enregistrez et publiez.

Après la publication, vous obtiendrez une application d'IA capable de communiquer dans le navigateur et le point de terminaison de l'API REST correspondant.

Si vous avez besoin d'un déploiement auto-hébergé, veuillez vous référer à la documentation officielle :

# Auto-hébergement Docker (Docker et Docker Compose doivent être installés)
cd /chemin/vers/déployer
docker compose -d
# Visitez http://localhost:8080 pour accéder à l'interface de gestion

Pour une configuration de déploiement plus détaillée (variables contextuelles, stockage persistant Kubernetes Helm Chart), veuillez vous référer au README du référentiel GitHub officiel.

Comment utiliser Dify

Dify propose quatre portails d'utilisation, couvrant l'ensemble du chemin depuis la vérification personnelle jusqu'au déploiement en entreprise à grande échelle :

Comment utiliser	Convient à la foule	Caractéristiques	Coût
Nuage (dify.ai)	Tous les utilisateurs	Aucune installation requise, prêt à l'emploi après enregistrement, adapté à une vérification rapide	Version gratuite 200 messages par jour / Version professionnelle à partir de 59$/mois
Auto-hébergement Docker	Équipe dotée de capacités d'exploitation et de maintenance	Données entièrement auto-contrôlées, adaptées au déploiement en production	Coût de l'infrastructure (serveur + stockage)
Déploiement Kubernetes	Équipe informatique d'entreprise	Official Helm Chart, déploiement de cluster haute disponibilité	Infrastructure + personnel d'exploitation et de maintenance
Intégration API	Développeur	Générer automatiquement l'API REST après la publication du workflow	Selon le package Dify + les frais d'appel de l'API modèle

Lien d'utilisation typique (démarrage rapide dans le cloud) :

1. Visitez https://cloud.dify.ai pour enregistrer un compte et créer un nouvel espace de travail.
2. Configurez la clé API du LLM requis (au moins un) sur la page « Fournisseur modèle ».
3. Créez une application : sélectionnez le modèle « Chat », « Workflow » ou « Agent ».
4. Faites glisser les nœuds sur le canevas pour compléter l'arrangement (par exemple : entrée → récupération de connaissances → génération LLM → sortie).
5. Enregistrez et publiez pour obtenir l'interface de discussion intégrée et le point de terminaison de l'API REST.

Démarrage rapide auto-hébergé :

clone git https://github.com/langgenius/dify.git
cddify/docker
cp .env.example .env # Modifier les variables contextuelles (base de données, stockage, clés, etc.)
docker compose -d
# Visitez http://localhost:8080

Pour les environnements de production, il est recommandé d'utiliser Kubernetes Helm Chart et de configurer le stockage persistant, la collecte de journaux et les alarmes de surveillance. Les étapes spécifiques sont soumises aux documents officiels de déploiement.

Prix des produits de Dify

Dify adopte un modèle de tarification à double voie : « version communautaire open source gratuite + abonnement à plusieurs niveaux SaaS cloud », couvrant l'ensemble du chemin depuis la vérification personnelle jusqu'à l'utilisation en entreprise à grande échelle.

Open Source Community Edition (auto-hébergé) : licence Apache 2.0 entièrement gratuite (certaines fonctionnalités d'entreprise sont sous licence commerciale). Le code est complètement ouvert et peut être modifié et redéveloppé par vous-même. Le coût concerne principalement l’infrastructure (serveurs, stockage, réseau) et la main d’œuvre d’exploitation et de maintenance. La configuration minimale recommandée est un serveur cloud avec un processeur à 2 cœurs et 4 Go de mémoire. Le coût mensuel de l'infrastructure est d'environ 50 à 200 ¥, selon le fournisseur de cloud.

Cloud Free ($0) : 200 messages par jour, jusqu'à 5 applications et 1 base de connaissances (limite de 500 documents). Convient pour l'apprentissage personnel et la vérification de prototypes. Le dépassement de la limite nécessite la mise à niveau vers un forfait payant.

Cloud Pro (59 $/mois/espace de travail) : aucune limite de messages, 50 applications, plus de base de connaissances et d'espace de stockage. Convient aux petites équipes pour mettre en production 1 à 2 scénarios.

Cloud Team Edition (à partir de 159 $/mois) : collaboration multi-membres, gestion avancée des autorisations (RBAC), support technique prioritaire. Convient aux équipes de taille moyenne à utiliser dans plusieurs secteurs d'activité en parallèle.

Entreprise (offre personnalisée) : inclut l'intégration SSO, les journaux d'audit, la prise en charge du déploiement privé, le SLA dédié et le développement personnalisé. Convient aux grandes entreprises telles que la finance et les soins médicaux qui ont des exigences strictes en matière de conformité et de personnalisation.

Tous les prix sont soumis à la dernière page de tarification officielle. Le coût réel des services cloud est également soumis aux frais d'appel API du modèle. Cette partie est payée directement par l'utilisateur au fournisseur du modèle, et Dify ne prélève aucune commission sur celui-ci.

Modifier les scénarios d'application

Les scénarios de mise en œuvre de Dify se concentrent sur des scénarios internes à l'entreprise qui « nécessitent une orchestration LLM en plusieurs étapes + un contrôle de la souveraineté des données ». Voici quatre types de scénarios éprouvés à forte valeur ajoutée :

• Questions et réponses de la base de connaissances de l'entreprise : téléchargez les documents internes de l'entreprise (manuels de produits, spécifications techniques, documents de conformité) dans la base de connaissances Dify pour créer un robot de questions et réponses interne. Les collaborateurs posent des questions en langage naturel et LLM génère des réponses basées sur des extraits de documents récupérés en temps réel. Par rapport à la recherche de documents traditionnelle, la clé pour améliorer la précision des réponses réside dans une stratégie de récupération hybride : les termes techniques sont identifiés avec précision par la récupération en texte intégral et les concepts sémantiquement similaires sont couverts par la récupération vectorielle. Points clés à vérifier : si la stratégie de découpage correspond à la structure du document et si l'index est automatiquement rafraîchi après la mise à jour de la base de connaissances.

• Service client intelligent et automatisation après-vente : configurez un flux de travail en plusieurs étapes : saisie des questions de l'utilisateur → classificateur d'intention → récupération de la base de connaissances → génération de réponses → jugement émotionnel → décision de transfert manuel. Les avantages de ce type de scénario sont non seulement le remplacement de la main d’œuvre, mais aussi la réduction du temps de réponse de quelques heures à quelques secondes, et l’amélioration de la cohérence des réponses du service client. Points clés de vérification : La précision du classificateur doit atteindre plus de 90 % avant qu'il puisse être utilisé en ligne ; les nœuds de confirmation manuelle doivent être conservés pour les scénarios très sensibles tels que les remboursements et les réclamations.

• Ligne de production de contenu marketing : Concevoir un flux de travail automatisé de "saisie de mots clés → recherche sur Internet d'informations sur les produits compétitifs → brouillon de génération LLM → polissage secondaire → sortie de format". Les équipes marketing peuvent réduire le temps de production d'un seul élément de contenu de 2 à 3 heures à 15 à 30 minutes. Points clés de vérification : si le brouillon généré est conforme au ton de la marque et si une révision manuelle est requise aux nœuds clés.

• Génération automatique d'analyses opérationnelles et de rapports : accédez aux sources de données (CSV, base de données, API interne), effectuez le nettoyage et l'analyse des données via des nœuds d'exécution de code, puis générez des rapports d'analyse par nœuds LLM. Convient aux rapports quotidiens/hebdomadaires, à l'analyse des opérations de commerce électronique, aux études de marché et à d'autres scénarios. Points clés à vérifier : La fréquence de mise à jour de la source de données et l'exactitude numérique du rapport de stabilité d'accès généré par LLM (doivent être recoupées avec les données originales).

Groupes applicables de Dify

La stratégie polymorphe de Dify sert quatre types de rôles, chacun avec des voies d'entrée et des préoccupations différentes :

• Développeurs et ingénierie : intégrez les flux de travail Dify dans les systèmes existants via des API et des SDK pour éviter de créer une couche d'orchestration LLM à partir de zéro. Les préoccupations incluent la stabilité de l'API, la compatibilité des versions et les capacités de développement de nœuds personnalisés. Convient aux organisations disposant d’équipes techniques existantes qui souhaitent intégrer rapidement des fonctionnalités d’IA dans les produits existants.

• Enterprise Technology Manager : les capacités de déploiement privatisées et la gestion des autorisations au niveau de l'entreprise (RBAC, SSO, journaux d'audit) répondent aux exigences de conformité et de sécurité des données. L'accent comprend des solutions à haute disponibilité pour l'architecture de déploiement, les stratégies de sauvegarde et de récupération des données, ainsi que les coûts d'intégration avec les systèmes de gouvernance informatique existants.

• Personnel commercial non technique (opérations/produits/marchés) : l'orchestration visuelle des flux de travail ne nécessite pas de base de programmation, et le personnel commercial peut participer directement à la construction d'applications d'IA. Il faut cependant noter qu’une logique métier complexe (routage multi-conditions, transfert dynamique de paramètres) nécessite encore l’assistance de l’équipe technique, et que l’interface visuelle ne peut couvrir toute la flexibilité de programmation.

• Équipes d'entrepreneuriat IA et développeurs indépendants : l'open source est gratuit et réduit les coûts de démarrage, et le MVP peut être créé en quelques heures. Il est recommandé d'utiliser la version gratuite Cloud pour vérifier d'abord l'orientation du produit, puis d'évaluer s'il convient de migrer vers l'auto-hébergement pour contrôler les coûts une fois le nombre d'utilisateurs augmenté.

• Ne convient pas aux scénarios : pour les scénarios avec des exigences de latence de réponse extrêmement élevées (raisonnement en temps réel au niveau de la milliseconde), la couche d'orchestration de Dify introduira des délais supplémentaires, ce qui est plus adapté aux scénarios d'interaction allant de centaines de millisecondes à quelques secondes ; pour les scénarios qui nécessitent une personnalisation approfondie de la formation LLM ou un réglage fin, Dify est une couche d'application plutôt qu'une plate-forme de formation ; pour les scénarios à très grande échelle (millions d'appels d'API quotidiens en moyenne), la version auto-hébergée doit optimiser sa propre architecture de déploiement, et Dify ne fournit officiellement pas de services d'extension gérés.

Résumé et perspectives de Dify

Grâce à son positionnement sur deux moteurs « orchestration visuelle + auto-hébergement open source », Dify a réussi à pénétrer le marché du développement d'applications LLM d'entreprise. Plus de 143 000 étoiles GitHub et une communauté active et continue valident la valeur marchande de l’orientation de ses produits : ce n’est pas l’outil le plus rapide pour créer des applications d’IA, mais c’est le choix le plus pragmatique pour les organisations qui ont besoin de souveraineté et de gouvernance des données.

Limites actuelles : une logique personnalisée complexe (stratégies de routage avancées, sélection d'outils dynamiques, gestion de la mémoire de l'agent multi-tours) nécessite toujours certaines capacités de programmation et l'interface visuelle ne peut pas couvrir une flexibilité à 100 % ; le déploiement de production à grande échelle (millions d'appels quotidiens en moyenne) nécessite que l'équipe optimise elle-même la base de données, le cache et l'équilibrage de charge, et le responsable ne fournit pas d'expansion élastique gérée ; les utilisateurs nationaux peuvent avoir des retards de réseau lors de l'accès à la version hébergée dans le cloud de Dify. Il est recommandé aux utilisateurs nationaux de donner la priorité à l'auto-hébergement ou au déploiement sur des nœuds étrangers.

Points d'observation de suivi : La mise à niveau de l'architecture des agents est l'orientation principale de la v1.14.x, et il est prévu qu'une sélection d'outils dynamiques et des capacités d'orchestration multi-agents plus matures soient lancées dans les versions ultérieures ; une fois que le marché des plug-ins passera d'une gouvernance communautaire à une gouvernance officielle, la qualité écologique affectera directement l'évolutivité de la plate-forme ; les progrès réalisés dans la prise en charge du protocole MCP détermineront si Dify peut s'intégrer à un plus large éventail d'agents d'interconnexion et d'interopérabilité écologiques ; l'exhaustivité des fonctions de la version entreprise (en particulier la profondeur des journaux d'audit, les autorisations de rôle personnalisées et les politiques de conservation des données) sont des facteurs décisionnels clés pour les achats à grande échelle.

Suggestions de mise en œuvre des achats : Il est recommandé d'utiliser la version gratuite Cloud pour mener un projet pilote à petite échelle dans 1 à 2 scénarios à grande valeur (tels que les questions et réponses de la base de connaissances interne, l'assistance du service client) afin de vérifier l'efficacité de la construction, la qualité des réponses et la réduction du taux d'intervention manuelle ; une fois le pilote réussi, évaluez s'il faut continuer à utiliser la version professionnelle Cloud ou passer à l'auto-hébergement ; avant d'acheter, les entreprises doivent se concentrer sur la confirmation : des conditions d'autorisation commerciale de la version auto-hébergée, de la couverture réelle du SSO et des journaux d'audit de la version entreprise, ainsi que du temps de réponse du SLA officiel en cas de pannes liées à la production.

Outils associés : ÉquipageAI, langchain

Informations de version

• Difier v1.14.2 ：Renforcement de la sécurité et corrections de bugs, améliorations de l'architecture sous-jacente de l'agent (pour ouvrir la voie à des fonctionnalités avancées ultérieures de l'agent), améliorations de la fiabilité du flux de travail et optimisation du déploiement auto-hébergé. （2026-05-19）
• Difier v1.14.1 ：Renforcement de la sécurité, amélioration de la stabilité du flux de travail et nettoyage du déploiement auto-hébergé. （2026-05-12）
• Modifier v1.14.0 ：La fonction de version principale est mise à jour. Le contenu spécifique est soumis au journal des modifications officiel. （2026-04-29）
• Difier v1.13.3 ：Corrections de flux de travail et optimisations de performances. （2026-03-27）
• Dify v1.0 version officielle ：Cette version marquante marque l’entrée de Dify dans la phase de préparation à la production, introduisant une surveillance complète des LLMOps et une gestion des autorisations au niveau de l’entreprise. （2025-01-01）