Dify：开源 LLM 应用开发平台，可视化编排搭 AI 应用
想搭一个 AI 客服、知识库问答、文案生成工具，过去往往要写一堆胶水代码——调模型、对接向量库、设计 Agent 工具链、接数据库、写后端 API。Dify 想把这套链路压成一个”画布”，让产品、运营也能参与 AI 应用的搭建。本文从功能、部署、对比三个角度聊一聊这个开源平台。
它是什么
Dify 是一款开源的 LLM 应用开发平台（仓库 langgenius/dify，采用 Apache 2.0 协议），核心思路是把 AI 应用的常见组件——模型调用、提示词编排、知识库检索、Agent 工具调用、可观测性——封装成可视化节点，用户在画布上拖拽连接就能产出可对外提供服务的应用。它同时提供 Cloud（托管版）和 Community Edition（自部署版）两种使用方式。
按官方说法，Dify 是”AI workflow + RAG pipeline + Agent capabilities + 模型管理 + LLMOps”的组合体，目标是从原型快速走到生产。对应的 README 也把这些能力列为核心卖点。
核心功能拆解
可视化编排：Workflow 与 Chatflow
Dify 提供两种画布：
- Workflow：适合一次性任务，例如文档摘要、数据分类、批量处理；
- Chatflow：带对话状态的编排，节点之间能保留多轮上下文，适合做客服 bot、问答机器人。
每个节点对应一类操作：LLM 调用、知识库检索、条件分支、代码执行、HTTP 请求、模板转换、变量赋值等。流程写完可以直接发布成 Web 应用、API 或者嵌入到现有系统。
RAG 引擎
知识库问答的链路基本都在 Dify 内置里了：
- 文档导入支持 PDF、PPT、Word、Markdown 等常见格式；
- 提供自动分段、Embedding 向量化、检索召回整套流程；
- 向量库兼容多种后端，包括 Weaviate、Qdrant、Milvus，以及基于 Postgres 的 pgvector；
> README 把 “Comprehensive RAG capabilities” 列为七大核心能力之一，覆盖文档摄入到检索的完整管线。
这意味着用户不用单独再搭一套召回服务。
Agent 能力
Dify 的 Agent 节点支持两种推理模式：Function Calling（基于模型原生工具调用）和 ReAct（思考-行动循环）。两者都可以挂载工具，Dify 自带了 50+ 工具，包括 Google Search、DALL·E、Stable Diffusion、WolframAlpha 等。用户也可以自定义工具，把企业内部 API 接进来。
模型无关
模型层 Dify 不锁死，兼容：
- 闭源模型：OpenAI GPT 系列、Anthropic Claude、Google Gemini 等；
- 国内模型：通义、文心等可通过 OpenAI 兼容协议或自定义 provider 接入；
- 本地模型：Ollama、LM Studio 等通过本地 OpenAI 兼容接口对接。
官方文档里维护了一份完整的支持列表，覆盖几十家推理服务商。这意味着切换模型只需要改配置，不需要重写业务流。
Prompt IDE
提示词编辑器提供：变量插值、多模型对比运行、文本转语音等扩展插件、对话调试。同一段提示词可以并排比对不同模型的输出，方便做评估和回归。
LLMOps 与可观测性
已发布的应用会产生日志，Dify 后台能看到：
- 每次请求的 prompt、模型输出、Token 消耗、耗时；
- 用户反馈标注（点赞/点踩、修正答案）；
- 基于这些数据持续迭代提示词和数据集。
此外，Dify 还能把链路数据对接外部可观测平台：Opik、Langfuse、Arize Phoenix，做更细的链路追踪和评估。
Backend-as-a-Service
所有编排出来的应用都自动附带 REST API，可以直接被前端或其他后端服务调用，省去单独写接口的步骤。
部署与启动
社区版最省事的跑法是 Docker Compose。README 提到的最低硬件门槛是 CPU ≥ 2 Core、RAM ≥ 4 GiB。启动前确保机器装好了 Docker 和 Docker Compose，然后：
cd dify
cd docker
cp .env.example .env
docker compose up -ddocker/.env 里是基础配置，如果需要更细的开关项，分主题放在 docker/envs/ 下，按需启用。改完环境变量后，在 docker 目录下重新跑 docker compose up -d 即可。
启动后浏览器打开 http://localhost/install，按引导完成管理员账号初始化。
{{图：Dify 安装初始化页面，包含管理员邮箱、密码、用户名输入框}}
进阶部署选项
只跑 demo 用 Docker Compose 就够，真要进生产通常需要更高可用。下面这些是 README 里列出的社区方案，按部署方式分了几类：
| 部署方式 | 代表项目 |
|---|---|
| Grafana 监控面板 | bowenliang123/dify-grafana-dashboard（用 Postgres 做数据源） |
| Helm Chart | LeoQuote、magicsong 等多个版本 |
| K8s YAML | Winson-030、wyy-holding、Zhoneym 等版本 |
| Terraform | Azure（nikawang）、Google Cloud（sotazum） |
| AWS CDK | KevinZhao（EKS）、tmokmss（ECS） |
| 阿里云 | Computing Nest、DMS 一键部署 |
如果使用 Helm 或 K8s YAML，建议先看一眼对应仓库是否标注了兼容的 Dify 版本，避免版本不匹配踩坑。
{{图：Dify 部署架构示意图：API、Worker、Web 三类容器连接 Postgres、Redis、向量库}}
和 FastGPT 的区别
很多团队会把 Dify 和 FastGPT 放一起比较。两者都是开源、都强调 RAG、都提供可视化编排，但定位有差异：
- Dify：定位偏”通用 AI 应用编排平台”。Workflow 节点丰富，模型无关做得彻底，Agent 工具链完整，更像”画布版 LangChain”。适合做多类型应用：客服 bot、文案生成、Agent 工具调用、内部 AI 助手等。
- FastGPT：定位偏”知识库问答的深度工具”。在文档分段、检索策略、问答效果调优上做得更深，社区积累了大量行业模板，更适合纯知识库场景。
如果业务核心是”我想搭一个问答系统，让它读文档答得准”，FastGPT 上手更直接；如果想做的是”我有多种 AI 场景要落地，包括但不限于知识库”，Dify 的覆盖面更广。
适合谁用
- 想快速验证 AI 创意的产品 / 运营：不用写代码就能搭 demo；
- 中小团队自建 AI 中台：模型、向量库、Agent、API 一次配齐；
- 企业内部 AI 平台：私有化部署，对接内部模型或私有云资源；
- 学习 LLM 应用架构的开发者：可以下源码跑通整个流程，理解 RAG、Agent、LLMOps 怎么落地。
一些提醒
- 模型 API Key、向量库密码、Redis 密码等敏感配置都写在
.env里，生产环境务必单独管理，不要把带密钥的.env提交进仓库； - 自带 Postgres + Redis + 某一种向量库，资源占用不算小，README 给的 4 GiB 内存是底线，复杂场景建议 8 GiB 以上；
- 社区版和企业版在能力上存在差异，如果有 SLA、合规、SSO 等需求，可以走
[email protected]了解企业版细节； - 版本迭代较快，建议以 GitHub Releases 和官方文档为准，避免按老教程配置遇到不兼容。
如果只是想试一下，最快的路径是直接拉 Docker Compose 跑起来；如果有明确的生产目标，建议先在 Dify Cloud 上把流程跑通，再迁移到自托管环境，会少踩不少坑。
评论(0)