生产就绪的 Agentic Workflow 平台

一、平台概述

Dify 是一款由 LangGenius 团队开源的 LLM 应用开发平台（GitHub 已获 158K+ Star）。它的核心定位并非纯粹的代码级 Agent 框架，而是一个覆盖 AI 应用从原型设计、开发、部署到运维监控的全生命周期平台。

Dify 的核心理念是“把 Prompt 逻辑转化为可见的执行路径”。与 LangGraph 或 CrewAI 这类纯代码框架不同，Dify 采用了“可视化编排 + 代码可扩展”的混合模式，让非工程师（如产品经理、业务专家）也能参与 Agent 与工作流的构建，同时为开发者提供充足的扩展深度。

开源协议：社区版采用 Apache-2.0-derivative
部署形态：Dify Cloud（SaaS）、Dify Enterprise（私有化/VPC）、Community Edition（Docker 自部署）
企业级合规：SOC 2 Type II + ISO 27001 认证，支持 SSO/SAML、RBAC

二、设计逻辑

Dify 的架构设计围绕“Visual-first, Code-optional, Production-ready”三大哲学展开：

将提示词逻辑显式化
通过可视化构建块与 AI Prompt 共同定义应用“如何思考、检索、决策、调用工具、请求人工介入、完成任务”。逻辑全程可见，从而可测试、可调试、可交付、可交接。
Agent 与 Workflow 双范式融合
这是 Dify 区别于纯 Agent 框架的核心设计。在 Dify 中，Agent 既可作为独立 App 存在，也可作为 Workflow 中的一个可复用节点被编排。这意味着用户可以在确定性工作流（固定代码路径）与自主智能体（LLM 动态决策）之间灵活组合：固定步骤用 Workflow，需要理解非结构化输入的环节交给 Agent。
一次构建、多形态发布
同一套逻辑可发布为托管 Web App、标准 API 端点、嵌入式前端组件或 MCP 兼容工具，配合日志、反馈、标注、延迟与用量监控形成闭环迭代。

三、基础组件

Dify 的功能由以下几大核心解耦组件构成，彼此可独立配置也可串联编排：

组件	职责	详细说明
Workflow Studio	可视化编排 Agentic 工作流	基于有向无环图 (DAG) 编排。内置丰富节点：LLM 调用、条件分支(IF/ELSE)、代码执行、HTTP 请求、知识库检索、参数提取、模板渲染、变量聚合、迭代循环以及人工审批。
Agent	构建具备技能、工具与知识的智能体	支持配置 ReAct / Function Calling 推理策略。 Agent 可绑定特定 LLM、工具集与知识库。它既能独立为 App，也能作为 Workflow 内的 Agent 节点复用。
Knowledge Pipeline	知识库准备流水线 (RAG 引擎)	提供从数据源到可检索知识库的完整 ETL 流程。支持多种文件格式、网页、在线文档、网盘数据同步；内置分段、清洗、分块策略，并提供多种检索模式测试。
Marketplace	插件市场 (模型/ 工具/数据源/MCP)	一键安装模型供应商、自定义工具、外部数据源与 MCP 集成。团队可跨应用复用已审批插件，实现能力共享。
Publish & Monitor	发布与运维监控	输出为托管应用、后端 API、嵌入组件或 MCP 工具；提供 Trace 日志、用户反馈收集、数据标注、 Token 延迟与用量监控大盘。

四、核心特性

Dify 在 2026 年的演进中，强化了以下关键特性以保持其在平台型工具中的竞争力：

Agentic RAG (内置智能检索)：Knowledge Pipeline 不仅提供基础向量检索，还支持混合检索与重排序。Agent 可自主决定何时检索、如何组合上下文。
MCP (Model Context Protocol) 兼容：Dify 既是 MCP 客户端（可接入外部 MCP 工具），发布的应用本身也可作为 MCP-compatible 服务器被其他 Agent 系统（如 Claude、Cursor）调用，便于融入更大的智能体生态。
Workflow 节点级控制：支持循环、条件分支、并行处理。特别是“迭代”节点的引入，使得处理批量结构化数据（如长文档分章节摘要、多维度评估）变得直观。
多模型生态支持：通过 Marketplace 统一接入各类模型供应商，涵盖 OpenAI、Anthropic、智谱 Z.AI、本地 Ollama 等，且支持模型负载均衡与故障转移。
企业级安全与协作：提供多工作空间隔离、RBAC、SSO/SAML、审计日志，满足大型组织的采购、安全与合规要求。

五、适用场景

Dify 的“低代码 + 高扩展”特性使其在以下场景表现出色：

企业内部知识库问答
利用内置 Knowledge Pipeline 与 Agentic RAG，快速构建基于企业私有文档的智能客服或员工助手，且支持私有化部署保障数据不外泄。
复杂任务自动化
通过 Workflow 编排多步骤任务，例如：自动抓取外部数据 -> 提取关键参数 -> 调用 LLM 生成报告 -> 发送邮件审批。固定流程用工作流，非结构化理解环节用 Agent 节点。
客户支持 Agent
构建具备工具调用能力（如查询订单状态、修改地址）的客服 Agent，结合人工接管节点实现“人机协同”。
行业特定分析平台
在金融、法律、医疗等领域，构建专业数据分析与文档审阅工作流，利用 Agent 节点对非结构化如合同/病历进行深度推理。

六、优缺点分析

优势

上手门槛低：可视化界面让非技术人员也能参与构建，极大降低了沟通成本。
全链路覆盖：从 Prompt 调试、RAG 构建、工作流编排到 API 部署、监控标注，开箱即用。
生产级稳定性：企业版提供成熟的权限管理与可观测性，适合商业化落地。

局限

高度定制化的复杂图逻辑受限：虽然支持分支与迭代，但相比 LangGraph 这种纯代码级、支持任意复杂状态图（带复杂 Checkpointer 和人机循环）的框架，Dify 在实现极度灵活的底层 Agent 协作逻辑时可能受限。
性能调优依赖底层架构：在极高并发场景下，可视化平台的执行效率通常不如轻量级的纯代码 SDK，需要理解其底层队列与执行机制进行优化。

七、官网与资源

官方主页：https://dify.ai
官方文档：https://docs.dify.ai
GitHub 仓库：https://github.com/langgenius/dify