Dify 入门指南：开源 LLMOps 平台全景介绍

前言：为什么 Dify 值得关注

在大模型应用开发领域，2023 年以来涌现了大量 LLMOps 平台——从 LangChain 这样的开发框架，到 Coze 这样的低编排平台，再到 Dify 这样的开源全能型选手。如果你正在寻找一个既能快速原型验证、又能支撑生产级部署的 LLM 应用开发平台，Dify 无疑是当前最值得关注的选择之一。

Dify 由 LangGenius 团队开发维护，在 GitHub 上已获得超过 90k Star，是目前开源社区中最活跃的 LLMOps 项目之一。它的核心吸引力在于：第一，真正的开源——你可以自托管、可以审查代码、可以按需定制；第二，开箱即用的可视化编排能力——不需要写代码就能构建复杂的 AI 工作流；第三，从知识库到模型管理、从工具集成到发布部署的全链路覆盖。

与字节跳动的 Coze 相比，Dify 走的是一条截然不同的路线：Coze 追求极致的易用性和生态整合（尤其与豆包模型的深度绑定），而 Dify 则强调开放性和可控性。对于有数据安全要求的企业、希望深度定制 AI 工作流的开发者、以及需要完全掌控模型成本和技术栈的团队来说，Dify 是更合适的选择。

本文将从平台定位、编排引擎、模型管理、知识库、工具生态、部署方式等维度，对 Dify 进行一次全景式的介绍。

平台定位与核心理念

Workspace：一切围绕工作空间展开

Dify 的组织单元是 Workspace（工作空间）。一个工作空间就是一个完整的 AI 环境——它包含你的应用、知识库、模型配置、团队成员和插件。工作空间之间相互隔离，这意味着你可以在同一个 Dify 实例中为不同项目或不同客户创建独立的工作空间，互不干扰。

团队管理也是以工作空间为核心的。Dify 定义了四个角色：所有者（Owner，拥有完整控制权）、管理员（Admin，可管理团队和资源）、编辑者（Editor，可创建和编辑应用）、成员（Member，仅能使用已发布的应用）。这种分层设计在企业场景中非常实用，能够有效控制敏感操作（如模型提供商配置、插件安装）的权限边界。

五种应用类型

Dify 支持五种应用类型，适应不同的使用场景：

Workflow（工作流）：用于处理单轮任务的编排应用。通过拖拽节点构建处理流程，支持用户输入触发或定时触发。这是 Dify 最核心的应用类型，也是其他类型的基础。
Chatflow（聊天流）：一种特殊的工作流应用，专为多轮对话设计。它在每次对话轮次都会触发执行，支持对话变量的持久化存储和记忆功能。
Agent（智能体）：让 LLM 自主决策调用工具的应用类型，适合需要灵活推理的场景。
Chatbot（聊天机器人）：传统的对话式应用，配置简单，适合快速搭建问答助手。
Completion（文本生成）：单次文本生成应用，适合文章撰写、翻译、摘要等一次性任务。

Dify 官方推荐优先使用 Workflow 或 Chatflow，因为它们基于相同的流程引擎，但提供了更强大的可视化编排能力。

Workflow vs Chatflow：双引擎编排

理解 Workflow 和 Chatflow 的区别，是掌握 Dify 的关键。

Workflow：面向任务的执行引擎

Workflow 设计用于处理一次性、确定性的任务流程。它的典型特征是：输入 → 处理 → 输出，整个过程一次完成。你可以把它理解为一个流水线——数据从一端进入，经过一系列节点的处理后，从另一端产出结果。

Workflow 支持两种启动方式：通过用户输入节点手动触发，或者通过触发器节点自动执行（比如定时任务或 Webhook 回调）。这使得 Workflow 非常适合构建批处理任务、数据处理管道、自动化工作流等场景。

Chatflow：面向对话的交互引擎

Chatflow 本质上是 Workflow 的对话增强版本。它继承了 Workflow 的全部编排能力，同时增加了三个关键特性：对话变量的跨轮次持久化、LLM 节点的记忆功能（自动携带历史对话上下文）、以及流式输出能力（可以在流程的不同节点以不同方式向用户推送文本、图片和文件）。

一个重要的区别是：Chatflow 不支持触发器节点，因为它天然就是由用户的对话消息驱动的。

如何选择？

我的建议是：如果你的应用需要多轮交互（比如客服机器人、写作助手），选择 Chatflow；如果是一次性处理任务（比如文档摘要、批量翻译、数据分析），选择 Workflow。在实际项目中，我经常将两者结合使用——用 Workflow 处理后台数据加工，用 Chatflow 提供用户交互界面。

模型管理：统一接入，灵活调度

模型管理是 Dify 的基础设施层。Dify 将模型提供商分为两类：

系统提供商：由 Dify 直接管理，无需配置即可使用，通过 Dify 订阅计费。这适合快速上手和原型验证。

自定义提供商：使用你自己的 API 密钥直接对接模型服务。Dify 支持 OpenAI、Anthropic、Google、Cohere 以及通过 Ollama 运行的本地模型，覆盖了主流的商业模型和开源模型。自定义提供商的优势在于：直接计费、更高的速率限制、完全的控制权。

在实际使用中，一个常见且实用的策略是混合使用两者——用系统提供商做快速实验，用自定义提供商跑生产负载。

Dify 还提供了模型凭据管理功能，允许为同一个模型配置多组凭据。这在以下场景中特别有用：为开发、测试、生产环境配置不同的 API 密钥；利用不同账户的免费配额降低成本；在模型微调过程中快速切换不同版本进行 A/B 测试。

值得一提的是，Dify 的负载均衡功能（付费特性）允许将请求分发到多个凭据上，这对于高并发场景下的稳定性非常有帮助。不过对于中小团队来说，通过应用层面的多凭据配置通常已经够用了。

知识库与 RAG：让 LLM 拥有你的专属知识

知识库是 Dify 最核心的功能之一，也是让 AI 应用从"通用"变为"专业"的关键。

RAG 的工作原理

Dify 的知识库基于 RAG（检索增强生成）技术，核心流程是三步走：

检索（Retrieval）：当用户提出问题时，系统从知识库中检索最相关的信息片段。
增强（Augmentation）：将检索到的信息与用户的原始查询组合，作为增强上下文发送给 LLM。
生成（Generation）：LLM 基于这个增强后的上下文生成更精准的回答。

这种方式的好处是显而易见的——LLM 不再仅依赖其预训练数据中的知识，而是能够引用你的私有数据，大大减少了"幻觉"问题的发生。

知识库的创建方式

Dify 提供了三种创建知识库的方式：快速创建（上传文件，Dify 自动处理分段和索引）、通过知识管道创建（使用自定义步骤和插件编排复杂的数据处理流程）、连接外部知识库（通过 API 直接同步外部数据源，无需数据迁移）。

检索策略

检索质量直接决定了 RAG 系统的效果。Dify 提供了两种检索策略：加权评分（内部评分机制，可调整语义检索和关键词检索的权重比例，不产生额外费用）和 Rerank 模型（使用外部重排序模型对检索结果进行二次排序，效果更好但有额外成本）。

对于大多数场景，我建议先用加权评分进行调试——如果你的知识库以术语匹配为主（比如技术文档），把关键词权重调高；如果是概念性内容（比如产品介绍），语义权重更适合。只有在简单检索无法满足精度要求时，才考虑引入 Rerank 模型。

此外，Dify 还支持元数据过滤功能，允许你通过文档的元数据字段（如分类、日期、标签等）来缩小检索范围，进一步提升精度。

工具与插件生态：让 LLM 触达外部世界

LLM 本身是"被关在盒子里的"——它只能基于训练数据生成文本，无法访问实时信息或执行实际操作。工具系统就是打开这扇门的钥匙。

工具类型

Dify 提供了四种工具类型：

插件工具：由 Dify 和社区提供的现成集成，可从 Dify Marketplace 安装。
自定义工具：用户自己开发的工具，通过 API 调用外部服务。
工作流工具：将一个 Dify 工作流封装为工具，供其他应用调用。
MCP 工具：基于 Model Context Protocol 标准的工具集成。

插件架构

Dify 的插件系统是一个统一的扩展机制。事实上，Dify 中的模型提供商、工具、自定义端点，甚至反向调用能力，都是通过插件实现的。这意味着插件是 Dify 连接外部世界的基础设施。

插件可以从三个来源安装：官方 Marketplace（经过测试和维护的插件）、GitHub（任何公共仓库的插件）、本地上传（私有或内部的自定义插件包）。对于企业用户，管理员可以控制插件安装权限和自动更新策略，确保安全性。

MCP 支持

MCP（Model Context Protocol）是 Anthropic 推出的开放协议标准，用于 AI 工具与外部系统的互操作。Dify 双向支持 MCP：一方面，你可以将 Dify 应用发布为 MCP 服务器，让 Claude Desktop、Cursor 等 AI 工具直接调用你的 Dify 应用；另一方面，你也可以在 Dify 的工作流和 Agent 中使用外部 MCP 工具。

这种双向集成让 Dify 能够融入更广泛的 AI 开发生态，是一个非常有前瞻性的设计。

发布与部署：从原型到生产的完整路径

Dify 在应用发布方面提供了多种选择，覆盖了从快速验证到生产部署的完整路径。

Web 应用

创建任何应用时，Dify 都会自动生成一个可访问的 Web 应用。无需额外配置，分享链接即可让用户使用。这适合快速收集反馈、验证想法，或为非技术用户提供服务。

API 集成

对于需要将 AI 能力嵌入自有产品的场景，Dify 提供了完整的 RESTful API。你可以生成 API 凭据，通过 API 调用应用的各项功能。Dify 会根据你的应用配置自动生成 API 文档，包含 cURL 和 Python 示例代码。对话式应用通过 conversation_id 维持会话连续性，而服务 API 与 Web 应用的对话数据是隔离的。

网站嵌入

Dify 支持将 Web 应用作为聊天小部件或 iframe 嵌入到任何网站中。只需要一段嵌入代码，就能在现有网页上集成 AI 对话能力。

MCP 服务器

如前所述，可以将 Dify 应用暴露为 MCP 服务器，让 Claude Desktop、Cursor 等开发工具直接使用。

自托管部署

对于有数据安全要求或需要深度定制的场景，Dify 提供了完整的自托管方案。最简单的方式是通过 Docker Compose 一键部署，最低系统要求仅 2 核 CPU 和 4GB 内存。Dify 的中间件包括 PostgreSQL、Redis、Weaviate（向量数据库）等，全部通过 Docker Compose 管理。

对于需要二次开发的团队，Dify 也支持源码部署——后端基于 Python（Flask），前端基于 Next.js，技术栈主流且易于上手。

与 Coze 的对比分析

既然提到了 Coze，不妨做一个系统性的对比：

开源 vs 闭源

Dify 是 Apache 2.0 协议的开源项目，你可以自由部署、修改和分发。Coze 是字节跳动的闭源产品。开源意味着你可以审计代码、定制功能、永久使用而不受制于商业策略的变化。闭源则意味着更好的开箱体验和更快的迭代速度。

灵活度 vs 易用性

Dify 提供了更大的灵活度——你可以选择任意模型提供商、部署在任意环境、通过 API 完全控制用户界面。Coze 则在易用性上做得更好——更直观的操作界面、更丰富的预置插件、与豆包模型的深度优化。

数据主权

这是 Dify 相对 Coze 最核心的优势。自托管的 Dify 意味着你的数据完全留在自己的服务器上，这对于金融、医疗、政务等对数据合规有严格要求的行业来说是决定性的。

生态差异

Coze 的优势在于与字节跳动生态的深度整合（豆包模型、火山引擎等），以及更丰富的中文场景预置能力。Dify 的生态则更开放、更国际化，支持更广泛的模型提供商和部署方式。

我的建议

如果你的需求是快速搭建一个个人 Bot、对数据安全没有特别要求、且主要使用豆包模型，Coze 是更省心的选择。如果你是企业用户、有数据安全要求、需要集成多种模型、或者希望对 AI 工作流有完全的控制权，Dify 是更好的长期选择。

小结

Dify 是一个设计精良的 LLMOps 平台，它在开放性和易用性之间取得了很好的平衡。通过 Workspace 进行团队协作，通过 Workflow/Chatflow 进行可视化编排，通过知识库实现 RAG，通过插件系统扩展能力，通过多种发布方式覆盖从原型到生产的全链路——这套完整的工具链足以支撑从个人开发者到企业团队的各种 AI 应用开发需求。

如果你正在评估 LLMOps 平台，我强烈建议你花一个下午的时间，用 Docker Compose 在本地部署一个 Dify 实例，亲手创建一个 Workflow 应用——你会发现，构建一个有知识库支撑的 AI 应用，比你想象的要简单得多。

Dify GitHub 仓库：https://github.com/langgenius/dify

Dify 官方文档：https://docs.dify.ai