#Dify 简介

#Dify 是什么？

Dify 是开源的 LLM 应用平台，由 LangGenius 维护。你可以在 Studio 里用拖拽界面构建 Agent、Agentic Workflow、以及基于自有数据的聊天机器人，再发布为 Web 应用 或通过 REST API（也可作为 MCP Server）接入自己的产品。

官方定位一句话：在自己的数据上构建 AI 应用，然后把它交到用户手里。 名字 Dify = Do It For You。

┌─────────────────────────────────────────────────────────────┐
│                      Dify 平台                               │
└─────────────────────────────────────────────────────────────┘
   模型供应商     知识库 (RAG)      Studio 编排
   OpenAI /      分块·向量·混合     Chatbot / Agent
   DeepSeek /    检索·引用          Workflow / Chatflow
   Ollama …
         │              │                  │
         └──────────────┴──────────┬───────┘
                                   ▼
                    Web App  ·  REST API  ·  MCP

#官方推荐的应用类型

创建应用时，官方文档当前推荐优先选 Workflow 或 Chatflow（可视化图、可复用节点）。另外还有三类更简单的「基础应用」：

本教程按「先 Chatbot 上手 → 知识库 → 工作流 → Agent」展开，与 LangChain 教程 里「先 Agent、再图编排」的代码路径对照着看会更清楚。

#与 LangChain、扣子（Coze）对比

三者都能做「模型 + 工具 + 知识」，差别在谁来写编排、数据放哪、能不能自托管。

选型建议：

• 产品/运营要几天内上线一个带知识库的助手，且希望非开发也能改提示词 → Dify
• 需要细粒度状态、测试、与现有 Python 服务深度集成 → LangChain（底层同一套 RAG / Agent 循环）
• 主要在国内云生态里做 Bot、强依赖渠道与模板 → 可评估 扣子；要数据不出内网则 Dify 自托管更合适

它们不是互斥：常见组合是 Dify 负责编排与发布，关键步骤用 HTTP / 代码节点调用你自己的 LangChain 服务。

#适合 / 需谨慎

适合：

• 内部 FAQ、客服、制度问答（知识库 + 引用）
• 固定步骤的审批/分类/生成流水线（Workflow / Chatflow）
• 需要模型自己决定调哪些工具的助手（Agent）
• 想把同一套应用同时给浏览器用户和后端（Web App + API）

需谨慎：

• 极复杂、强类型的状态机 → 用 LangChain / LangGraph 更可控
• 超低延迟、每毫秒都要抠 → 可视化平台与沙箱有额外开销
• 自托管要满足 CPU / 内存与磁盘（见 安装），并认真备份 volumes

#运行形态

仓库：github.com/langgenius/dify。本地模型请搭配本站 Ollama 教程；若还要把 Dify 应用暴露给 IDE，见 MCP 教程。

#下一步

• 安装与部署
• 快速上手
• 对照阅读：LangChain 简介