是什么 / 适合谁
Dify 是一个开源的 LLMOps 平台，由国内团队 LangGenius 出品，定位是“企业级 AI 应用搭建框架”。它不像 Coze 那样一键拖拽出聊天机器人，而是更像一个专业工坊——你可以在本地或自己的服务器上部署它，自由接入私有模型、自定义 Embedding，甚至把整个知识库和业务流程都装进去。它的核心价值在于：让有技术基础的人，能完全掌控自己的 AI 应用，从数据、模型到部署，每一步都不受第三方平台限制。
适合谁：有基本编程或运维能力的技术人员、想要构建私有知识库的企业团队、需要把 AI 集成到现有业务系统的开发者。如果你只是想快速搭个聊天机器人玩玩，Dify 可能太重了；但如果你需要数据不出公司、模型自己选、流程自己控，Dify 就是最佳选择之一。
阶段学习路径
第1天：从零到第一个对话机器人
目标：完成部署，跑通一个基础问答流程。
- 部署 Dify：推荐使用 Docker Compose 一键部署。在服务器上安装好 Docker 和 Docker Compose 后，拉取 Dify 官方仓库，执行
docker-compose up -d。大约 5 分钟就能在浏览器看到登录页。如果只想体验功能，也可以用官方 Cloud 版（国内访问较慢，但能正常注册使用）。
- 创建第一个应用：登录后，选择“创建应用” -> “对话型应用”。你会看到一个空白画布，左边是 Prompt 编辑器，右边是对话测试区。先别管复杂配置，直接写一个简单的系统提示词，比如“你是一个友好的助手”，然后保存并发布。
- 测试对话：在右侧输入框问“今天天气怎么样？”，模型会基于默认的 OpenAI 接口回复。这一步是为了确认整个链路跑通。
- 理解核心概念：花 10 分钟看下界面上的“上下文”、“变量”、“知识库”入口，不用深入，知道它们在哪就行。
第1天产出：一个能正常对话的 AI 应用，部署在自己服务器上。
第1周：搭建带知识库的 RAG 应用
目标：让 AI 能基于你的私有文档回答问题。
- 准备知识库：收集 3-5 份 PDF 或 TXT 文档，比如公司产品手册、FAQ 或技术文档。在 Dify 中创建“知识库”，上传这些文件。Dify 会自动进行文本切分和 Embedding 处理。
- 配置 Embedding 模型：如果你有私有 Embedding 模型（比如 BGE 系列），在“设置”->“模型供应商”中接入。如果没有，可以使用 Dify 内置的默认 Embedding 方案，或接入国内可用的在线 Embedding API（如智谱、百度千帆等）。
- 连接知识库到应用：回到刚才创建的应用，在“上下文”模块中，选择“添加知识库”，勾选你刚建好的知识库。保存后，测试问一个文档里的具体问题，比如“产品A的保修期是多久？”。如果回答正确，说明 RAG 链路通了。
- 调整检索参数：在知识库设置中，调整“检索策略”和“Top K”值。一般业务场景下，Top K 设为 3-5，检索策略选“混合检索”（既匹配语义也匹配关键词），效果最均衡。
第1周产出：一个能基于私有文档回答问题的 AI 助手，知识库内容可控。
进阶：工作流与智能体编排
目标：构建多步骤、带条件判断的复杂应用。
- 学习工作流：Dify 的工作流编辑器是它的核心杀手锏。从“应用”页面进入“工作流”标签，你会看到节点拖拽面板。先尝试一个简单流程：输入 -> 调用 LLM -> 输出。理解“开始”、“LLM”、“结束”三个节点的连接逻辑。
- 添加条件分支：在工作流中加入“条件分支”节点，让 AI 根据用户输入的不同内容走不同路径。比如，用户问“价格”时走价格查询节点，问“技术”时走知识库节点。这是 Dify 比普通聊天机器人强的地方。
- 集成外部工具：Dify 支持通过 API 节点调用外部服务。比如，接入一个天气查询 API，让 AI 在回答天气问题时实时获取数据。在“工具”模块中配置好 API Key 和请求格式，然后在工作流中拖入“API 请求”节点即可。
- 调试与发布：工作流编辑器的右侧有实时调试面板，可以模拟用户输入，观察每个节点的输入输出。调通后，将应用发布为 Web App 或 API 接口，供前端调用。
进阶产出：一个能处理多轮对话、调用外部数据、按条件分支的业务级 AI 应用。
优势
- 开源可控：代码完全开放，可本地部署，数据不出服务器，适合对合规性要求高的企业。
- 模型自由：支持接入 OpenAI、Llama、ChatGLM、Qwen 等几十种模型，也能用私有模型。Embedding 同样灵活，可以自己训练或选择国内可用的方案。
- RAG 能力扎实：知识库的文本切分、检索策略、Embedding 质量都经过大量用户验证，在同类开源工具中属于第一梯队。
- 工作流强大：可视化编排多步骤流程，支持条件分支、循环、API 调用，能实现复杂的业务逻辑。
- 社区活跃：GitHub 上有大量示例和讨论，中文文档完善，遇到问题容易找到解决方案。
短板
- 上手门槛高：需要懂 Docker 部署、模型配置、API 集成，对非技术人员不友好。相比 Coze 的零代码，Dify 的学习曲线陡峭得多。
- Cloud 版体验受限：官方 Cloud 版部署在海外，国内访问延迟高，且免费额度有限。对于国内用户，强烈建议自部署。
- UI/UX 偏工程化：界面设计偏向开发者，交互不够直观，新手容易迷失在菜单和配置项中。
- 部分功能不够成熟：比如插件生态、模板市场还处于早期，不如一些商业产品丰富。
价格规划
Dify 本身完全免费开源，没有授权费。主要成本来自：
- 服务器：自部署需要一台至少 2 核 4G 的服务器（推荐 4 核 8G），国内云服务器年费约 500-2000 元。
- 模型费用：如果使用在线 API（如智谱、百度千帆），按 token 计费，轻度使用每月几十元；如果自建模型（如部署 Llama），需要 GPU 服务器，成本较高（每月数千元起）。
- Embedding 费用：使用在线 Embedding API 同样按量计费，自建则需额外算力。
- 存储：知识库文件存储在服务器硬盘上，一般业务场景下成本可忽略。
总体建议：个人或小团队，自部署 + 国内在线 API，每月成本控制在 100-500 元。企业级自建模型方案，成本需根据业务量单独核算。
不合适怎么办
如果你发现 Dify 的学习成本太高，或者你的需求只是快速验证一个想法，可以考虑以下替代方案：
- Coze：字节跳动出品，零代码搭建，适合快速原型验证。但数据在云端，无法私有化。
- FastGPT：另一款国产开源 RAG 工具，上手比 Dify 简单，知识库功能同样扎实，适合纯问答场景。
- Langflow：可视化低代码工具，更适合做概念验证，但生产环境稳定性不如 Dify。
- 直接调用 API：如果只需要简单的问答功能，直接用 LangChain 或 OpenAI SDK 写几十行代码，比部署一个平台更轻量。
选择工具的核心原则：不要为了用工具而用工具，先明确你的业务场景和数据安全要求。如果数据必须私有化、流程必须定制化，Dify 值得花时间学；如果只是临时用用，选更轻量的方案。
