Dify：在可视化画布上搭建 LLM 应用与 Agentic 工作流

Dify 是一个开源的 LLM 应用开发平台，目标是把 AI 工作流、RAG 管道、Agent 能力、模型管理和可观测性整合在同一个协作工作空间里，让团队从原型走到生产时不必重复搭建底层栈。项目用 Python 编写，托管在 GitHub 的 langgenius/dify 仓库。

项目定位与解决的问题

Dify 面向 LLM 应用开发中的几个典型环节：提示词编写与对比、文档接入与检索、Agent 任务执行、模型接入以及上线后的日志与效果观测。它提供可视化界面，让这些环节可以在一个平台内完成，而不是分散在多个脚本或服务中。官方将其称为“开源 LLM 应用开发平台”，并强调其目标是帮助开发者快速从原型进入生产。

核心功能

• 工作流：在可视化画布上构建和测试 AI 工作流，把不同步骤串联起来。
• 模型支持：可对接来自多家推理提供商和自托管方案的专有/开源 LLM，覆盖 GPT、Mistral、Llama3 以及任何兼容 OpenAI API 的模型。完整支持列表见官方文档。
• Prompt IDE：用于编写提示词、比较模型表现，并可为聊天类应用加入文本转语音等附加能力。
• RAG 管道：覆盖从文档摄取到检索的流程，开箱支持从 PDF、PPT 等常见文档格式中提取文本。
• Agent：提供具有专属沙箱的自主 Agent，可运行命令、安装软件、处理文件以完成开放式任务。用户描述想要的 Agent 后，它能够自行构建；还可以为其添加技能，连接 Dify Marketplace 中的工具、MCP 服务器或自有 API，并作为聊天应用或工作流中的一步来使用。
• LLMOps：随时间监控和分析应用日志与性能，基于生产数据和标注持续改进提示词、数据集和模型。
• 后端即服务：Dify 的各项能力均配有相应 API，便于集成到自有业务逻辑中。

使用方式与部署选项

Dify 提供三种主要使用形态：

• Dify Cloud：由官方托管的云版本，无需自行管理服务器，具体方案与用量额度见定价页面。
• 自托管社区版：在自己的环境中部署 Dify Community Edition，适合希望掌控基础设施的团队。
• Dify Enterprise：面向需要自托管、SSO、RBAC 安全能力和企业支持 SLA 的组织，需要通过官方表单联系解决方案代表。

若选择自托管，README 给出的最简启动方式是 Docker Compose。安装前需确保机器满足最低系统要求：CPU 至少 2 核，内存至少 4 GiB。需要安装 Docker 并保持守护进程运行、Docker Compose v2.35.0 或更高版本，以及 OpenSSL。新部署需在仓库根目录执行相关命令，并在 .env 中设置生成的 DIFY_AGENT_LOCAL_SANDBOX_AUTH_TOKEN；已有部署则应保留原有 .env 并遵循升级指引。服务启动后，打开 http://localhost/install 完成初始设置。一次性服务 init_permissions 以退出码 0 结束属于预期行为。

技术特点与生态

项目主要语言为 Python，前端侧标签中包含 Next.js。平台集成了可观测性工具，README 明确提到 Opik、Langfuse 和 Arize Phoenix。标签还覆盖 agent、agentic-workflow、low-code、no-code、MCP、RAG 相关方向以及 OpenAI、Claude、DeepSeek 等模型生态。Dify 同时提供 API，便于作为后端服务嵌入现有系统。

适用人群与场景

Dify 适合希望以较低代码量搭建 LLM 应用的开发者、产品团队和需要内部 AI 工作流的企业。典型场景包括：构建基于知识库的问答与检索应用、把多个模型和工具编排成自动化工作流、创建可执行开放式任务的 Agent、对线上 AI 应用进行日志监控与效果迭代，以及通过 API 将 AI 能力接入已有业务系统。

注意事项

自托管部署需要满足上述最低硬件要求，并使用指定版本的 Docker Compose。许可证方面，该仓库采用 Dify Open Source License，基于 Apache 2.0 并附加额外条件，使用前应阅读仓库中的许可条款。GitHub 上的 Star 数和 Fork 数仅反映平台上的关注与派生情况，不代表官方排名或认证。项目仍在持续更新，具体功能细节与部署参数建议以官方文档和仓库最新内容为准。

项目主页

https://github.com/langgenius/dify

项目地址：dify

项目界面与演示图片