Dify，这个名字本身就蕴含着“Define（定义）+ Modify（修改）”的理念，它是一款开源的大语言模型（LLM）应用开发平台。
官网：https://dify.ai/zh
插件市场：https://marketplace.dify.ai/?language=zh-Hans
中文文档：https://docs.dify.ai/zh-hans/introduction
官方博客：https://dify.ai/blog
开源地址：https://github.com/langgenius/dify/
它将后端即服务（Backend as Service）和 LLMOps 的理念完美融合，旨在为您的团队提供从构思、开发到部署、监控的完整基础设施，帮助您打造能投产并创造真正价值的 Agentic AI 解决方案。

为什么选择Dify？

Dify 的目标非常明确：轻松构建并部署生产级 Agentic AI 解决方案。它提供了一站式能力：
Agentic 工作流：让AI不仅能“说”，还能“做”，自主完成复杂任务。
RAG Pipeline：高效整合您的私有知识。
丰富的集成：无缝连接各类大模型和工具。
可观测性：实时监控应用表现，确保稳定可靠。

Dify 不仅仅是一个开发工具，它更是生产就绪的企业级解决方案：
灵活扩展：从容应对不断增长的流量和变化的需求，确保您的AI应用具备可伸缩性。
稳定可靠：提供坚实可靠的基础设施，确保您拥有安心无忧的运营体验。
安全保障：具备企业级安全能力，守护您的关键数据资产，满足合规性要求。

在 GitHub 上，Dify 拥有超过103.5K 的 Star，累计下载次数达500万，并且汇聚了800多位开发者共同贡献（截止2025年6月）。Dify 也拥有不断壮大的生态环境。通过其插件市场（Marketplace），您可以在数秒内即时调用任意模型和工具，无需修改源代码。Dify 内置了构建LLM应用所需的关键技术栈，包括大模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agent 框架、灵活的流程编排，并同时提供了一套易用的界面和 API。这为开发者节省了许多重复造轮子的时间，使其可以专注在创新和业务需求上。

Dify与LLMOps

DevOps，顾名思义，是“开发”（Dev）与“运维”（Ops）的结合。它不仅仅是一套工具或流程，更是一种文化和实践，旨在通过自动化软件交付过程，来加强软件开发和信息技术运维团队之间的协作。让我们快速回顾一下DevOps的核心实践：
随着大模型开发的范式逐渐普及 “Feature Extraction”（特征提取）这类工作的重要性相对下降，取而代之的是“Data retrieval and serving”（数据检索与服务），这直接指向了RAG（检索增强生成）的重要性。我们不再是为每个任务从零开始提取特征训练模型，而是更多地利用大模型，并通过检索外部知识来增强其能力。
优化方式的转变：
传统MLOps可能更侧重于模型训练和验证的自动化。
而LLMOps则更多地聚焦于提示词工程（Prompt Engineering）和检索增强生成（RAG） 的优化。对于绝大多数应用而言，我们无需微调大模型，更不需要从头构建领域大模型。这意味着LLMOps需要提供强大的提示词管理、RAG管道构建和调试工具。
数据角色的不同：
传统MLOps的数据主要用于模型训练。
LLMOps的数据更多地作为上下文信息，用于RAG检索，以提供个性化、领域化的回答，并需要特别关注数据的集成、结构化和命中率。
模型特有挑战：
LLMs特有的“幻觉”（Hallucination）问题，以及模型对齐（Alignment）的挑战，需要在LLMOps中通过内容审核（Moderation System）、人类反馈和持续监控来解决。
API成本管理：由于大型模型的调用通常是按token计费的，LLMOps需要精确的成本监控和优化策略。
复杂交互与Agent编排：LLMOps需要支持更复杂的AI Agent工作流编排，实现从意图识别到多步骤工具调用的完整链条。

Dify vs Langchain

LangChain是一个非常强大的开发框架，它为开发者提供了构建大语言模型应用的组件和工具链。而Dify.AI，则是一个更偏向于平台型的产品，它融合了Backend as a Service（后端即服务）和LLMOps的理念。
通过这些对比，我们可以清晰地看到：
LangChain是一个为开发者提供高度灵活性和代码控制力的强大框架，适合那些希望从底层开始构建、需要精细控制每个细节的团队。
Dify.AI则是一个开箱即用、功能全面、且易于上手的平台。它将LLM应用开发的复杂性进行高度封装和可视化，特别适合那些希望快速构建、部署和运营生产级LLM应用，并希望降低开发门槛，让更多非技术人员参与其中的个人、初创企业和中大型企业。

Dify 版本差异

Dify主要提供两大类服务：云服务（Cloud Service）和自托管（Self-Hosted），每种方案下又细分为不同的版本和套餐，以满足从个人开发者到大型企业的各种需求。
云服务（Cloud Service）- 便捷高效，即开即用。Dify的云服务提供了多个层级，让您无需自行部署和维护基础设施，即可快速启动AI应用开发：
SANDBOX (免费沙盒版)：提供核心功能的免费试用，包含200条消息额度，支持多种LLM，1个团队工作区，5个应用和50个知识文档等，非常适合个人开发者或初期探索。
PROFESSIONAL (专业版)：面向独立开发者和小型团队，每月5000条消息额度，支持更多知识文档和数据存储，并提供优先文档处理和日志记录等。
TEAM (团队版)：专为中型团队设计，提供更高的消息额度、知识文档和并发请求限制，是专业版的扩展。

Dify 模块与技术栈

Dify 的后端是整个平台的“大脑”，负责处理核心逻辑和数据流。
编程语言与框架：
Python + Flask：Dify 的后端服务主要使用 Python 语言开发，并基于轻量级的 Flask 框架构建了高效的 RESTful API 接口。这种组合使得开发快速而灵活。
Celery：为了处理数据导入、模型训练等耗时的异步任务，Dify 引入了 Celery，它是一个强大的分布式任务队列管理系统。这极大地提升了复杂工作流的执行效率和系统的响应速度。
数据库与存储：
PostgreSQL：作为核心关系型数据库，PostgreSQL 负责存储 Dify 的应用数据、用户信息以及各种结构化内容，确保数据的可靠性和一致性.
Redis：作为内存数据库，Redis 主要用于缓存和会话管理，有效优化了高频访问场景的性能，提升了用户体验。
Weaviate：这是 Dify 在 RAG（检索增强生成）管道中的关键组件。Weaviate 是一个向量搜索引擎，它能够高效地存储和检索海量的文本向量，从而为 LLM 提供精准的上下文信息，是 Dify 知识库能力的核心。

Dify 应用类型

在 Dify 中，一个“应用”是指基于 GPT 等大语言模型构建的实际场景应用。通过创建应用，你可以将智能 AI 技术应用于特定的需求。它既包含了开发 AI 应用的工程范式，也包含了具体的交付物。
https://docs.dify.ai/zh-hans/guides/application-orchestrate/readme
Dify 中提供了五种应用类型：
聊天助手：基于 LLM 构建对话式交互的助手
文本生成应用：面向文本生成类任务的助手，例如撰写故事、文本分类、翻译等
Agent：能够分解任务、推理思考、调用工具的对话式智能助手
对话流：适用于定义等复杂流程的多轮对话场景，具有记忆功能的应用编排方式
工作流：适用于自动化、批处理等单轮生成类任务的场景的应用编排方式

Dify 知识库

开发者可以将企业内部文档、FAQ、规范信息等内容上传至知识库进行结构化处理，供后续 LLM 查询。相比于 AI 大模型内置的静态预训练数据，知识库中的内容能够实时更新，确保 LLM 可以访问到最新的信息，避免因信息过时或遗漏而产生的问题。
LLM 接收到用户的问题后，将首先基于关键词在知识库内检索内容。知识库将根据关键词，召回相关度排名较高的内容区块，向 LLM 提供关键上下文以辅助其生成更加精准的回答。
开发者可以通过此方式确保 LLM 不仅仅依赖于训练数据中的知识，还能够处理来自实时文档和数据库的动态数据，从而提高回答的准确性和相关性。
在 Dify 中，知识库（Knowledge）是一系列文档（Documents）的集合，一个文档内可能包含多组内容分段（Chunks），知识库可以被整体集成至一个应用中作为检索上下文使用。文档可以由开发者或运营人员上传，或由其它数据源同步。

Dify 工具/插件

插件是 Dify 平台的扩展模块，让你可以轻松地接入第三方模型与工具，显著提升应用能力。通过插件系统，你的 AI 应用能够更好地”看”、“听”、“说”、“画”、“计算”、“推理”，并连接外部 API，执行真实世界的操作。
工具使用户可以在 Dify 上创建更强大的 AI 应用，如你可以为智能助理型应用（Agent）编排合适的工具，它可以通过任务推理、步骤拆解、调用工具完成复杂任务。
方便将你的应用与其他系统或服务连接，与外部环境交互，如代码执行、对专属信息源的访问等。

Dify 沙盒

https://docs.dify.ai/zh-hans/development/backend/sandbox/README
DifySandbox 是一个轻量、快速、安全的代码运行环境，支持多种编程语言，包括 Python、Nodejs 等，用户在 Dify Workflow 中使用到的如 Code 节点、Template Transform 节点、LLM 节点的 Jinja2 语法、Tool 节点的 Code Interpreter 等都基于 DifySandbox 运行，它确保了 Dify 可以运行用户代码的前提下整个系统的安全性。
多语言支持：DifySandbox 基于 Seccomp，这是一个系统层级的解决方案，从而确保了可以支持多种编程语言，目前支持了 Python 与 Nodejs。
系统安全：使用白名单策略，只允许运行特定的系统调用，从而确保不会出现意外的绕过。
文件系统隔离：用户代码将运行在一个独立的隔离的文件系统中。
网络隔离:
DockerCompose：独立网络 Sandbox 网络，并使用代理容器进行网络访问，确保内网系统的安全，同时提供了灵活的代理配置方案。
K8s：直接使用 Egress 配置网络隔离策略即可。

编辑推荐

这是一本面向零基础、非IT技术背景读者的Agent开发实战指南。本书以Dify为Agent开发平台，采用案例教学的方式手把手教你如何用Dify开发Agent。无须编程，你也可以开发功能丰富的Agent。
本书采用“方法总结—工具操作—项目实战”的结构循序渐进展开介绍，共9章。
本书选取了发票识别与处理、长文档处理、本地知识问答、人才招聘这4个典型的业务场景，用6个典型的项目案例，手把手演示了从需求分析、运行流程、节点设计到运行效果的全链路Agent开发过程，并总结了每个案例的开发经验，为你提供了开发类似功能的Agent的思路。