想私有部署、想接全球任意模型，Dify 是答案。比 Coze 工程化、上手陡一点；比 FastGPT 工作流强、RAG 略弱。
TL;DR
一句话： Dify 是开源 LLMOps 平台的事实标准。GitHub 13 万 star、累计 100 万+ 生产 app（据 chatforest.com 2026 评测引用 Dify 官方数据），把"可视化工作流编排 + RAG 知识库 + Agent + MCP 协议"打包成一个 Docker Compose 能跑起来的东西。
最大价值是 完全开源 + 模型不挑食——同一个工作流里同时调 OpenAI、Anthropic、Ollama 本地、DeepSeek、Qwen 都行。代价是部署比 Coze 折腾，新手得读 1-2 小时文档。
来源说明：本文基于 docs.dify.ai 官方文档、langgenius/dify GitHub 仓库、第三方评测（besthub.dev / chatforest.com / joshuaopolko.com / zhihu 知名专栏）综合归纳。版本号会变，部署要求请以官方最新文档为准。
核心特性
可视化工作流（Chatflow + Workflow）
Dify 把 LLM 应用拆成两种"应用类型"：
| 类型 | 适合场景 | 编排范式 |
|---|---|---|
| Chatbot | 简单对话机器人 | prompt + tools |
| Agent | 自主多步任务 | ReAct / Function Calling |
| Chatflow | 对话型工作流（多轮 + 分支） | 节点 DAG，带聊天上下文 |
| Workflow | 单次输入→输出（API 模式） | 节点 DAG，无对话状态 |
节点类型覆盖：LLM、知识检索、HTTP 请求、代码执行（Python / JS）、条件分支、迭代、变量聚合、参数提取、问题分类——满足"用拖拽实现可观测的 LLM pipeline"。
RAG 知识库
内置完整 RAG 链路：
- 上传文档（PDF / Word / Markdown / 网页）
- 自动分块 + embedding（可配置分段策略和 embedding 模型）
- 混合检索（向量 + 全文 + 重排）
- 引用溯源（回答末尾自动附原文片段）
注意：根据 知乎 LLM 实战笔记 2025-03 对比 的实测，Dify 社区版默认是基础语义检索，企业版才解锁多路召回 + 重排。RAG 极致精度场景仍推荐 FastGPT（实测准确率高 10+ 个百分点），Dify 胜在工作流而非纯 RAG。
模型生态：40+ 提供商
Dify 通过插件市场接入主流模型——OpenAI、Anthropic、Google Gemini、Azure、AWS Bedrock、Cohere、xAI、DeepSeek、Qwen、智谱、文心、豆包、月之暗面、Ollama、LM Studio、Replicate、Together AI、OpenRouter……几乎你能数出来的 LLM 提供商都在。
国产模型原生支持（不像 FastGPT 需要 OneAPI 中转），是 Dify 在国内 toB 场景流行的关键。
MCP 协议支持
Dify 较早接入了 MCP（Model Context Protocol），工作流可以直接调 MCP Server 暴露的 tools。意味着你可以让 Dify 工作流：
- 通过 MCP 调本地 PostgreSQL / SQLite
- 通过 MCP 调 GitHub / Slack / Linear
- 通过 MCP 调自家内部系统（写一个 MCP Server 即可）
API-first
每个 app 自动暴露 REST API，参数和返回结构自动生成 OpenAPI Schema。集成到自家产品里不需要写包装代码，给前端 / 微信小程序 / 飞书机器人调用都方便。
价格与运行成本
云版（dify.ai）
根据 tooljunction.io 2026 评测 引用的官方定价：
| 套餐 | 价格 | 主要限制 |
|---|---|---|
| Sandbox | 免费 | 200 次模型调用，1 app，5MB 知识库 |
| Professional | $59/月起 | 5000 调用/月，多 app，50MB 知识库 |
| Team | $159/月起 | 团队协作、SSO |
| Enterprise | 联系销售 | 定制 SLA、私有云 |
注意：云版价格只是 Dify 平台费，模型 API 费用另算（自带 OpenAI / Anthropic key）。
自托管（推荐）
官方 GitHub 仓库 提供 Docker Compose 部署，社区版完全免费可商用：
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
# 默认 http://localhost / 端口可在 .env 调整
硬件门槛（社区共识，非官方硬性要求）：
- 最低：2 核 4G，纯外接 API 模式
- 推荐：4 核 8G + 至少 30GB 磁盘（向量数据 + 文件存储）
- 企业：8 核 16G+，单机日活上千
真实 TCO
按一家中小团队 3 年场景估算（基于上面引用的多份评测交叉对比）：
| 成本项 | 云版 Professional | 自托管 |
|---|---|---|
| 平台费 | ~$2,100（3 年） | $0 |
| 服务器 | $0 | ~$50/月 × 36 = $1,800 |
| 模型 API | 与下同 | 与上同 |
| 运维人力 | 0 | 约 0.2 人月 |
结论：日活 < 100 用云版省心；> 500 或数据敏感场景自托管 ROI 更好。
上手 10 分钟
# 1. 自托管（社区版）
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
# 2. 浏览器打开 http://localhost
# 首次会让你创建 admin 账号
# 3. 进入"设置 → 模型供应商"，配置 OpenAI / 国产模型 API key
# 4. 在主界面"创建空白应用"，选 Chatflow 或 Workflow
# 5. 拖入"开始 → LLM → 结束"节点试一下基础 prompt
# 6. 满意了点右上"发布"，自动生成 API endpoint
国内使用注意事项
- 云版 dify.ai 直连国内访问稳定但需要付款——支持国际信用卡 / Stripe
- 自托管 + 国产模型 = 完全国内闭环，是 Dify 在国内最大优势
- Docker 镜像拉取：国内可能慢，建议配 Docker registry 镜像（阿里云 / 网易）
- 数据合规：完全自托管时，数据零外泄；某些金融 / 政府客户因此从 Coze 迁到 Dify
与同类怎么选
| 维度 | Dify | Coze | FastGPT | n8n |
|---|---|---|---|---|
| 开源 | ✅ | ❌ | ✅ | ✅（fair-code） |
| 私有部署 | ✅ | ❌ | ✅ | ✅ |
| 上手难度 | ★★★☆☆ | ★★☆☆☆ 最简单 | ★★★☆☆ | ★★★★☆ |
| 工作流编排 | ★★★★★ | ★★★★☆ | ★★★☆☆ | ★★★★★ |
| RAG 精度 | ★★★★☆ | ★★★☆☆ | ★★★★★ | ★★☆☆☆ |
| 模型生态 | ★★★★★ | ★★★★☆ | ★★★☆☆（OneAPI 中转） | ★★★★☆ |
| 中文场景 | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★☆☆ |
| 字节生态绑定 | ❌ | ✅（飞书/抖音深度集成） | ❌ | ❌ |
怎么选（基于 BestHub 2025-07 和 博客园 2026-01 两份选型指南综合）：
- 数据必须不出内网 + 工作流复杂 → Dify
- 个人 / 小团队 / 快速原型 + 字节生态 → Coze
- 核心场景就是企业知识库 QA → FastGPT
- 重点是连接外部 SaaS（Slack / Notion / 数据库） → n8n
- 要画图式表达 LangChain pipeline → Langflow
避坑清单
- 社区版与企业版差距比想象大：多路召回 / 重排序 / 单点登录 / 审计日志都在企业版。社区版做生产前心里要有数。
.env文件改完忘 restart：docker compose down && up -d，不是restart——后者不重新加载 env。- 大版本升级会破坏数据库 schema：官方升级文档 有详细 migration 步骤，跨大版本（如 0.x → 1.x）务必先备份 PostgreSQL 卷。生产环境强烈建议跑 staging 完整验证后再升。
- RAG 文件大小社区版默认 15MB：根据上述知乎实测，超过会失败。改
.env的UPLOAD_FILE_SIZE_LIMIT并重启容器。 - 代码节点的 Sandbox 性能差：内置代码执行节点跑在隔离容器里启动慢、内存小。生产高频用建议改成 HTTP 节点调外部服务。
- 工作流"迭代节点"循环上限：默认 10 次，复杂 ReAct agent 容易撞天花板，需要在节点设置里调高。
- Dify Plugin 系统是新东西：1.0 后引入的 Plugin 体系替代了原来的 Tools/Models 配置方式，老教程可能已过时——以最新官方文档为准。
- 国内 Docker 拉取镜像慢：先配国内 registry，否则首次 pull 可能要 30+ 分钟。
适合 / 不适合
✅ 适合：
- 中大型企业 LLM 中台建设
- 需要私有化部署（金融 / 医疗 / 政府）
- 想做"AI 工作流即产品"的开发团队
- 同时需要 RAG + Agent + Workflow 三件套
- 想用国产模型 + 国际模型混合编排
- 已经接受 Docker + 一定运维投入
❌ 不适合：
- 纯个人玩家做对话机器人（Coze 更快）
- 只想做企业知识库 QA（FastGPT RAG 更专）
- 团队完全没运维能力（云版还行，自托管会踩坑）
- 需要深度对接字节飞书 / 抖音（Coze 原生）
- 工作流核心是连接 100+ SaaS（n8n 节点更全）
相关阅读
- 同类对比：Coze / FastGPT / n8n / Langflow
- 概念基础：AI Agent / RAG / MCP / Function Calling
- 模型选型：GPT-5 / Claude Sonnet 4 / DeepSeek-V3 / GLM-5.2
- 进阶：Fine-tuning vs RAG / Context Engineering
来源
- 官网：https://dify.ai
- 中文文档：https://docs.dify.ai/zh-hans
- GitHub：https://github.com/langgenius/dify
- 官方定价：https://dify.ai/pricing
- 第三方评测：tooljunction.io / chatforest.com / besthub.dev / joshuaopolko.com / 知乎 LLM 实战笔记
本卡片由 AIHO 编辑部根据官方公开资料与第三方评测整理。所有事实点均标注来源；如发现版本号 / 价格 / 功能与最新官方信息不一致，请通过 /submit 反馈。