Coze vs Dify：国内 Agent 平台双雄实测

TL;DR

五分钟搞清楚定位

• Coze（扣子） 是字节出品的 Agent 搭建平台，思路是"让你不写代码也能做 Bot"。国内版接抖音/飞书生态，海外版接 Discord/Telegram。
• Dify 是开源 LLMOps 平台（Apache 2.0），定位是"让企业能把 LLM 落地成生产级应用"，可自托管。

两者功能高度重叠——都做 Prompt 编排、工作流（Workflow）、知识库（RAG）、API 输出。区别在哲学：Coze 优化"零门槛快速出活"，Dify 优化"可控、可托管、可审计"。选型本质是在"快"和"掌控"之间做权衡。

实测一：搭一个客服 Bot

任务：用一份 PDF 知识库 + 1 个查订单 API，搭一个能回答客户问题的 Bot。

Coze

• 15 分钟搞定。UI 引导极强，知识库上传、API 卡片配置、对话流编排都是拖拽。
• 发布到飞书机器人 = 一键。
• 缺点：模型只能选豆包/Doubao（海外版可选 GPT），不能用 Claude；某些深度配置（如自定义切片策略）藏得很深。

Dify

• 40 分钟搞定（首次熟悉）。流程：建 App → 选 Chatflow 编排 → 配 LLM Node + 知识库 Node + HTTP Node → 调试 → 发布 API。
• 优点：每一步都能看到底层在干什么，模型可任意切换（OpenAI / Claude / 国产 / 本地 vLLM）。
• 发布后给一个 OpenAI 兼容 API endpoint，前端怎么对接随你。

结论：纯比"出活速度"，Coze 赢；但 Dify 多出来的 25 分钟买到的是"每个环节可见、可调、可迁移"。

实测二：复杂工作流

任务：用户输入需求 → 拆解子任务 → 并行调用 3 个工具 → 汇总 → 输出报告。

Coze

• 工作流编排做得不错，节点丰富，但条件分支和循环没有 Dify 灵活。
• 调试主要看日志，单步调试体验一般。

Dify

• Workflow 模式完整：if/else、迭代器、变量赋值、代码节点（Python）一应俱全。
• 单步调试 + 变量追踪 + 历史回放都有。
• 复杂场景下心智负担更低，因为所见即所得。

判断标准：流程里出现"循环处理一个列表""根据中间结果走不同分支"这类逻辑，Dify 明显更顺；如果只是"输入→处理→输出"的线性流，两者都够用，Coze 更快。

知识库（RAG）深度

两家都支持文档上传 + 向量检索，差异在可调粒度：

文档问答效果不理想时，Dify 的"混合检索 + Rerank + 召回测试面板"能让你定位是"切片切坏了"还是"检索召回不准"，Coze 这块更像黑盒。RAG 概念见 什么是 RAG。

私有化部署

• Coze：不支持。国内版数据在字节云，金融 / 医疗等强合规行业不能用。
• Dify：支持。一条命令起完整栈：

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
# 起 Web、API、Worker、PostgreSQL、Redis、向量库

默认会拉起 Web 控制台、API 服务、异步 Worker、PostgreSQL、Redis 和向量数据库。自部署稳定性在我们接触的客户里表现 OK，已有两位数客户跑在生产环境。

计费现实

• Coze 国内版：免费（字节战略性投入），但流量大了之后会限流。
• Coze 海外版：免费试用 + 按量付费。
• Dify SaaS：有免费额度，超出按量付费。
• Dify 自部署：平台本身完全免费，只需自己付 LLM API 的钱。

注意一个隐性成本：Coze 免费但绑定豆包模型，长期看你被锁在字节生态里；Dify 自部署要算上服务器和运维人力。"免费"和"便宜"不是一回事。

选型决策树

需要数据合规 / 私有化部署？
├─ 是 → Dify（自部署，唯一选项）
└─ 否 → 主要面向 C 端 / 飞书生态 / 做 Bot 玩具？
        ├─ 是 → Coze（免费、快、生态好）
        └─ 否（B 端严肃业务）→ 要不要换模型 / 复杂工作流？
                ├─ 要 → Dify（模型自由 + Workflow 完整）
                └─ 不要 → 两者皆可，按团队熟悉度选

• 个人 / 小团队 / 飞书生态 / Bot 玩具 → Coze。免费、快、生态好。
• B 端 SaaS / 严肃业务 / 数据合规要求 → Dify。自部署 + 模型自由 = 长期可控。
• 想要更轻量、更专注 RAG → 看 FastGPT，它在文档问答这块比这两位都更专注。

踩坑记录

Coze

• 海外版 vs 国内版工作流不互通——别在国内做完想着搬海外，得重做。
• 知识库切片策略改动后老数据不会自动重切，需要重新上传。
• 模型锁定豆包，迁移到其他平台时 Prompt 和工作流要重新适配。

Dify

• 0.x → 1.x 升级有破坏性变更，跨大版本升级前务必看官方迁移指南，先在测试环境验证。
• 自部署默认 SQLite 仅适合试用，生产必须切 PostgreSQL，否则并发上去会出问题。
• 向量库默认配置在国内拉镜像可能慢，建议切到国内可顺畅访问的向量库（如 Qdrant）。
• Docker 部署内存吃得不少，多个服务同起，给宿主机留够内存，否则 Worker 容易被 OOM kill。

延伸阅读

• Coze 工具卡 · Dify 工具卡
• 什么是 AI Agent — 概念扫盲
• RAG Pipeline 搭建实战 — 自己动手搭检索增强

完整 Dify 自部署工作流将在 playbook 上线后补充交叉链接。