Dify

Dify 是一个用来搭建大语言模型（large language model, LLM）应用的开源平台。它把自己描述为开源的 LLM 应用开发平台，界面把四样东西放在一起：AI 工作流（workflow）、检索增强生成（retrieval-augmented generation, RAG）流水线、智能体（agent）能力和模型管理。^[1]

这四部分解决的是不同问题。工作流编辑器让开发者把应用的步骤——调用模型、根据结果分支、再调用别的服务——画成一张可见的图，而不是写成代码。RAG 流水线先从文档集合里检索出相关段落，放进提示词，让模型基于这些材料回答，而不是只依赖训练时学到的内容。智能体能力则把「调用哪个工具、按什么顺序」的决定交给模型本身，而不是按固定流程走。模型管理把不同模型供应商的配置集中在一处，应用要换模型时不必重写。把这四件事放在同一个界面里，是 Dify 主要的主张：团队可以在同一个环境里做原型，之后直接用这个环境上线。^[1]

部署方式

Dify 有三种用法：托管在 Dify Cloud 上、部署在客户自己的虚拟私有云（virtual private cloud, VPC）里，或者完全自托管。^[1] 官方把托管版描述为不必自己管理基础设施就能构建和发布 AI 应用的方式。^[2] 自托管和 VPC 这两种方式，对需要把数据和模型调用留在自己网络内部的组织更有意义。

可观测性

项目仓库里列出了与三款可观测性（observability）工具的集成：Opik、Langfuse 和 Arize Phoenix。^[1] 大模型应用的一个特点是输出不确定，一次请求往往要经过检索、若干次模型调用和工具调用；出错时只看最后一句话，很难判断问题出在哪一步。可观测性工具记录每一步的输入输出和耗时，把这条链路展开来看。

面向生产的定位

Dify 的官网把产品定位为面向生产的智能体工作流（agentic workflow），并称团队可以从原型直接走到生产，不必重建整套技术栈。^[2] 官网还引用了 Volvo Cars 的说法，介绍其用 Dify 设计和部署自然语言处理（natural language processing, NLP）流水线。^[2]

关注度

在当时，GitHub 仓库页面列出 160.6k 个 star 和 25.4k 次 fork。^[1] star 数反映的是关注度而不是生产使用量，但这个量级让它在同类开源项目里相当显眼。

在发展中的位置

开源核心加托管云服务，是基础设施类软件常见的一种形态：代码公开，任何人都可以自己运行；不想自己运维的团队则使用托管版本。Dify 两条路都提供，^[1][2] 在「自己拼一套工具」和「买一个封闭平台」之间多给了一个选项。