Dify：LLM 应用开发平台，从原型到上线一站搞定

Dify 在 GitHub 上已经拿到 144,876 颗 Star。

LangGenius 团队开源的这个项目，做的事情很直接：给你一个可视化的平台，把 AI 工作流编排、模型管理、RAG 检索增强、Agent 搭建这些事统揽起来，不用东拼西凑。

1、 它解决什么问题

做 LLM 应用的人，大多踩过这些坑：模型调用写一套代码，RAG 管线写一套代码，Agent 逻辑再写一套代码，上线之后日志监控又是一套。每个环节之间胶水代码一堆，换个模型要改接口，加个功能要动架构。

Dify 把这些环节收拢到一个平台里。拖拽式的工作流编辑器让你把提示词、模型调用、工具调用串成一条完整链路，所见即所得。

2、 核心能力拆开看

工作流编排：可视化画布上拖拽组合节点，构建 AI 工作流。条件分支、循环、变量传递都能做，不用写代码也能搭出复杂逻辑。

模型管理：集成了几十家推理服务商的模型，GPT、Mistral、Llama3，以及各种兼容 OpenAI 接口的模型都能接。一个平台里切换不同模型做对比测试，方便调优。

Prompt IDE：专门调提示词的界面。写好提示词，直接在不同模型上跑，看输出效果。支持加语音合成等附加功能。

RAG 管线：从文档导入到检索，全流程内置。PDF、PPT、Word 等常见格式直接吃进去，文本提取、分块、向量化、检索一条龙。

Agent 能力：支持 Function Calling 和 ReAct 两种模式定义 Agent。内置 50 多个工具，Google 搜索、DALL·E、Stable Diffusion、WolframAlpha 等开箱即用，也支持自定义工具接入。

LLMOps：生产环境的日志和性能监控。持续跟踪应用运行状态，根据真实数据调优提示词和数据集。

3、 部署方式

最快的方式是 Docker Compose：

cd dify/docker
cp .env.example .env
docker compose up -d

启动后访问 localhost/install，浏览器里完成初始化。

硬件要求很低：2 核 CPU、4GB 内存就够跑。

如果要上生产，社区提供了多种部署方案。Helm Chart 可以部署到 Kubernetes，Terraform 支持 Azure 和 Google Cloud 一键部署，AWS 有 CDK 方案，阿里云也有计算巢的一键部署入口。

也可以直接用 Dify Cloud，零配置试用，沙箱计划里有 200 次免费 GPT-4 调用。

4、 什么人会用到它

正在搭 RAG 系统、需要批量处理企业文档的开发者。

想快速验证 LLM 应用想法、不想从零写胶水代码的团队。

需要监控线上 AI 应用表现、持续迭代的业务方。

企业内部想让非技术人员也能搭建 AI 工作流的组织。

5、 为什么能拿到 14 万 Star

AI 应用开发目前还是碎片化严重的领域。模型一层、数据一层、编排一层、监控一层，每层都有人在做，但能把它们串成一个可用平台的不多。Dify 走的是全链路路线，从提示词编写到生产监控都覆盖，降低了 LLM 应用从 demo 到上线的门槛。加上开源社区活跃，迭代速度快，支持的模型和工具越来越多。

项目基于 Apache 2.0 协议开源，社区贡献者众多，文档提供了中文、日语、韩语、西班牙语、法语等多语言版本。

多。

项目基于 Apache 2.0 协议开源，社区贡献者众多，文档提供了中文、日语、韩语、西班牙语、法语等多语言版本。