在 AI 应用落地的草莽时代，几乎每个团队都在重复造轮子：接模型要写一遍适配、做检索要搭一套向量库、上生产还要自己补日志和监控。把这套东西拼起来，往往比业务本身还费劲。Dify 的出现，就是要把这件事彻底标准化。
一、项目简介
Dify 是一个开源的 LLM 应用开发平台，用一张可视化画布把 AI 工作流、RAG 检索增强、Agent 能力、模型管理与可观测性打包在一起，让你从原型到生产只差一次部署。目前 GitHub 已收获 148.4K Stars、23K+ Fork，是开源 LLM 应用开发领域当之无愧的头部项目。
二、安装要求和过程
环境要求：
- CPU ≥ 2 核
- 内存（RAM）≥ 4 GiB
- 已安装 Docker 与 Docker Compose
- 操作系统：Linux / macOS / Windows（WSL2）
快速安装（Docker Compose，官方最推荐方式）：
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d启动完成后，浏览器访问 http://localhost/install 即可进入初始化向导。如果你需要高可用部署，官方文档还提供了 Helm Chart、Terraform（Azure / GCP）、AWS CDK 以及阿里云计算巢等多种方案。
三、核心功能
1. 可视化工作流画布（Workflow）
在画布上拖拽编排 AI 流程，节点可调试、可分支、可回放，复杂逻辑一目了然。
2. 全面的模型支持
无缝接入数百个闭源 / 开源大模型（GPT、Mistral、Llama3 及所有 OpenAI 兼容模型），覆盖几十家推理服务商与自托管方案，切换模型无需改代码。
3. 开箱即用的 RAG 管线
从文档摄入到检索全链路覆盖，原生支持 PDF、PPT 等常见格式的智能提取，几步就能搭出带引用来源的问答助手。
4. 强大的 Agent 能力
基于 Function Calling 或 ReAct 定义智能体，内置 50+ 工具（Google 搜索、DALL·E、Stable Diffusion、WolframAlpha 等），也可接入自定义工具。
5. LLMOps 与 Backend-as-a-Service
应用日志与性能可监控、可迭代；所有能力均提供对应 API，轻松把 AI 能力嵌入自有业务系统。
四、典型使用场景
1. 企业知识库问答 / 智能客服
导入内部文档构建 RAG，几步搭出带引用来源、可溯源的客服助手，替代翻手册式的重复答疑。
2. 可视化 Agent 工作流自动化
把“检索 → 生成 → 调用工具 → 校验”串成一张画布，用可视化的方式替代脆弱的脚本编排。
3. 快速原型 + API 集成
先用 Dify 低成本验证想法，再通过 BaaS API 把打磨好的 AI 能力无缝嵌入现有产品。
五、推荐理由
个人使用下来，Dify 最打动我的是“把复杂度收敛到一个画布上”。它不要求你先成为向量数据库专家或 Prompt 工程师，普通开发者也能在半小时内跑通一个带 RAG 的可用应用；而当项目要上生产时，LLMOps 的日志、评估与 API 化能力又刚好补上团队最缺的那一环。对于想认真做 AI 产品的团队，它是目前最省心的一站式底座——既能自建私有化守住数据，也能平滑对接云端大模型。
六、下载地址
- 官网：https://dify.ai
- GitHub：https://github.com/langgenius/dify
- 官方文档：https://docs.dify.ai
- 自托管指南：install-self-hosted
许可证：Dify Open Source License（基于 Apache 2.0，附加部分条款）。本文数据截至 2026-07-11，Stars 约 148.4K。