用 Dify 可以做什么

一

dify 定位为 Agentic AI 解决方案开发平台，通常理解为 AI agent 应用构建平台。

从我使用后分析来看，Dify 距离“企业级”定位开发平台甚远，目前场景更适合个人开发者或创业团队使用。

你可以将 Dify 看作一个搭建 AI 应用的 SaaS，主要价值在通过 AI 应用搭建框架和工作流编排，降低个人或公司应用 AI 的门槛。

如果按照 SaaS 产品三层价值分类，它处于第二层：实现人工无法完成的事情。这里的“人工无法完成”是相对的，它的场景是普通企业缺少会搭建 AI 应用的工程师。

目前 Dify 搭建出的 AI 应用，场景集中在文本信息处理。

它能用带了 AI 的自动化工作流，提升个人生产力。对于规则明确、重复性的事物工作，比如表格字段加工、数据标注、日报转发，通过 Dify 搭建符合个人习惯的工作流，自动化提效、减少错误。传统软件没法为每个员工、甚至每个部门定制自动化工作流，AI 因为能处理非标信息，让每个人定制自己的自动化工作流变得可得。当然，传统工作流自动化产品加上 AI 能力，也会覆盖这个场景。

Dify 用的好，也降低创业团队搭建 AI 产品原型的门槛，加速完成 POC 验证，让团队看到 AI 能力边界和效果。另外，在有 IT 资源但研发能力不强的公司，诸如零售、医疗、制造业的公司，他们用 Dify 可以搭建出 AI 应用，用于客服机器人、客户评价分析、知识问答助手等。

二

上面描述了一个理想的场景下的理想解决方案，实际使用 Dify 是，大多可能还停留在它的第一用例，搭建问答 Chatbot。它作为 AI 应用构建 SaaS，相比传统工作流 SaaS，也无明显优势。

一个非工程师，无代码能力的员工，用 Dify 做 AI 应用时候，会面临以下问题：

• toB 业务需要 100% 准确，即使选了模型厂商最好的 API，生成内容会有幻觉。通过工程方法可以极大降低幻觉，但不是非技术员工能用的方法
• 如果用到推理模型，在线推理和 API 本身的延迟，会让用户等待很久时间，延时无法商用。本地部署和并行处理可以降低延时，但也需要研发的工程优化介入
• Dify 本身作为工作流编排工具，不够灵活、功能有限，比如无法根据 webhook 触发任务、无法执行定时任务
• 工作流需要和外部环境交互时，简单诸如 OAuth 授权，也无法通过节点编排实现
• Dify 内置了代码块、格式化、逻辑判断、数据转化等功能，但对于非技术的员工，学习成本较高
• 拖拽式编排和普通提示词工程，难以降低 token 消耗，直接用在生产环境成本居高不下

上述问题，大部分还是需要 AI 产品经理和工程师来解决。而有这两个角色的公司，又倾向直接使用 Langchain 等开源框架，更加灵活可控。

三

类似 Dify SaaS 产品还有不少，比如 FastGPT、AutoGen。它们做出的 AI 应用，目前适合什么场景？

AI 应用帮人完成任务，我们把任务分成容错度和任务价值两个维度：

目前 AI 应用适合任务价值高、容错度也高的场景。这也是为什么 C 端内容创意工具对 AI 的应用远比 B 端应用更丰富和深入。

对于 B 端，首先考虑的容错度高的场景，AI 自动化加人工检查，是一个锐利的切入点。比如个人工作助手。

再比如数据标注。数据标注特点是：规则固定、任务简单重复，单个任务价值低、容错度高（单个标注任务出错不影响整体效果）。