Dify 是我做智能选品 Agent 的时候重点研究过的项目。当时在 LangChain 和 Dify 之间犹豫了很久，虽然最后选了自建，但 Dify 的设计思路给了我不少启发。
它的定位很明确——通过可视化编排让搭 AI 应用像搭积木。面向开发者和企业团队，开源。
功能上值得说的
核心是可视化工作流编排。拖拽节点搭业务流程——LLM 节点、知识检索、条件分支、代码执行。我特别注意到 v1.13.0 加的 Human Input 节点：工作流跑到这一步可以暂停，等人审核完了再继续。这个机制在生产环境里其实特别重要——AI 做不了的决策，交给人工兜底。
RAG 知识库支持文档自动切片和向量化存储。v1.12.0 有个 Summary Index 的设计不错——每个 Chunk 附带一个摘要，检索时相关片段打包返回，上下文质量更高。
Agent 框架同时支持 Function Calling 和 ReAct，短期记忆和长期记忆分离。模型接入通过 Adapter 模式，一个标准接口接各家模型。
Creator Center 和模板市场让创作者发布 workflow 模板，买家一键克隆。类似 Notion 的模板生态逻辑。
商业模式
获客成本很低——主要靠开发者社区传播，GitHub 9.3 万 Stars 本身就是护城河。LTV 取决于从个人开发者转企业客户的转化率。更重要的是工作流资产的锁定效应——企业配置了大量 Workflow 之后，迁移成本很高。核心挑战是开源版和商业版的功能边界怎么划。
和我做的事的关联
当时在 LangChain 和 Dify 之间选了自建，因为 Dify 的可视化降低了门槛但也限制了灵活性——我的爬虫和数据处理流程需要深度定制，开源框架满足不了。
但 Dify 的插件化架构给了我启发——爬虫工具、数据分析工具、选品推荐工具全部抽象为 Tool 接口，主 Agent 统一调度。这个架构思路就是从 Dify 学的。
Human Input 节点也启发了我——在选品 Agent 里引入人工确认环节，关键决策点让用户介入，而不是 AI 全自动。
几点感受
好的方面：插件化架构做得很彻底——模型、工具、Agent 策略全都插件化，新能力接入不破坏主流程。Human-in-the-Loop 做成可拖拽的节点而不是 if-else，是产品经理可以直接配置的抽象。
值得说的：复杂 Agent 编排体验断档——工作流节点超过 20 个之后画布很乱，缺少节点分组和版本对比。文档碎片化，升级时没有清晰的迁移指南。大并发场景下性能还没验证。
工作流即产品这个思路我比较认同——把 AI 能力封装成可复用的资产，企业一旦建立就形成锁定。这和飞书、Notion 的逻辑一致，是 B 端 SaaS 很健康的模式。