用 Dify 可以做什么

Dify，这个名字在AI应用开发圈子里越来越常见。它定位为Agentic AI解决方案开发平台，说白了就是帮你搭建AI agent应用的。不过，用下来你会发现，它还远没到“企业级”的成熟度，现阶段更适合个人开发者或者创业团队拿来折腾。

你可以把Dify想象成一个搭建AI应用的SaaS工具，核心价值在于通过预置的AI应用框架和工作流编排，帮你省去从零开始搭建的麻烦，让AI应用的门槛降下来。如果按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，特指那些缺少AI工程师的普通企业，靠自身很难快速搭建出可用的AI应用。

目前，Dify搭建的AI应用主要集中在文本信息处理这个方向。它能用带AI的自动化工作流，提升个人生产力。对于规则明确、重复性强的事务性工作——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，可以实现自动化提效、减少出错。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，而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行。当然，传统工作流自动化产品如果加上AI能力，也会覆盖这个场景。

Dify用得好，还能降低创业团队搭建AI产品原型的门槛，加速POC验证，让团队快速看到AI的能力边界和实际效果。另外，在那些有IT资源但研发能力不强的公司——比如零售、医疗、制造业——他们用Dify可以搭建出客服机器人、客户评价分析、知识问答助手等AI应用。

一

上面描述的是理想场景下的理想方案。实际用起来呢？大多数人可能还停留在它的第一个用例——搭建问答Chatbot。作为AI应用构建SaaS，它相比传统工作流SaaS并没有明显优势。

一个非工程师、没有代码能力的员工，用Dify做AI应用时会面临不少问题：

• toB业务要求100%准确，即使选了模型厂商最好的API，生成内容依然有幻觉。通过工程方法可以极大降低幻觉，但这不是非技术员工能轻松掌握的。
• 如果用到推理模型，在线推理和API本身的延迟会让用户等很久，这种延时根本没法商用。本地部署和并行处理能降低延时，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，也无法执行定时任务。
• 工作流需要和外部环境交互时，简单的OAuth授权也没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，但对非技术员工来说，学习成本相当高。
• 拖拽式编排和普通提示词工程，难以有效控制token消耗，直接用在生产环境，成本居高不下。

以上这些问题，大部分还是需要AI产品经理和工程师来解决。而拥有这两个角色的公司，往往更倾向于直接使用Langchain等开源框架，更加灵活可控。

二

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

我们可以从两个维度来看AI应用帮人完成任务的情况：容错度和任务价值。

	任务价值高	任务价值低
容错度高	创意内容生成	个人工作助手、数据标注
容错度低	医疗、金融、法律	N/A

目前AI应用最适合的是任务价值高、容错度也高的场景。这也解释了为什么C端内容创意工具对AI的应用，远比B端更丰富、更深入。

对于B端，首先要考虑容错度高的场景。AI自动化加上人工检查，是一个很锐利的切入点——比如个人工作助手。另一个典型是数据标注：规则固定、任务简单重复，单个任务价值低但容错度高（单个标注出错不影响整体效果），非常适合AI来干。