Dify ist eine Open-Source- von LangGenius und hat auf GitHub mehr als 143.000 Sterne erhalten. Bietet visuelle Workflow-Orchestrierung, RAG-Wissensdatenbank, Zusammenarbeit mit mehreren Agenten, Modellverwaltung und LLMOps-Überwachung und unterstützt den Zugriff auf über 100 gängige Modelle wie OpenAI, Claude, Gemini, Llama, DeepSeek usw. Kann in der Cloud gehostet oder vollständig privat und selbst bereitgestellt werden.

Difys Open-Source-KI-Workflow und Agent-Building-Plattform

Difys Kernparameter und Statistiken

Dify ist eine Plattform, die die „LLM-Anwendungsentwicklung“ vom Code-Engineering zur visuellen Orchestrierung transformiert. Es deckt fünf Leistungsbereiche ab: Agentenaufbau einer RAG-Wissensdatenbank, Multi-Modell-Management, Workflow-Automatisierung und LLMOps-Überwachung. Es bietet außerdem zwei Bereitstellungspfade: Cloud-Hosting und vollständiges Selbsthosting.

Projekte	Öffentliche Informationen
Offizielle Positionierung	Open-Source-KI-Anwendungsentwicklungsplattform, die Agent-, RAG- und Multimodell-Orchestrierung abdeckt
Entwicklungsteam	LangGenius, Inc. (China)
Open-Source-Lizenz	Apache 2.0 (einige Unternehmensfunktionen sind kommerziell lizenziert)
GitHub-Sterne	143.800+ (Stand Juni 2026)
GitHub Forks	22.600+
Globale Mitwirkende	1.000+
Neueste Version	v1.14.2 (19.05.2026)
Bereitstellungsmethode	Cloud-Hosting (dify.ai) / Docker-Selbsthosting / Kubernetes
Workflow-Knotentypen	20+ (LLM, Wissensabruf, bedingte Verzweigung, HTTP-Anfrage zur Codeausführung usw.)
Anzahl unterstützter Modelle	100+ Mainstream-LLM
RAG-Suchmethode	Semantischer Vektorabruf + Schlüsselwort-Volltextabruf-Hybridrückruf

Positionierungsunterschied: Der Hauptunterschied von Dify besteht nicht darin, „ein bestimmtes Modell bereitzustellen“, sondern darin, mehrere Modelle in einer visuellen Engineering-Plattform für die Orchestrierung, Überwachung sowie den Betrieb und die Wartung von RAG-Pipeline-Agenten zu packen. Im Vergleich zur Code-Basisform von LangChain bietet Dify eine GUI-Schnittstelle; Im Vergleich zum geschlossenen Ökosystem von Coze ermöglicht Dify eine vollständig private Bereitstellung. Diese Kombination aus „Visualisierung + Selbsthosting“ hat zu einer einzigartigen Akzeptanzrate im inländischen Unternehmensmarkt und in Auslandsszenarien geführt.

Community-Dichte: 143.000+ Sterne entsprechen 22.000+ Forks, und das Fork/Star-Verhältnis beträgt etwa 15,7 %, was darauf hindeutet, dass das Projekt nicht nur Aufmerksamkeit genießt, sondern auch tatsächlich sekundäres Entwicklungs- und Beitragsverhalten aufweist. Es gibt mehr als 1.000 Mitwirkende auf der ganzen Welt, die viele Aspekte wie Dokumentübersetzung, Konnektorentwicklung und Fehlerbehebung abdecken. Unter ähnlichen Open-Source-KI-Projekten steht die Community-Aktivität an erster Stelle.

Difys Benutzer und Marktbekanntheit

Die Anerkennung von Dify durch den Markt spiegelt sich in drei Ebenen wider: Open-Source-Indikatoren, Unternehmensakzeptanz und Branchen-Benchmarking, und die drei Ebenen überprüfen sich gegenseitig.

Beliebtheit in der Open-Source-Community: GitHub 143K+ Star steht nach LangChain an zweiter Stelle unter den KI-Anwendungsentwicklungsprojekten, aber die Wachstumskurve ist steiler – von Open Source im März 2023 bis zum Durchbruch von 100K Star Anfang 2025 steht die Wachstumsrate unter ähnlichen Projekten an vorderster Front. 22K+ Forks zeigt, dass es eine große Anzahl von Teams gibt, die maßgeschneiderte Bereitstellungen oder Sekundärentwicklungen auf Basis von Dify durchführen.

Breite der Unternehmensakzeptanz: Öffentliche Informationen zeigen, dass die Unternehmensbenutzer von Dify mehrere vertikale Branchen wie Finanzen, medizinische Versorgung, Einzelhandel, Bildung und Fertigung abdecken. Zu den typischen Implementierungsformen gehören Frage- und Antwortroboter für interne Wissensdatenbanken, intelligenter Kundenservice, Unterstützung bei der Vertragsprüfung und Produktionslinien für Marketinginhalte. Obwohl die offizielle Anzahl der Unternehmenskunden nicht bekannt gegeben wurde (vorbehaltlich der offiziellen Echtzeitseite), ist die Akzeptanzrate in Finanz-Compliance-Szenarien und ausländischen SaaS-Unternehmen, gemessen an Community-Diskussionen und Problem-Feedback, relativ hoch.

Wettbewerbsprodukt-Benchmarking: Im Hinblick auf die Kreuzpositionierung von „Selbsthosting + visueller Workflow + Multi-Modell-Zugriff“ hat Dify derzeit keine direkten Konkurrenten. n8n bevorzugt die allgemeine Automatisierung und es mangelt ihm an RAG- und Modellverwaltungstiefe; Flowise ist leichter, verfügt aber über schwächere Funktionen auf Unternehmensebene (Berechtigungen, Überwachung, Hochverfügbarkeit) als Dify; Coze legt Wert auf Benutzerfreundlichkeit, kann jedoch nicht privat eingesetzt werden. An der Schnittstelle dieser vier Dimensionen erreicht Dify eine hohe Benutzerwiedererkennung.

Der Kostenvorteil von Dify

Kostenvorteil: Cloud-Ready und Self-Hosting senken die Hürde für die Implementierung von LLM-Anwendungen

Der Kostenvorteil von Dify ergibt sich aus drei Ebenen: Preissystem, Bereitstellungsflexibilität und Kontrolle versteckter Kosten, die separat bewertet werden müssen.

C-seitige und einzelne Entwickler: Die kostenlose Cloud-Version bietet ein Kontingent von 200 Nachrichten pro Tag und eignet sich für die Prototypenüberprüfung und den leichten Einsatz. Für einzelne Entwickler ist die selbst gehostete Community Edition die gängigere Option – ohne Abonnementgebühren und nur mit den Kosten eines Cloud-Servers (mindestens 2C4G-Instanz zum Ausführen einfacher Workflows).

API- und Entwickleraufrufe: Dify selbst erhebt keine Modellaufrufgebühren, zählt aber als Orchestrierungsschicht das Nachrichtenvolumen. Die Gebühren richten sich nach der Anzahl der Nachrichten und nicht nach der Anzahl der Token: Die Cloud Professional Edition kostet 59 $/Monat (Arbeitsbereich) ohne Nachrichtenbeschränkung und die Team Edition beginnt bei 159 $/Monat. Verglichen mit der tatsächlichen Modell-API-Gebühr betragen die Kosten für die Orchestrierungsschicht von Dify normalerweise 5–15 % der Modellaufrufgebühr, was ein vernachlässigbares Niveau darstellt.

Enterprise Privatized Deployment: Die Community-Version ist völlig kostenlos, Sie müssen jedoch die Kosten für Infrastruktur (Server, Speicher, Netzwerk), Betriebs- und Wartungspersonal (Upgrades, Überwachung, Backup) und individuelle Entwicklung tragen. Für Branchen wie das Finanzwesen und die medizinische Versorgung, die strenge Anforderungen an die Datensouveränität haben, sind die Gesamtbetriebskosten (TCO) der privatisierten Bereitstellung in der Regel niedriger als bei kommerziellen SaaS-Produkten mit gleichwertigen Funktionen, das Team muss jedoch über Docker/Kubernetes-Betriebs- und Wartungsfunktionen verfügen.

Preisvergleich mit Konkurrenzprodukten:

Dimension	Dify Community Edition	Dify Cloud Professional Edition	Coze Business Edition	n8n Selbstgehostet
Abonnementgebühr	$0	59 $/Monat/Arbeitsplatz	Ab 89 $/Monat	$0 (Open Source)
Infrastruktur	Bringen Sie Ihren eigenen Server mit	Im Abonnement enthalten	Im Abonnement enthalten	Bringen Sie Ihren eigenen Server mit
Obergrenze für Nachrichten-/Ausführungsvolumen	Keine	Keine Kappe	Monatliches Limit	Keine
Datensouveränität	Vollständige Kontrolle	Gehostet auf Dify Cloud	Plattform geschlossen	Vollständige Kontrolle

Die Preisdaten basieren auf der offiziellen Echtzeitseite jedes Produkts und die Tabelle wird aus öffentlichen Informationen extrahiert.

Die Hauptfunktionen von Dify

Das funktionale Design von Dify dreht sich darum, „nicht-technischen Teams die Erstellung von KI-Anwendungen zu ermöglichen und technischen Teams eine umfassende Anpassung zu ermöglichen“. Die Kernkompetenzen sind in die folgenden sechs Kategorien unterteilt:

• Visuelle Workflow-Orchestrierung: Über 20 Knotentypen, die LLM-Aufrufe, Wissensabruf, bedingte Verzweigungen, HTTP-Anforderungen zur Codeausführung, Variablenaggregation usw. abdecken. Jeder Knoten kann das Modell, die Parameter und die Ausnahmebehandlung unabhängig konfigurieren und nach Abschluss der Orchestrierung mit einem Klick als API oder Chat-Anwendung veröffentlichen. Akzeptanzbedenken: Ob die Visualisierung der Knotenausführungssequenz in komplexen Verzweigungsszenarien klar ist und ob Protokolle für nachvollziehbare abnormale Links vorhanden sind.

• RAG Knowledge Base: Unterstützt das Hochladen von PDF-, Word-, Webseiten-, strukturierten Daten- und anderen Formaten und führt automatisch das Parsen von Dokumenten, das Slicing von Text und die vektorisierte Indizierung durch. Die Abrufschicht verwendet eine Hybridstrategie aus semantischem Vektorabruf (Dense) und Schlüsselwort-Volltextabruf (Sparse), die in langen Dokumenten und dichten professionellen Terminologieszenarien eine höhere Rückrufrate aufweist als der reine Vektorabruf. Akzeptanzbedenken: ob die Slicing-Strategie angepasst werden kann, ob die Gewichtung der Hybridsuche anpassbar ist und ob der datenbankübergreifende Abruf zwischen mehreren Wissensdatenbanken unterstützt wird.

• Zusammenarbeit mit mehreren Agenten: Unterstützt die Erstellung mehrerer Agenten im selben Workflow und weist unterschiedliche Rollen zu (z. B. Recherche-Agent, schreibender Agent, Review-Agent). Agenten können Zwischenergebnisse übertragen und Aufgaben gemeinsam erledigen. Dies eignet sich besser als der Einzelagentenmodus für Szenarien auf Produktionsebene, die eine mehrstufige Argumentation oder Arbeitsteilung erfordern. Akzeptanzbedenken: ob der Kontextübertragungsmechanismus zwischen Agenten transparent ist und ob die Aufgabenzuweisungsstrategie programmgesteuert eingegriffen werden kann.

• Einheitliche Verwaltung von über 100 Modellen: Dify bietet eine einheitliche Zugriffsebene für Modelllieferanten und unterstützt Mainstream-Modelle wie OpenAI, Claude, Gemini, Llama, DeepSeek, Qwen und Mistral. Jeder Workflow-Knoten kann unabhängig Modelle und Parameter auswählen, um die hierarchische Strategie umzusetzen: „Verwenden Sie kleine Modelle, um Geld für einfache Aufgaben zu sparen, und verwenden Sie Flaggschiff-Modelle, um die Qualität für komplexe Überlegungen aufrechtzuerhalten.“

• LLMOps-Überwachung und Kostenverfolgung: Integrierte Konversationsprotokoll-Token-Nutzungsstatistiken, Antwortverzögerungsverfolgung und Kostenschätzungspanel. Auf dieser Grundlage kann das Team das Prompt-Word-Design, die Modellauswahl und die Konfiguration der Wissensdatenbank kontinuierlich optimieren, was eine unverzichtbare Betriebs- und Wartungskomponente der Produktionsumgebung darstellt.

• API-Veröffentlichung und eingebettete Integration: REST-API-Dokumente und Aufrufanmeldeinformationen werden nach der Veröffentlichung jedes Workflows oder jeder Agentenanwendung automatisch generiert und können in jedes externe System integriert werden. Diese Fähigkeit macht Dify nicht zu einer isolierten Anwendungsplattform, sondern zu einer Orchestrierungsschicht, die in bestehende Geschäftssysteme eingebettet werden kann.

• Plugins und Tool-Erweiterungen: Tool-Knoten können externe APIs und Dienste (z. B. Suchmaschinen, Datenbankkonnektoren, interne Unternehmenssysteme) aufrufen, um die Funktionen des Workflows zu erweitern. Das aktuelle Plug-in-Ökosystem wird hauptsächlich von der Community betrieben und der offizielle Plug-in-Markt befindet sich im Aufbau.

Modell- und Versionsentwicklung von Dify

Die Versionsiterationen von Dify konzentrieren sich auf zwei Hauptlinien: den Aufbau grundlegender Funktionen der Workflow-Engine und die tiefe Integration von Agent und RAG. Es ist jetzt in der Phase v1.14.x angekommen und der Schwerpunkt liegt auf der Aktualisierung der Agentenarchitektur.

Frühe Erkundung (v0.1 – v0.5)

• v0.1 (2023-03): Zum ersten Mal Open Source, bietet grundlegende LLM-Chat-Anwendungsvorlagen und Modellzugriffsfunktionen und ähnelt in seiner Form dem Beispielprojekt von LLM-Anwendungen.
• v0.3 (2023-07): Einführung des Konzepts der RAG-Wissensdatenbank, Unterstützung des Hochladens von Dokumenten und des Abrufens von Vektoren sowie Wechsel von der Chat-Vorlage zur Plattform für Wissensfragen und -antworten.
• v0.5 (2023-10): Die Funktionen der Wissensdatenbank wurden erweitert und unterstützen mehrere Dokumentformate sowie die Optimierung der Abrufstrategie.

Workflow-Transformation (v0.6 – v0.9)

• v0.6 (2023-11): Milestone-Version, offiziell eingeführte visuelle Workflow-Orchestrierungs-Engine, unterstützt Drag-and-Drop-Knoten-Orchestrierung und markiert damit den Wechsel von Dify von „Chat-Anwendungsvorlage“ zu „KI-Workflow-Plattform“.
• v0.8 (2024-06): Einführung des Multi-Agent-Kollaborationsmodus, Erweiterung der Workflow-Knotentypen auf 15+, Unterstützung von bedingten Verzweigungen und Codeausführungsknoten.
• v0.9 (2024-10): Das LLMOps-Überwachungspanel ist online, unterstützt die Verwendung von Konversationsprotokoll-Tokens und die Kostenverfolgung und vervollständigt die Produktionsbetriebs- und Wartungsfunktionen.

Produktionsbereit (v1.0 – v1.13)

• v1.0 (01.01.2025): Meilensteinversion, die eine Berechtigungsverwaltung auf Unternehmensebene (RBAC), eine umfassende LLMOps-Überwachung und einen umfassenderen API-Freigabeprozess einführt und damit den Eintritt von Dify in die produktionsbereite Phase markiert.
• v1.5 (2025-06): Workflow-Knotentypen werden auf über 20 erweitert, allgemeine Knoten wie HTTP-Anfragen, Variablenaggregation, Vorlagenkonvertierung usw. werden hinzugefügt und der Community-Plug-in-Mechanismus wird zunächst geöffnet.
• v1.10 (2025-12): Die Wissensdatenbank unterstützt den strukturierten Datenimport, die Hybrid-Suchstrategie wird offiziell eingeführt und die Suchleistung wurde erheblich verbessert.

Agentenvertiefung (v1.14.x)

• v1.14.0 (29.04.2026): Funktionsaktualisierung der Hauptversion, die zugrunde liegende Architektur des Agenten beginnt mit der Rekonstruktion und legt den Grundstein für nachfolgende erweiterte Agentenfunktionen (Zusammenarbeit mit mehreren Agenten, dynamische Toolauswahl).
• v1.14.1 (12.05.2026): Verbesserungen der Sicherheitshärtung und der Workflow-Stabilität.
• v1.14.2 (19.05.2026): Die Agentenarchitektur wird weiter verbessert, die selbstgehostete Bereitstellung wird optimiert und Fehler werden behoben.

Die technischen Vorteile von Dify

Der technische Vorteil von Dify liegt nicht in der Führung eines einzelnen Algorithmuspunkts, sondern in der „architektonischen Einheit“ und „technischen Tiefe“ – es integriert die verteilte LLM-Entwicklung in eine überschaubare Produktverbindung.

Entwicklungstiefe der visuellen Orchestrierungs-Engine: Die Workflow-Engine von Dify ist kein einfaches DAG-Drag-and-Drop-Tool, sondern verfügt über eine vollständig integrierte Ausführungskontextübertragung, Variablenbereichsverwaltung, Ausnahmebehandlung und Wiederholungsmechanismus. Jeder Knoten verwaltet unabhängig das Eingabe- und Ausgabeschema, und der Datenfluss zwischen Knoten wird von der Engine automatisch typgeprüft und das Format konvertiert, um handgeschriebenen Klebecode zu vermeiden. Dieses Design ermöglicht es dem Workflow, ein konsistentes Verhalten zwischen der visuellen Schnittstelle und API-Aufrufen aufrechtzuerhalten – nachdem derselbe Workflow den Test auf der Leinwand bestanden hat, kann er als API veröffentlicht und ohne zusätzliche Anpassung direkt in der Produktionsumgebung ausgeführt werden.

Hybride RAG-Abrufarchitektur: Der Einzelvektorabruf ist aufgrund semantischer Verschiebungen in langen Dokumenten und laufzeitintensiven Szenarien anfällig für falsche Rückrufe. Dify verwendet den zweikanaligen Dense + Sparse-Abruf: Der Vektorkanal ist für den semantischen Abgleich verantwortlich, der Volltext-Abrufkanal ist für den genauen Schlüsselwortabgleich verantwortlich und schließlich werden die Ergebnisse über die Rerank-Ebene zusammengeführt. Diese Architektur ist deutlich besser als reine Vektorlösungen für Szenarien, die eine hohe Genauigkeit erfordern, wie z. B. technische Dokumente, Vertragsbedingungen und Produktspezifikationen.

Geschäftswert der Modellabstraktionsschicht: Die Modelllieferantenschicht von Dify implementiert eine einheitliche API-Formatkonvertierung und Fehlerbehandlung. Wenn ein Modelldienst nicht verfügbar ist oder eine Zeitüberschreitung auftritt, kann der Workflow zur Laufzeit automatisch zu einem alternativen Modell wechseln, ohne die Geschäftslogik zu ändern. Dies ist ein praktisches Design, um das Risiko von Single Points of Failure für Produktionssysteme zu reduzieren, die auf mehreren Modellanbietern basieren.

Architekturinvestition für private Bereitstellung: Die selbstgehostete Version von Dify unterstützt zwei Bereitstellungsmodi: Docker Compose und Kubernetes und bietet ein vollständiges Helm-Chart. Die kontextbezogene Variablenverwaltung, die persistente Speicherkonfiguration, die Protokollerfassung und die Gesundheitsprüfungen, die für die Bereitstellung auf Produktionsebene erforderlich sind, werden alle durch offizielle Dokumente abgedeckt und nicht einfach durch „Docker-Kompositionen“.

Liste der geöffneten Agent-Tools (Workflow-Knotentyp festlegen)

Die Workflow-Knoten von Dify sind im Wesentlichen „Werkzeuge“, die der LLM-Orchestrierungsebene zugänglich gemacht werden. Im tatsächlichen Betrieb führt LLM (oder Workflow-Engine) eine Interaktion über diese Knoten durch:

Knotentyp	Verhaltensbeschreibung	Entsprechende LLM-Tool-Semantik
LLM	Rufen Sie das angegebene Modell auf, um eine Antwort zu generieren	llm_generate
Wissensabruf	Relevante Dokumentfragmente aus der Wissensdatenbank abrufen	retrieve_from_knowledge_base
Codeausführung	Führen Sie Python/JS-Codefragmente aus	execute_code
HTTP-Anfrage	Aufruf der externen REST-API	http_request
Bedingter Zweig (IF/ELSE)	Weiterleitung zu verschiedenen Zweigen basierend auf Variablenwerten	conditional_branch
Variablenaggregation	Kombinieren Sie die Ausgabe mehrerer Upstream-Knoten	aggregate_variables
Vorlagentransformation	Füllen Sie eine Textvorlage mit Variablenwerten	transform_template
Iterieren	Führen Sie einen Unterworkflow Element für Element für Listendaten aus	iterate_items
Parameterextraktion	Strukturierte Daten aus Text extrahieren	extract_parameters
Klassifikator	Leiten Sie Eingaben basierend auf LLM-Beurteilungen an verschiedene Zweige weiter Klassifikator
Agentenknoten	Rufen Sie den Subagenten auf, um die Aufgabe abzuschließen	invoke_agent

Architektur-Link

„ Benutzereingabe/API-Anfrage ↓ [Dify Workflow Engine] ←── Modelllieferanten-Abstraktionsschicht (OpenAI/Claude/DeepSeek...) ↓ ┌── LLM-Knoten ──→ Modell-API ├── Wissensabrufknoten ──→ Vektordatenbank/Volltextindex ├── Codeausführungsknoten ──→ Sandbox-Ausführungskontext ├── HTTP-Anforderungsknoten ──→ Externe API / unternehmensinternes System └── Agentenknoten ──→ Subagenten-Workflow ↓ Endgültige Ausgabe/API-Antwort „

Der Kontrollfluss wird von der Workflow-Engine verwaltet: DAG-Ausführungssequenz, bedingtes Routing und Iteration werden alle einheitlich von der Engine geplant; Der Datenfluss wird zwischen Knoten über einen variablen Kontext weitergeleitet. E/A-intensive Knoten wie Modellaufrufe und Wissensabruf werden asynchron ausgeführt. Die Engine sammelt die Ergebnisse durch Rückrufe und fährt dann mit nachfolgenden Knoten fort.

Leitfaden für technische Fallstricke

Basierend auf Community-Feedback und Engineering-Praktiken müssen Sie beim Erstellen von Workflows auf Produktionsebene auf Dify auf die folgenden drei Arten häufiger Probleme achten:

1. Workflow-Endlosschleifen und Token-Anstieg: Iterative Knoten und rekursive Agentenaufrufe können Endlosschleifen erzeugen, was dazu führt, dass der Token-Verbrauch die Erwartungen weit übersteigt. Lösung: Legen Sie die Obergrenze von „max_iterations“ für alle Iterationsknoten fest (10–20 werden empfohlen). Konfigurieren Sie die maximale Anzahl von Aufrufschritten („max_steps“) für den Agentenknoten. Fügen Sie vor dem Schlüsselknoten einen bedingten Zweig für die Beendigungsbeurteilung hinzu. Verwenden Sie die Token-Nutzungsalarmfunktion des LLMOps-Überwachungspanels, um den täglichen Verbrauchsschwellenwert festzulegen.

2. RAG-Kontextüberlastung und verringerte Abrufqualität: Wenn die Anzahl der Wissensdatenbankdokumente zunimmt (>1000) und die Dokumentlängen variieren (von einigen KB bis zu Dutzenden von MB), kann die Standard-Slicing-Strategie dazu führen, dass wichtige Informationen abgeschnitten oder in irrelevanten Fragmenten untergetaucht werden. Lösung: Passen Sie die Slicing-Strategie entsprechend dem Dokumenttyp an (technische Dokumente verwenden kleine Slices mit 256 Token + Überlappung mit 32 Token; lange Artikel verwenden große Slices mit 512 Token + Überlappung mit 64 Token); Hybridabruf aktivieren und Dense/Sparse-Gewichtungen anpassen; Erstellen Sie eine unabhängige, dedizierte Wissensdatenbank für hochfrequente Abfragen, um das datenbankübergreifende Abrufrauschen zu reduzieren.

3. Sicherheit und Berechtigungsverwaltung nach der API-Veröffentlichung: Nach der Veröffentlichung des Workflows als API kann es bei mangelnder Zugriffskontrolle und Ratenbeschränkungen zu einem Missbrauch oder irrtümlichen Aufruf kommen, was zu außer Kontrolle geratenen Kosten führt. Lösung: Generieren Sie für jede API-Anwendung separat einen API-Schlüssel und richten Sie eine IP-Whitelist ein; Konfigurieren Sie Ratenbegrenzungen auf der API-Gateway-Ebene (es wird empfohlen, die Rate basierend auf Benutzerebenen zu begrenzen); Richten Sie manuelle Bestätigungspunkte (Human-in-the-Loop) für Operationsknoten ein, die Schreiben oder Löschen beinhalten, um zu verhindern, dass automatisierte Prozesse irreversible Vorgänge ausführen.

Schneller Einstieg in 3 Minuten (Cloud)

Keine Installation erforderlich, schließen Sie Ihren ersten KI-Workflow in nur 3 Schritten ab:

1. Besuchen Sie https://cloud.dify.ai, um ein Konto zu registrieren und einen neuen Arbeitsbereich zu erstellen.
2. Rufen Sie die Seite „Modelllieferant“ auf und konfigurieren Sie mindestens einen LLM-API-Schlüssel (z. B. OpenAI, DeepSeek).
3. Erstellen Sie eine „Chat“-Anwendung → Ziehen Sie die drei Knoten „Eingabe → LLM → Ausgabe“ auf die Leinwand → Speichern und veröffentlichen.

Nach der Veröffentlichung erhalten Sie eine KI-Anwendung, die im Browser kommunizieren kann, und den entsprechenden REST-API-Endpunkt.

Wenn Sie eine selbst gehostete Bereitstellung benötigen, lesen Sie bitte die offizielle Dokumentation:

„Bash

Docker-Selbsthosting (Docker und Docker Compose müssen installiert sein)

cd /path/to/deploy Docker komponieren -d

Besuchen Sie http://localhost:8080, um die Verwaltungsoberfläche aufzurufen

„

Eine detailliertere Bereitstellungskonfiguration (Kontextvariablen, persistenter Speicher Kubernetes Helm Chart) finden Sie in der offiziellen README-Datei des GitHub-Repositorys.

So verwenden Sie Dify

Dify bietet vier Nutzungsportale, die den gesamten Weg von der persönlichen Verifizierung bis hin zum Einsatz in großen Unternehmen abdecken:

So verwenden Sie	Geeignet für die Menge	Funktionen	Kosten
Cloud (dify.ai)	Alle Benutzer	Keine Installation erforderlich, nach der Registrierung sofort einsatzbereit, zur schnellen Verifizierung geeignet	Kostenlose Version 200 Nachrichten pro Tag / Professional-Version ab 59 $/Monat
Docker-Selbsthosting	Team mit Betriebs- und Wartungskapazitäten	Völlig selbstkontrollierte Daten, geeignet für den Produktionseinsatz	Infrastrukturkosten (Server + Speicher)
Kubernetes-Bereitstellung	Unternehmens-IT-Team	Offizielles Helm-Diagramm, Hochverfügbarkeits-Cluster-Bereitstellung	Infrastruktur + Betriebs- und Wartungspersonal
API-Integration	Entwickler	REST-API automatisch generieren, nachdem der Workflow veröffentlicht wurde	Laut Dify-Paket + Modell-API-Aufrufgebühr

Typischer Nutzungslink (Schnellstart in der Cloud):

1. Besuchen Sie https://cloud.dify.ai, um ein Konto zu registrieren und einen neuen Arbeitsbereich zu erstellen.
2. Konfigurieren Sie den API-Schlüssel des erforderlichen LLM (mindestens einen) auf der Seite „Modelllieferant“.
3. Erstellen Sie eine Anwendung: Wählen Sie die Vorlage „Chat“, „Workflow“ oder „Agent“.
4. Ziehen Sie Knoten auf der Leinwand, um die Anordnung zu vervollständigen (z. B. Eingabe → Wissensabruf → LLM-Generierung → Ausgabe).
5. Speichern und veröffentlichen, um die integrierte Chat-Schnittstelle und den REST-API-Endpunkt zu erhalten.

Selbstgehosteter Schnellstart: „Bash Git-Klon https://github.com/langgenius/dify.git cddify/docker cp .env.example .env # Kontextvariablen bearbeiten (Datenbank, Speicher, Schlüssel usw.) Docker komponieren -d

Besuchen Sie http://localhost:8080

„

Für Produktionsumgebungen wird empfohlen, Kubernetes Helm Chart zu verwenden und persistenten Speicher, Protokollerfassung und Überwachungsalarme zu konfigurieren. Die konkreten Schritte unterliegen den offiziellen Bereitstellungsdokumenten.

Produktpreise von Dify

Dify wendet ein zweigleisiges Preismodell an: „Kostenlose Open-Source-Community-Version + gestaffeltes Cloud-SaaS-Abonnement“, das den gesamten Weg von der persönlichen Verifizierung bis zur groß angelegten Unternehmensnutzung abdeckt.

Open Source Community Edition (selbst gehostet): Völlig kostenlos, Apache 2.0-Lizenz (einige Unternehmensfunktionen sind kommerziell lizenziert). Der Code ist vollständig offen und kann von Ihnen selbst geändert und neu entwickelt werden. Die Kosten entfallen hauptsächlich auf die Infrastruktur (Server, Speicher, Netzwerk) sowie auf Betriebs- und Wartungspersonal. Die empfohlene Mindestkonfiguration ist ein Cloud-Server mit 2-Core-CPU und 4 GB Speicher. Die monatlichen Infrastrukturkosten betragen je nach Cloud-Anbieter etwa 50–200 Yen.

Cloud-kostenlos (0 $): 200 Nachrichten pro Tag, bis zu 5 Apps und 1 Wissensdatenbank (Limit von 500 Dokumenten). Geeignet für persönliches Lernen und Prototypenverifizierung. Bei Überschreitung des Limits ist ein Upgrade auf einen kostenpflichtigen Plan erforderlich.

Cloud Pro (59 $/Monat/Arbeitsbereich): Keine Nachrichtenbeschränkung, 50 Apps, mehr Wissensdatenbank und Speicherplatz. Geeignet für kleine Teams, um 1–2 Szenarien in Produktion zu bringen.

Cloud Team Edition (ab 159 $/Monat): Zusammenarbeit mit mehreren Mitgliedern, erweiterte Berechtigungsverwaltung (RBAC), vorrangiger technischer Support. Geeignet für mittelgroße Teams zur parallelen Nutzung in mehreren Geschäftsbereichen.

Enterprise (kundenspezifisches Angebot): Beinhaltet SSO-Integration, Audit-Protokolle, private Bereitstellungsunterstützung, dedizierte SLA und benutzerdefinierte Entwicklung. Geeignet für große Unternehmen wie Finanzen und medizinische Versorgung, die strenge Anforderungen an Compliance und Anpassung stellen.

Alle Preise unterliegen der neuesten offiziellen Preisseite. Die tatsächlichen Kosten für Cloud-Dienste unterliegen ebenfalls der Muster-API-Aufrufgebühr. Dieser Teil wird vom Nutzer direkt an den Modelllieferanten gezahlt, Dify erhebt davon keine Provision.

Anwendungsszenarien variieren

Die Implementierungsszenarien von Dify konzentrieren sich auf interne Unternehmensszenarien, die „eine mehrstufige LLM-Orchestrierung + Kontrolle der Datensouveränität erfordern“. Im Folgenden sind vier Arten bewährter Szenarien mit hohem Wert aufgeführt:

• Fragen und Antworten in der Wissensdatenbank des Unternehmens: Laden Sie die internen Dokumente des Unternehmens (Produkthandbücher, technische Spezifikationen, Compliance-Dokumente) in die Dify-Wissensdatenbank hoch, um einen internen Frage- und Antwortroboter zu erstellen. Mitarbeiter stellen Fragen in natürlicher Sprache und LLM generiert Antworten auf der Grundlage von in Echtzeit abgerufenen Dokumentausschnitten. Im Vergleich zur herkömmlichen Dokumentensuche liegt der Schlüssel zur Verbesserung der Antwortgenauigkeit in einer hybriden Retrieval-Strategie – technische Begriffe werden durch die Volltextretrieval genau gefunden und semantisch ähnliche Konzepte werden durch die Vektorretrieval abgedeckt. Wichtige zu prüfende Punkte: ob die Slicing-Strategie mit der Dokumentstruktur übereinstimmt und ob der Index nach der Aktualisierung der Wissensdatenbank automatisch aktualisiert wird.

• Intelligenter Kundenservice und After-Sales-Automatisierung: Konfigurieren Sie einen mehrstufigen Workflow: Eingabe von Benutzerfragen → Absichtsklassifikator → Abruf der Wissensdatenbank → Antwortgenerierung → emotionale Beurteilung → manuelle Übertragungsentscheidung. Die Vorteile eines solchen Szenarios liegen nicht nur im Ersatz von Arbeitskräften, sondern auch in der Verkürzung der Reaktionszeit von Stunden auf Sekunden und in der Verbesserung der Konsistenz der Kundenservice-Antworten. Wichtige Punkte der Überprüfung: Die Genauigkeit des Klassifikators muss mehr als 90 % erreichen, bevor er für den Online-Einsatz geeignet ist; Manuelle Bestätigungsknoten müssen für hochsensible Szenarien wie Rückerstattungen und Beschwerden beibehalten werden.

• Produktionslinie für Marketinginhalte: Entwerfen Sie einen automatisierten Workflow für „Keyword-Eingabe → Internetsuche nach Informationen zu Wettbewerbsprodukten → LLM-Generierungsentwurf → sekundäres Polieren → Formatausgabe“. Marketingteams können die Zeit für die Produktion eines einzelnen Inhalts von 2–3 Stunden auf 15–30 Minuten verkürzen. Wichtige Punkte der Überprüfung: Ob der generierte Entwurf dem Markenton entspricht und ob an Schlüsselknoten eine manuelle Überprüfung erforderlich ist.

• Automatische Generierung von Betriebsanalysen und Berichten: Zugriff auf Datenquellen (CSV, Datenbank, interne API), vollständige Datenbereinigung und -analyse über Codeausführungsknoten und anschließende Generierung von Analyseberichten durch LLM-Knoten. Geeignet für tägliche/wöchentliche Berichte, E-Commerce-Betriebsanalysen, Marktforschung und andere Szenarien. Wichtige zu überprüfende Punkte: Die Aktualisierungshäufigkeit der Datenquelle und die numerische Genauigkeit des von LLM generierten Zugriffsstabilitätsberichts (muss mit den Originaldaten abgeglichen werden).

Anwendbare Gruppen von Dify

Die polymorphe Strategie von Dify bedient vier Arten von Rollen, jede mit unterschiedlichen Einstiegswegen und Anliegen:

• Entwickler und Technik: Betten Sie Dify-Workflows über APIs und SDKs in bestehende Systeme ein, um den Aufbau einer LLM-Orchestrierungsebene von Grund auf zu vermeiden. Zu den Bedenken zählen API-Stabilität, Versionskompatibilität und benutzerdefinierte Knotenentwicklungsfunktionen. Geeignet für Organisationen mit bestehenden technischen Teams, die KI-Funktionen schnell in bestehende Produkte integrieren möchten.

• Enterprise Technology Manager: Privatisierte Bereitstellungsfunktionen und Berechtigungsverwaltung auf Unternehmensebene (RBAC, SSO, Audit-Protokolle) erfüllen Daten-Compliance- und Sicherheitsanforderungen. Der Schwerpunkt liegt auf Hochverfügbarkeitslösungen für die Bereitstellungsarchitektur, Datensicherungs- und -wiederherstellungsstrategien sowie Integrationskosten in bestehende IT-Governance-Systeme.

• Nicht-technisches Geschäftspersonal (Betrieb/Produkte/Märkte): Für die visuelle Workflow-Orchestrierung sind keine Programmiergrundlagen erforderlich, und Geschäftspersonal kann direkt an der Erstellung von KI-Anwendungen teilnehmen. Es ist jedoch zu beachten, dass komplexe Geschäftslogik (Routing mit mehreren Bedingungen, dynamische Parameterübertragung) weiterhin die Unterstützung des technischen Teams erfordert und die visuelle Schnittstelle nicht die gesamte Programmierflexibilität abdecken kann.

• KI-Entrepreneurship-Teams und unabhängige Entwickler: Open Source ist kostenlos und reduziert die Startkosten, und MVP kann innerhalb weniger Stunden erstellt werden. Es wird empfohlen, zunächst die kostenlose Cloud-Version zu verwenden, um die Produktausrichtung zu überprüfen und dann zu prüfen, ob eine Migration zum Selbsthosting zur Kostenkontrolle nach steigender Benutzerzahl erforderlich ist.

• Nicht für Szenarien geeignet: Für Szenarien mit extrem hohen Anforderungen an die Antwortlatenz (Echtzeitbeurteilung auf Millisekundenebene) führt die Orchestrierungsschicht von Dify zusätzliche Verzögerungen ein, was besser für Interaktionsszenarien im Bereich von Hunderten von Millisekunden bis hin zu Sekunden geeignet ist; Für Szenarien, die eine umfassende Anpassung des LLM-Trainings oder eine Feinabstimmung erfordern, ist Dify eher eine Anwendungsschicht als eine Trainingsplattform. Für extrem große Szenarien (durchschnittlich täglich Millionen von API-Aufrufen) muss die selbst gehostete Version ihre eigene Bereitstellungsarchitektur optimieren, und Dify bietet offiziell keine verwalteten Erweiterungsdienste an.

Zusammenfassung und Ausblick von Dify

Mit seiner Dual-Engine-Positionierung „visuelle Orchestrierung + Open-Source-Selbsthosting“ hat Dify erfolgreich in die Marktlücke der LLM-Anwendungsentwicklung für Unternehmen geschlossen. Über 143.000 GitHub-Stars und eine kontinuierlich aktive Community bestätigen den Marktwert seiner Produktausrichtung – es ist nicht das schnellste Tool zum Erstellen von KI-Anwendungen, aber es ist die pragmatischste Wahl für Organisationen, die Datensouveränität und Governance benötigen.

Aktuelle Einschränkungen: Komplexe benutzerdefinierte Logik (erweiterte Routing-Strategien, dynamische Tool-Auswahl, Multi-Round-Agent-Speicherverwaltung) erfordert immer noch bestimmte Programmierfähigkeiten und die visuelle Schnittstelle kann nicht 100 % Flexibilität abdecken; Eine groß angelegte Produktionsbereitstellung (durchschnittliche tägliche Millionen von Anrufen) erfordert, dass das Team die Datenbank, den Cache und den Lastausgleich selbst optimiert, und der Beamte stellt keine verwaltete elastische Erweiterung bereit. Bei inländischen Benutzern kann es beim Zugriff auf die in der Cloud gehostete Dify-Version zu Netzwerkverzögerungen kommen. Inländischen Benutzern wird empfohlen, dem Selbsthosting oder der Bereitstellung auf ausländischen Knoten Vorrang einzuräumen.

Folgebeobachtungspunkte: Die Aktualisierung der Agentenarchitektur ist die Kernrichtung von v1.14.x, und es wird erwartet, dass in nachfolgenden Versionen ausgereiftere dynamische Toolauswahl- und Multi-Agent-Orchestrierungsfunktionen eingeführt werden; Nachdem sich der Plug-in-Markt von der Community-gesteuerten zur offiziellen Governance verlagert hat, wird sich die ökologische Qualität direkt auf die Skalierbarkeit der Plattform auswirken. Der Fortschritt bei der Unterstützung des MCP-Protokolls wird darüber entscheiden, ob sich Dify mit einer breiteren Palette von Agenten integrieren lässt. Ökologische Verbindung und Interoperabilität; Die Vollständigkeit der Funktionen der Enterprise-Version (insbesondere die Tiefe der Audit-Protokolle, benutzerdefinierten Rollenberechtigungen und Richtlinien zur Datenaufbewahrung) sind wichtige Entscheidungsfaktoren für umfangreiche Anschaffungen.

Vorschläge zur Implementierung der Beschaffung: Es wird empfohlen, die kostenlose Cloud-Version zu verwenden, um ein kleines Pilotprojekt in 1-2 hochwertigen Szenarien durchzuführen (z. B. Fragen und Antworten in der internen Wissensdatenbank, Kundendienstunterstützung), um die Konstruktionseffizienz, die Antwortqualität und die Reduzierung der manuellen Eingriffsrate zu überprüfen. Nachdem das Pilotprojekt bestanden wurde, prüfen Sie, ob Sie weiterhin die Cloud-Professional-Version verwenden oder auf Selbsthosting umsteigen möchten. Vor dem Kauf müssen sich Unternehmen darauf konzentrieren, Folgendes zu bestätigen: die kommerziellen Autorisierungsbedingungen der selbst gehosteten Version, die tatsächliche Abdeckung der SSO- und Audit-Protokolle der Unternehmensversion sowie die Reaktionszeit des offiziellen SLA bei produktionsbedingten Ausfällen.

Verwandte Tools: CrewAI, langchain

Versionsinfo

• Verändern Sie v1.14.2 ：Sicherheitsverstärkung und Fehlerbehebungen, Verbesserungen der zugrunde liegenden Agentenarchitektur (um den Weg für spätere erweiterte Agentenfunktionen zu ebnen), Verbesserungen der Workflow-Zuverlässigkeit und Optimierung der selbstgehosteten Bereitstellung. （2026-05-19）
• Verändern Sie v1.14.1 ：Sicherheitsverstärkung, Verbesserungen der Workflow-Stabilität und Bereinigung der selbst gehosteten Bereitstellung. （2026-05-12）
• Verändern Sie v1.14.0 ：Die Hauptversionsfunktion wurde aktualisiert. Der konkrete Inhalt unterliegt dem offiziellen Changelog. （2026-04-29）
• Verändern Sie v1.13.3 ：Workflow-Korrekturen und Leistungsoptimierungen. （2026-03-27）
• Offizielle Version von Dify v1.0 ：Die Meilensteinveröffentlichung markiert den Eintritt von Dify in die Produktionsreife und führt eine umfassende LLMOps-Überwachung und Berechtigungsverwaltung auf Unternehmensebene ein. （2025-01-01）