Dify ist eine Open-Source-LLMOps-Plattform, die visuelle KI-Workflow-Orchestrierung, RAG-Pipeline-Agentenkonstruktion und Modellverwaltungsfunktionen bietet und es Entwicklern ermöglicht, schnell KI-Anwendungen auf Produktionsebene mit geringem Codeaufwand zu erstellen.

Dify: Open-Source-LLM-Anwendungsentwicklungsplattform, die den KI-Workflow visuell orchestriert

Difys Kernparameter und Statistiken

Dify ist eines der beliebtesten Open-Source-Projekte in der LLM-Anwendungsentwicklungsinfrastruktur. Es kapselt komplexe KI-Projekte wie Modellaufrufe, Prompt-Word-Management und den Aufruf von Wissensdatenbank-Retrieval-Agent-Tools in visuelle Komponenten ein und ermöglicht es Entwicklern, KI-Anwendungen auf Produktionsebene bausteinweise zu erstellen. Der Hauptunterschied liegt in „Modellneutralität + visuelle Orchestrierung“ – Benutzer können auf derselben Plattform zwischen verschiedenen großen Modellanbietern (DeepSeek, OpenAI, Anthropic usw.) wechseln und den KI-Anwendungsprozess per Drag & Drop entwerfen, ohne Integrationscode von Grund auf neu schreiben zu müssen.

Projekte	Öffentliche Informationen
Offizielle Positionierung	LLMOps Open-Source-Anwendungsentwicklungsplattform
Kernkompetenzen	KI-Workflow-Orchestrierung RAG-Pipeline Agentenkonstruktion, Modell-Gateway
Bereitstellungsmethode	Private Docker-Bereitstellung Dify Cloud SaaS, private Enterprise-Cloud
Open-Source-Lizenz	Apache 2.0
GitHub-Sterne	65.000+ (kontinuierlich wachsend)
GitHub Forks	10.000+
Unterstützte Modelle	OpenAI, Anthropic, DeepSeek, Llama, Gemini usw. 50+
Bewerbungsformular	RESTful-API der Webkonsole, Web-Chat-Widget, Iframe-Einbettung
Geschäftsmodell	Open-Source-Community-Version + kostenpflichtige Cloud-Version + privatisierte Enterprise-Version
Ort der Zugehörigkeit	Shenzhen, China (CN)
Kernteam	Gründer Zhang Luyu, Kernmitglieder kommen aus den Bereichen Open Source Community und Enterprise Service

Positionierung in einem Satz: Dify ist kein unabhängiges Chat-Tool, sondern ein KI-Anwendungs-„Betriebssystem“ für Entwickler – es bietet eine vollständige Link-Infrastruktur vom Modellzugriff über das Wissensmanagement bis zur Anwendungsfreigabe.

Difys Benutzer und Marktbekanntheit

GitHub-Community-Aktivität: Mit über 65.000 Sternen und über 10.000 Forks auf GitHub ist Dify eines der am schnellsten wachsenden Open-Source-Projekte im LLMOps-Track-Stars-Ranking. Die Veröffentlichungshäufigkeit liegt bei 1-2 kleinen Versionen pro Monat, und die Geschwindigkeit der Problembeantwortung und die Effizienz der PR-Zusammenführung stehen bei ähnlichen Projekten an erster Stelle.

Einführung in Unternehmen: Laut offiziellen Angaben und öffentlichen Fällen wurde Dify von Tausenden von Unternehmen auf der ganzen Welt für interne Fragen und Antworten zu Wissensdatenbanken, intelligenten Kundenservice, Inhaltsüberprüfung und andere Szenarien verwendet. Die übernehmenden Unternehmen decken Branchen wie Internet, Finanzen, Bildung und Fertigung ab. Zu den typischen Anwendern gehören SaaS-Unternehmerteams mittelständischer Internetunternehmen und die KI-Innovationsabteilungen einiger Finanzinstitute. Die Zahl der registrierten Arbeitsplätze für die Cloud-Version ist im Vergleich zum Vorquartal gestiegen, die genaue Zahl der MAUs und zahlenden Kunden wurde jedoch nicht bekannt gegeben.

Branchen-Benchmarking: Im Bereich der Open-Source-Plattform LLMOps steht Dify in direkter Konkurrenz zu Flowise und LangFlow, die alle drei Funktionen zur Orchestrierung visueller KI-Workflows bieten. Der Hauptvorteil von Dify liegt in der „Produktvollständigkeit“ – es umfasst auch die RAG-Wissensdatenbankverwaltung, den Agentenaufbau, das Modell-Gateway und das Überwachungspanel, während Flowise sich mehr auf die reine Workflow-Orchestrierung konzentriert und LangFlow eng mit dem LangChain-Ökosystem verbunden ist. Im Closed-Source-Lager sind Coze (ByteDance) und Botpress die wichtigsten Benchmark-Produkte von Dify, aber die selbstgehosteten Open-Source-Funktionen von Dify haben ihm Zugang zu Unternehmenskunden verschafft, die Wert auf Datensouveränität legen.

Abmessungen vergleichen	Verändern	Flowise	LangFlow	Coze
Open-Source-Lizenz	Apache 2.0	Apache 2.0	MIT	Closed Source kostenlos
Selbstgehostete Bereitstellung	✅ Docker / K8s	✅ Docker	✅ Docker	❌ Nur Cloud
RAG-Wissensdatenbank	✅ Integriert, unterstützt mehrere Dokumentformate	❌ Erfordert eine externe Verbindung	❌ Erfordert eine externe Verbindung	✅ Eingebaut
Agent-Tools	✅ Integrierte Tools + Anpassung	✅ Anpassung	✅ LangChain-Tools	✅ Integrierte Plugins
Modell-Gateway	✅ Einheitliche Verwaltung und Überwachung	❌	❌	❌
Gemeinschaftsgröße	65.000+ Sterne	Über 45.000 Sterne	25.000+ Sterne	N/A (geschlossene Quelle)

Schlussfolgerung zur Markterkennung: Dify ist die Plattform mit den umfassendsten Funktionen im Open-Source-LLMOps-Bereich und eignet sich besonders für technische Teams, die die Integration von Selbsthosting + Wissensdatenbank + Agent benötigen. Im Hinblick auf die Flexibilität der reinen Workflow-Orchestrierung und den Reichtum des Plug-in-Ökosystems haben Flowise und LangFlow jedoch jeweils ihre eigenen Vorteile.

Kostenvorteil von Dify: Nutzung von Open Source, um die Eintrittsbarriere für KI-Anwendungen zu senken

Die Kostenstruktur von Dify kann in drei Ebenen unterteilt werden: C-Seite/Einzelentwickler, API-Entwickler und Unternehmen/Privatisierung. Die expliziten und impliziten Kosten jeder Ebene unterscheiden sich erheblich.

C-seitige und einzelne Entwickler:

• Explizite Kosten: Die Community Edition ist völlig kostenlos (Apache 2.0), Sie müssen nur die Serverkosten tragen. Die Mindestkonfiguration besteht darin, einen 2-Kern-4-GB-Server zu betreiben, und die monatliche Gebühr für den Cloud-Server beträgt etwa 10 bis 30 US-Dollar (abhängig vom Umfang der Bereitstellung).
• Versteckte Kosten: Für die Selbstbereitstellung sind grundlegende Docker-Betriebsfunktionen erforderlich. Für den LLM-API-Aufruf fallen zusätzliche Kosten an (abhängig vom Token-Verbrauch des ausgewählten Modells). Wenn Sie die kostenlose Version von Dify Cloud nutzen, unterliegen Sie Nachrichtenkontingenten und Kapazitätsbeschränkungen für die Wissensdatenbank.
• Empfohlener Pfad: Einzelne Entwickler geben der Verwendung der Community-Version für die Selbstbereitstellung Vorrang. Mit Niedrigpreismodellen (z. B. DeepSeek, lokale Bereitstellung von Llama 3) können die Kosten für ein einzelnes Gespräch auf weniger als 0,001 Yuan gesenkt werden.

API-Entwickler und kleine Teams:

• Explizite Kosten: Die Dify Cloud Professional Edition beginnt bei 59 $/Monat (basierend auf der Größe des Arbeitsbereichs), einschließlich höherer API-Aufrufquote, vorrangigem Support und benutzerdefiniertem Branding. Bei jährlicher Zahlung sind Rabatte möglich.
• Versteckte Kosten: Der Wechsel von der Community Edition zur Cloud Edition umfasst den Datenexport und die Konfigurationsmigration; Cloud Edition unterstützt nicht alle benutzerdefinierten Integrationen im Plugin-Marktplatz.
• Empfohlener Weg: Wenn ein kleines Team von 3–5 Personen über keine Betriebs- und Wartungskräfte verfügt, sind die Kosten für die Cloud-Version mit 59 US-Dollar/Monat viel niedriger als die Einstellung eines DevOps-Ingenieurs, was sie zu einer kostengünstigen Wahl macht.

Unternehmens- und privatisierte Bereitstellungen:

• Explizite Kosten: Der Preis der Unternehmensversion muss vom Unternehmen bestätigt werden und beinhaltet normalerweise die SSO-Integration für die private Cloud-Bereitstellung, die SLA-Garantie für Prüfprotokolle und einen dedizierten Kundenerfolgsmanager. Die Preisspanne wird auf der Grundlage von Brancheninformationen und vorbehaltlich des offiziellen Angebots auf 2.000 bis 20.000 US-Dollar pro Jahr geschätzt.
• Versteckte Kosten: Betriebs- und Wartungskosten der privatisierten Bereitstellung (K8s-Cluster, Überwachung und Alarmierung, Sicherung und Wiederherstellung), Kosten für die Auswahl und Optimierung des Einbettungsmodells sowie Test- und Verifizierungskosten nachfolgender Versions-Upgrades.
• Empfohlener Pfad: In Branchen wie Finanzen, medizinischer Versorgung und Regierungsangelegenheiten, die strenge Anforderungen an die Datensouveränität haben, ist der Compliance-Wert der Unternehmensversion viel höher als ihr expliziter Preis.

Dreistufiger Kostenvergleich:

Kostendimension	Community Edition (Selbstbereitstellung)	Cloud Professional Edition	Enterprise-Edition
Softwarelizenzgebühr	$0	Ab 59 $/Monat	Geschäftsbestätigung
Serverkosten	10–30 $/Monat	Im Abonnement enthalten	Bezahlung selbst oder im Vertrag enthalten
LLM-API-Gebühr	zusätzlich	zusätzlich	bündelbar und verhandelbar
Betriebs- und Wartungspersonal	Muss vom Team vorbereitet werden	Keine Notwendigkeit	Hängt vom Bereitstellungsmodus ab
Datensouveränität	Vollständig autonom	Gehostet auf Dify Cloud	Private Cloud/On-Premise
Compliance-Zertifizierung	Keine	SOC2 (laufend)	SOC2 + benutzerdefinierte Compliance

Die Hauptfunktionen von Dify: die Dreifaltigkeit von Workflow und Wissensdatenbank-Agent

Das Funktionssystem von Dify dreht sich um die Kernaufgabe „Erstellung von KI-Anwendungen“. Der Schlüssel liegt nicht in der Stärke einer einzelnen Funktion, sondern in der Synergie zwischen den Funktionen.

• Visuelle KI-Workflow-Orchestrierung: Erstellen Sie eine KI-Anwendungspipeline durch Ziehen und Ablegen von Knoten (Eingabe-LLM, Wissensabruf, Code-HTTP-Anfrage, bedingte Verzweigung, Schleife usw.). Synergie: Kontextvariablen können zwischen Workflow-Knoten übergeben werden. Beispielsweise kann die Ausgabe des vorherigen LLM-Knotens als Eingabeparameter der nächsten HTTP-Anfrage verwendet werden, wodurch die „Think-Execution-Verify“-Struktur realisiert und das Problem herkömmlicher KI-Anwendungen gelöst wird, die eine handgeschriebene Rückruflogik erfordern.

• RAG Knowledge Base Engine: Dokumente nach dem Hochladen automatisch segmentieren, vektorisieren und indizieren (PDF, TXT, Markdown, HTML, Excel). Synergie: Wissensdatenbank-Abrufknoten können nahtlos überall im Workflow eingebettet werden – Abruf vor dem LLM-Knoten als kontextbezogene Ergänzung oder nach dem LLM-Knoten zur Faktenprüfung. Unterstützt den hybriden Abruf mehrerer Wissensdatenbanken und die benutzerdefinierte Gewichtssortierung.

• Agent Builder: Konfigurieren Sie eine Sammlung von Tools für AI Agent (integrierte Suchmaschine, Taschenrechner, API-Aufruf zur Bildgenerierung, Datenbankabfrage usw.), legen Sie Systemaufforderungswörter fest und erreichen Sie eine autonome Aufgabenerledigung. Synergie: Agenten können Workflows als Unteraufgaben aufrufen, um den „Meta-Workflow“-Modus zu implementieren. Wenn ein Kundendienstmitarbeiter beispielsweise auf eine komplexe Rückgabe- oder Umtauschanfrage stößt, ruft er einen vordefinierten Workflow auf, um einen mehrstufigen Überprüfungsprozess durchzuführen.

• Modell-Gateway und Überwachungspanel: Einheitliche Verwaltung von API-Schlüsseln mehrerer LLM-Anbieter, Bereitstellung von Token-Nutzungsstatistiken, Kostenverfolgung, Überwachung der Antwortverzögerung und Fehlerratenalarmen. Synergie: Die Gateway-Schicht unterstützt die „Modell-Routing“-Strategie – sie wählt automatisch das optimale Modell entsprechend dem Aufgabentyp aus (leichtes Modell für einfache Fragen und Antworten, Hochleistungsmodell für komplexe Überlegungen), wodurch der Token-Verbrauch reduziert und gleichzeitig die Qualität sichergestellt wird.

• Veröffentlichung und Einbettung von Anwendungen: Die erstellte KI-Anwendung kann über RESTful API, Web-Chat-Widget (eingebettet in Iframe), Sitemap-Integration usw. veröffentlicht werden. Synergie: Die veröffentlichte API übernimmt automatisch die Berechtigungsverwaltungs- und Frequenzkontrollstrategien des Workflows, ohne dass eine separate Authentifizierungs-Middleware entwickelt werden muss.

• Prompt Word Engineering IDE: Integrierter Prompt Word Debugger, unterstützt Variableninjektion, Fow-Shot-Beispielverwaltung, Ausgabeformatbeschränkungen (JSON-Modus, Funktionsaufruf) und kann A/B-Tests direkt in der Produktionsumgebung durchführen.

Modell- und Versionsentwicklung von Dify

Seit Dify im Jahr 2023 als Open Source verfügbar war, hat es einen Iterationsrhythmus von 1–2 Versionen pro Monat beibehalten, mit einer klaren funktionalen Weiterentwicklung.

Hauptversionskontext

• v0.3.x - v0.4.x (2. Halbjahr 2023): Erste Open-Source-Phase. Die Kernfunktionen basieren auf der Chatbot-Konstruktion und der einfachen Prompt-Verwaltung, und das Modell unterstützt nur OpenAI. Die Community reagierte positiv und die Sterne wuchsen von 0 auf über 5.000.

• v0.5.x - v0.6.x (erstes Halbjahr 2024): Einführung von RAG-Wissensdatenbankfunktionen zur Unterstützung des Hochladens von Dokumenten und des Abrufens von Vektoren. Gleichzeitig wird das Modell-Gateway geöffnet und mit mehreren Anbietern wie Anthropic und Gemini verbunden. Sterne überschreiten 15.000.

• v0.7.x - v0.8.x (zweite Jahreshälfte 2024): Agent Builder und Workflow-Engine gestartet, die bedingte Verzweigungen, Schleifen und Codeknoten unterstützen. Wir stellen vor: Dify Cloud Business Edition. Die Zahl der Community-Mitwirkenden ist deutlich gestiegen und liegt bei über 35.000 Sternen.

• v0.9.x - v0.10.x (erstes Halbjahr 2025): Refaktorieren Sie die Workflow-Engine, um verschachtelte Unterworkflows und parallele Ausführung zu unterstützen. Verbessern Sie die RAG-Funktionen: Hybridsuche und Reranking-Integration mehrerer Wissensdatenbanken. Enterprise-Version veröffentlicht. Sterne überschreiten 50.000.

• v0.11.x (~2026-03): Erweiterte RAG-Pipeline, die die Verwaltung von Konversationskontexten in mehreren Runden unterstützt. Verbessern Sie die Tool-Calling-Funktionen des Agenten und unterstützen Sie die MCP-Protokollintegration. Enterprise Edition fügt SSO und Audit-Protokollierung hinzu.

• v0.12.x (ca. 2026-06): Verbesserte Agenten-Orchestrierung und Modell-Gateway-Funktionen, die mehr LLM-Anbieter unterstützen. Optimieren Sie die Leistung der Workflow-Ausführung und führen Sie verteilte Aufgabenwarteschlangen ein. Verbesserte Entwicklererfahrung: SDK-Update für das OpenAPI-Spezifikationsdokument.

Merkmale der Versionsentwicklung

• RAG-Priorität: Wissensdatenbankfunktionen sind immer die zentralen Upgrade-Elemente jeder Hauptversion, was den strategischen Fokus von Dify auf das Szenario „Enterprise Knowledge Management“ widerspiegelt.
• Vom Chatbot zum Agent: Der Versionsentwicklungspfad zeigt deutlich die Transformation vom „Chatbot Builder“ zur „universellen KI-Anwendungsplattform“.
• Kommerzialisierung und Open Source parallel: Die Einführung der Cloud-Version und der Enterprise-Version hat die Iterationsgeschwindigkeit der Open-Source-Version nicht verlangsamt und die Community-Version hat stets mit den neuesten Funktionen Schritt gehalten.

Version	Zeit	Kernänderungen
v0.3-v0.4	2023 H2	Erste Open Source, Chatbot + Prompt-Management
v0.5-v0.6	2024 H1	RAG-Wissensdatenbank, Multi-Modell-Gateway
v0.7-v0.8	2024 H2	Agent Builder, Workflow-Engine Dify Cloud
v0.9-v0.10	2025 H1	Verschachtelter Workflow, parallele Ausführung, Unternehmensversion
v0.11	~2026-03	Erweitertes RAG, MCP integriertes SSO
v0.12	~2026-06	Verbesserung der Agenten-Orchestrierung, verteilte Ausführung

Die technischen Vorteile von Dify

Architekturdesign: Modellneutral + steckbares Gateway

Die Kernarchitektur von Dify basiert auf der „Modellabstraktionsschicht“. Alle LLM-Aufrufe werden über ein einheitliches Modell-Gateway weitergeleitet, das das Provider-Adaptermuster implementiert. Durch das Hinzufügen eines neuen Modellanbieters muss lediglich der Standardschnittstellenvertrag (Vervollständigung, Einbettung, Neubewertung) implementiert werden, ohne dass die Kerngeschäftslogik geändert wird. Das bedeutet, dass die obere Eingabeaufforderungsvorlage, der Wissensdatenbankindex und die Workflowdefinition überhaupt nicht betroffen sind, wenn der Benutzer das Modell wechselt.

Mechanismus -> Wirkung -> Szenario: Die Modellabstraktionsschicht macht Dify zu einem „Hersteller-Lock-in-Terminator“ – wenn der Preis eines Modells steigt oder die Qualität abnimmt, können Benutzer mit einem Klick auf der Konsole ohne Geschäftsbewusstsein zu alternativen Modellen wechseln. Dies ist eine der zentralen Beschaffungsüberlegungen für Unternehmen, die eine widerstandsfähige Lieferkette anstreben.

RAG-Engine: mehrstufiger Rückruf und Präzisionsoptimierung

Die RAG-Pipeline von Dify verwendet eine dreistufige Architektur von „Abruf -> Neuordnung -> Injektion“:

1. Suchphase: Unterstützt die Hybridsuche mit dichtem Vektorabruf (Einbettung) + spärlichem Schlüsselwortabruf (BM25) unter Berücksichtigung semantischer Ähnlichkeit und Schlüsselworttreffer.
2. Reranking-Phase: Verwenden Sie das Reranking-Modell, um die vorläufigen Screening-Ergebnisse zu verfeinern und das Problem der „semantischen Drift“ beim Vektorabruf zu beseitigen.
3. Injektionsphase: Beschneiden Sie die Abrufergebnisse dynamisch entsprechend dem Kontextfenster von LLM, um eine Überschreitung des Token-Limits zu vermeiden.

Mechanismus -> Wirkung -> Szenario: Die dreistufige Architektur kann die Ersttrefferquote im Q&A-Szenario der Wissensdatenbank erheblich verbessern. Verglichen mit der reinen Vektorabfrage wird die Abrufgenauigkeit der Kombination aus Hybridsuche und Rerankierung bei professionellen Dokumenten (z. B. gesetzlichen Bestimmungen und technischen Spezifikationen) je nach Dokumenttyp und Auswahl des Einbettungsmodells um etwa 15–25 % verbessert.

Workflow-Engine: DAG-Ausführung und Statusverwaltung

Die Workflow-Engine von Dify basiert auf dem Directed Graph (DAG)-Modell und unterstützt die parallele Ausführung von Knoten und bedingtes Routing. Wenn jeder Knoten ausgeführt wird, wird die Upstream-Ausgabe automatisch als Kontextvariable eingefügt und die Knoten werden über Variablennamen referenziert.

Wichtige technische Entscheidungen:

• Variablenbereich: Unterstützt globale Variablen und knotenlokale Variablen, um Namenskonflikte in großen Arbeitsabläufen zu vermeiden.
• Fehlerbehandlung: Jeder Knoten kann die Fehlerstrategie (Beenden/Überspringen/Wiederholen) unabhängig konfigurieren, um zu verhindern, dass ein einzelner Fehler zum Scheitern des gesamten Prozesses führt.
• Ausführungsmodus: Unterstützt zwei Modi: synchron (Echtzeitantwort) und asynchron (Hintergrundaufgabe) und passt sich den unterschiedlichen Anforderungen von Online-Fragen und Antworten und Offline-Stapelverarbeitung an.

Vergleich technischer Unterschiede zu Konkurrenzprodukten

Technische Dimension	Verändern	Flowise	LangFlow
Modell-Gateway	✅ Einheitliche Verwaltung + Überwachung	❌ Keine	❌ Keine
RAG-Motor	✅ Integrierte Hybridsuche + Neubewertung	❌ Erfordert eine externe Verbindung	❌ Erfordert eine externe Verbindung
Workflow-Modell	DAG + Variablenbereich	DAG	DAG + LangChain
Agent-Framework	Integrierter Tool-Aufruf + MCP	Benutzerdefinierte Werkzeuge	LangChain Vollversion
Komplexität der Bereitstellung	Mittel (Docker Compose)	Einfach (einzelner Container)	Mittel
Skalierbarkeit	Plugin + API	Knotenanpassung	LangChain-Ökologie

Leitfaden für technische Fallstricke (Ableitung basierend auf der technischen Architektur von Dify)

Basierend auf den Architekturmerkmalen von Dify sind die folgenden typischen technischen Probleme und Reaktionsstrategien, die im Produktionskontext verwendet werden:

1. Unzureichende Genauigkeit beim Abrufen der Wissensdatenbank: Wenn das Dokument eine große Anzahl von Fachbegriffen oder mehrsprachigen gemischten Inhalt enthält, kann das Standard-Einbettungsmodell (z. B. text-embedding-ada-002) zu semantischen Verschiebungen führen. Lösung: Wechseln Sie zu einem domänenspezifischen Einbettungsmodell (z. B. BGE-Large oder einer auf die Branche abgestimmten Version), arbeiten Sie mit Hybrid Search (dichter + spärlicher Abruf) und Rerank-Feinsortierung zusammen und optimieren Sie die Chunking-Strategie (Schneiden nach Markdown-Titeln statt nach fester Länge).

2. Timeout bei der Workflow-Ausführung und Token-Kontrollverlust: Kettenaufrufe von LLM-Knoten in komplexen Workflows können zu einem weitaus höheren Token-Verbrauch als erwartet führen, was dazu führt, dass eine einzelne Ausführung mehr als 30 Sekunden dauert oder ein Token-Überlauf auftritt. Lösung: Legen Sie eine „max_tokens“-Obergrenze für jeden LLM-Knoten fest, fügen Sie einen „Digest-Lite“-Knotenkomprimierungskontext zwischen Schlüsselknoten ein und aktivieren Sie eine Timeout-Beendigungsrichtlinie für den Workflow (maximal 60 Sekunden für eine einzelne Ausführung werden empfohlen).

3. Leistungsengpass in gleichzeitigen Szenarien: Wenn bei der Selbstbereitstellung von Dify mehr als 50 gleichzeitige Anforderungen vorliegen, können der PostgreSQL-Verbindungspool und die Celery-Aufgabenwarteschlange zu Engpässen führen. Lösung: Verwenden Sie PgBouncer, um den Datenbankverbindungspool zu verwalten, Celery-Worker auf mehrere Kopien zu erweitern und Redis zu ermöglichen, häufig aufgerufene Abrufergebnisse der Wissensdatenbank zwischenzuspeichern. Für höhere Anforderungen an die Parallelität wird empfohlen, die Unternehmensversion der verteilten Architektur zu evaluieren.

So verwenden Sie Dify

Dify bietet vier Zugangsformulare, die alle Szenarien von persönlichen Versuchen bis hin zur Privatisierung großer Hersteller abdecken.

Eingabematrix:

So verwenden Sie	Anwendbare Szenarien	Kosten für den Einstieg	Empfohlene Personen
Dify Cloud (SaaS)	Persönlicher Test, schnelle Verifizierung im kleinen Team	Registrieren und nutzen, keine Bereitstellung	Nicht-technische Benutzer, kleines Team
Docker-Selbstbereitstellung	Interne Nutzung durch technische Teams, datensensible Szenarien	Docker-Grundkenntnisse erforderlich, ca. 30 Minuten	Entwickler, kleine und mittlere Teams
K8s-Cluster-Bereitstellung	Hochverfügbare Produktionsumgebung, große Parallelität	K8s Betriebs- und Wartungskapazitäten erforderlich, ca. 2-4 Stunden	Devops-Team, Unternehmen
Private Cloud für Unternehmen	Finanz-/Regierungsszenarien mit strengen Compliance-Anforderungen	Bereitstellung unterstützt durch das Dify-Team	Mittlere und große Unternehmen

Typische Schritte zum Einstieg (Community Edition Docker-Bereitstellung):

1. Stellen Sie sicher, dass Docker und Docker Compose auf dem Server installiert sind (empfohlene Konfiguration sind 2 Kerne und 4 GB oder mehr).
2. Klonen Sie das offizielle Repository und starten Sie: „Bash Git-Klon https://github.com/langgenius/dify.git cddify/docker cp .env.example .env Docker komponieren -d „
3. Besuchen Sie „http://:3001“, um die Initialisierung des Administratorkontos abzuschließen.
4. Fügen Sie den LLM-API-Schlüssel (z. B. OpenAI, DeepSeek) unter „Einstellungen > Modelllieferant“ hinzu.
5. Erstellen Sie die erste Anwendung: Wählen Sie den Anwendungstyp „Konversation“ oder „Workflow“ und ziehen Sie Knoten per Drag-and-Drop, um den Prozess anzuordnen.
6. Veröffentlichen Sie die Anwendung: Betten Sie die Site über das Web-Chat-Widget ein oder stellen Sie über die API eine Verbindung zum vorhandenen System her.

Tipps: Die Dify Cloud-Version kann alle Funktionen ohne Einrichtung nutzen und eignet sich für Szenarien, in denen vor der Entscheidungsfindung eine Überprüfung erforderlich ist. Die README-Datei und die offizielle Dokumentation des GitHub-Repositorys bieten umfassendere Bereitstellungsparameter und Konfigurationsanweisungen.

Produktpreise von Dify

Dify führt ein dreistufiges Preissystem ein: „Open Source Community Edition + Cloud Subscription Edition + Enterprise Privatization“. Die Zielbenutzer und die Kostenstruktur der einzelnen Stufen unterscheiden sich erheblich.

Community Edition (Open Source):

• Preis: 0 $
• Lizenz: Apache 2.0, frei zu ändern und weiterzuverbreiten
• Fähigkeit: Synchronisierung mit Funktionen der Cloud-Version, keine Funktionskastration
• Einschränkungen: Sie müssen die Bereitstellung, den Betrieb und die Wartung, die Überwachung und die Hochverfügbarkeit selbst lösen
• Anwendbar für: Organisationen mit technischen Teams und kostensensibel

Dify Cloud Pro:

• Preis: Ab 59 $/Monat (monatliche Zahlung), gibt es einen Rabatt bei jährlicher Zahlung – Beinhaltet: höhere API-Aufrufkontingente, vorrangigen technischen Support, benutzerdefinierte Domänennamen und Branding
• Einschränkungen: Es gibt eine Obergrenze für die Anzahl der Arbeitsbereichsmitglieder und die Speicherkapazität der Wissensdatenbank
• Anwendbar: Teams von 3-20 Personen, ohne Vollzeit-Betriebs- und Wartungspersonal

Dify Cloud Team Edition (falls verfügbar, lesen Sie bitte die offizielle Seite):

• Preis: Normalerweise im Bereich von 200–500 $/Monat
• Beinhaltet: Arbeitsbereichserweiterung, erweiterte Berechtigungsverwaltung, Audit-Protokolle – Anwendbar: Teams mit 20–50 Personen, die eine detailliertere Berechtigungskontrolle benötigen

Enterprise Edition (private Bereitstellung):

• Preis: Eine Geschäftsbestätigung ist erforderlich (laut Branchenpraxis wird er auf 2.000–20.000 US-Dollar pro Jahr geschätzt, vorbehaltlich des offiziellen Angebots).
• Beinhaltet: Private Cloud- oder On-Premise-SSO-Integration (SAML/OIDC), Audit-Log-SLA-Garantie (99,9 %+), dedizierter Kundenerfolgsmanager, vorrangiger Funktionsanforderungskanal
• Anwendbar für: regulierte Branchen wie Finanzen, medizinische Versorgung und Regierungsangelegenheiten oder multinationale Unternehmen mit strengen Anforderungen an die Datensouveränität

Tipps zur Kostenkontrolle: Legen Sie im Modell-Gateway von Dify eine „Modell-Routing“-Strategie fest – leiten Sie einfache Aufgaben an kostengünstige Modelle (wie DeepSeek, Llama 3) weiter und rufen Sie für komplexe Aufgaben nur Hochleistungsmodelle (wie GPT-4, Claude 3.5) auf, was die Gesamt-API-Kosten um 40–60 % senken kann. In Kombination mit dem Token-Nutzungsüberwachungs-Dashboard von Dify können Sie jede Woche Kostentrends überprüfen und Routing-Strategien anpassen.

Anwendungsszenarien variieren

Die Anwendungsszenarien von Dify decken ein breites Spektrum ab, von der persönlichen Effizienz bis hin zu Produktionsumgebungen auf Unternehmensebene. Die folgenden vier Szenarien sind am repräsentativsten:

• Internes Q&A-System zur Wissensdatenbank des Unternehmens: Laden Sie interne Unternehmensdokumente (Systemhandbücher, Produktbeschreibungen, Schulungsmaterialien, technische Spezifikationen) hoch, um einen „internen KI-Berater“ aufzubauen. Vorteile durch die Implementierung: Die Zeit, die Mitarbeiter mit der Suche nach Informationen verbringen, verkürzt sich von durchschnittlich 15 Minuten (Dokumente durchblättern + Kollegen fragen) auf weniger als 1 Minute. Verifizierungspunkte: Die Aktualisierungshäufigkeit und die Abrufgenauigkeit der Wissensdatenbank wirken sich direkt auf die Qualität der Antworten aus. Es wird empfohlen, Dokumentaktualisierungen mindestens einmal pro Woche zu synchronisieren.

• Intelligenter Kundenservice-Roboter: Erstellen Sie mithilfe der RAG-Pipeline und des Agenten-Tool-Aufrufs eine Kundenservice-KI, die Bestellungen prüfen, die Logistik überprüfen und Retouren und Umtausch abwickeln kann. Vorteile bei der Implementierung: Der Abzug zeigt, dass die Abhörrate des Kundendienstes der ersten Ebene 60–80 % erreichen kann und die Einzelverarbeitungszeit des manuellen Kundendienstes von 3 Minuten auf 30 Sekunden reduziert wird (es werden nur Upgrade-Arbeitsaufträge verarbeitet). Wichtige Punkte der Überprüfung: Erfolgsquote bei Tool-Aufrufen, wenn der Agent externe Systeme (z. B. ERP, CRM) anrufen muss. Es wird empfohlen, für den Testbetrieb zunächst eine Verbindung zu 2-3 Hochfrequenz-APIs herzustellen.

• Inhaltsüberprüfungs- und Klassifizierungspipeline: Entwerfen Sie einen KI-Workflow, um den zu überprüfenden Inhalt automatisch zu lesen → LLM-Klassifizierungsbeurteilung → bedingte Verzweigungsweiterleitung zur entsprechenden Verarbeitungswarteschlange (Bestehen/Ablehnen/manuelle Überprüfung). Vorteile bei der Implementierung: Bei Überprüfungsaufgaben mit klaren Regeln (z. B. Überprüfung von Community-Kommentaren, Überprüfung der Produktbeschreibungskonformität) kann die Automatisierungsrate 70–85 % erreichen und das manuelle Überprüfungsvolumen wird auf 1/3 des Originals reduziert. Verifizierungspunkte: Die Schwellenwerteinstellungen für die Zweige „Ablehnen“ und „Überprüfen“ im Workflow müssen kalibriert und mit mindestens 1.000 Proben getestet werden.

• Automatisierte Erstellung von Forschungsberichten: Konfigurieren Sie den Agenten-Workflow, um Daten aus mehreren Informationsquellen (Suchmaschinen, interne Datenbanken, Wissensdatenbanken) zu sammeln → LLM-Analyse zu integrieren → strukturierte Berichte zu erstellen. Vorteile bei der Implementierung: Der Produktionszyklus des Berichts zur Marktwettbewerbsproduktanalyse wird von 2–3 Tagen auf 2–4 Stunden verkürzt, es ist jedoch eine manuelle Überprüfung der Datengenauigkeit erforderlich. Verifizierungsschwerpunkt: Faktizitätskontrolle des Agenten – es wird empfohlen, den KI-generierten Inhalt im Bericht zu markieren und einen manuellen Überprüfungsknoten einzurichten.

• Personalisierter Lernassistent: Einzelne Entwickler verwenden Dify, um einen KI-Lernbegleiter zu erstellen, der Notizentools und Wissensdatenbanken integriert, um „konversationsbasiertes Lernen“ zu ermöglichen – wenn Sie auf Probleme stoßen, können Sie im Assistenten Fragen stellen, und der Assistent ruft Antworten aus persönlichen Notizdatenbanken und Netzwerksuchen ab. Anwendbare Grenze: Geeignet für Fragen und Antworten zu fragmentiertem Wissen, nicht geeignet für systematisches Kurslernen und Fertigkeitstraining.

Quantitative Ableitung der Kostensenkung und Effizienzsteigerung (Schätzung basierend auf den Eigenschaften der Dify-Plattform)

Jobrollen	Typische Aufgaben	Traditionell zeitaufwändig	Nach Dify-Unterstützung	Effizienzsteigerung
Neue Medienoperation	Wöchentliche/monatliche Berichte schreiben	2-4 Stunden/Kopie	20–40 Minuten (manuelle Überprüfung)	~80%
Kundendienstspezialist	Rückgabe- und Umtauschabwicklung	5-10 Minuten/Bestellung	30 Sekunden (KI-Abschluss) + 1 Minute (manuelle Bestätigung der Tastenbedienung)	~70 %
Junior-Programmierer	API-Dokumentation schreiben	3-6 Stunden/Teil	30 Minuten (KI-Generierung) + 20 Minuten (menschliche Korrektur)	~80%
Recht/Compliance	Suche nach Vertragsbedingungen	30-60 Minuten/Kopie	5-10 Minuten (RAG-Suche)	~80%
Produktmanager	Wettbewerbsfähige Produktanalyse	2-3 Tage	2–4 Stunden (erfordert manuelle Überprüfung der Datenquellen)	~70 %

Bei den oben genannten Daten handelt es sich um abgeleitete Werte, die auf typischen Szenarien basieren. Die tatsächliche Effizienzsteigerung hängt von der Ausgereiftheit des Workflow-Designs und den Fähigkeiten des zugrunde liegenden Modells ab.

Grenze der Mensch-Maschine-Zusammenarbeit

Die Workflow-Engine von Dify unterstützt die Einrichtung eines „Human-in-the-Loop“ an jedem Knoten, der bestimmt, welche Abschnitte automatisiert werden können und welche manuelles Eingreifen erfordern:

• Kann zu 100 % automatisiert werden: Informationsabruf, Klassifizierung und Markierung von Inhalten, Erstellung von Dokumentzusammenfassungen, Konvertierung von Datenformaten, Standardfragen und -antworten. Diese Abschnitte weisen eine hohe Fehlertoleranzrate auf und verursachen selbst bei gelegentlichen Fehlern keine nennenswerten Verluste.

• Manuelle Bestätigungspunkte müssen festgelegt werden: Einbeziehung von Fondsvorgängen (Rückerstattungen, Übertragungsgenehmigung), Erstellung von Vertragsklauseln, Überprüfung extern veröffentlichter Inhalte sowie Ausgabe medizinischer Ratschläge und Rechtsgutachten. Das Workflow-Design von Dify sollte vor diesen Knoten einen Pausenknoten „Warten auf manuelle Genehmigung“ einfügen und die Ausführung dann fortsetzen, nachdem die manuelle Überprüfung bestanden wurde.

• Empfohlene Halbautomatisierung: Bearbeitung von Arbeitsaufträgen im Kundenservice – KI generiert Antwortvorschläge, die nach manueller Bestätigung gesendet werden; Wettbewerbsproduktanalysebericht – KI vervollständigt den ersten Entwurf und überprüft manuell die Richtigkeit der Datenquellen und Schlussfolgerungen.

Anwendbare Gruppen von Dify

• Full-Stack-Entwickler und technisches Team: Difys Kernbenutzergruppe. Entwickler nutzen visuelle Workflows, um schnell KI-Anwendungsprototypen zu erstellen und diese dann über APIs in Produktionsumgebungen zu veröffentlichen. Nicht für Grenzen geeignet: Wenn das Team bereits über eine ausgereifte LLM-Aufrufinfrastruktur verfügt (z. B. ein selbst entwickeltes Modell-Gateway und ein Prompt-Management-System), kann die Abstraktionsschicht von Dify eher zu einer Einschränkung als zu einer Hilfe werden.

• Internes KI-Innovationsteam für Unternehmen: Projektmanager, Geschäftsanalysten und IT-Ingenieure, die für die Implementierung von KI in traditionellen Unternehmen verantwortlich sind. Die Low-Code-Funktionen von Dify ermöglichen es Teammitgliedern mit nicht-algorithmischem Hintergrund, an der Entwicklung von KI-Anwendungen teilzunehmen. Voraussetzung: Mindestens ein Mitglied muss über grundlegende LLM- und Prompt-Engineering-Kenntnisse verfügen; Andernfalls entspricht der Anwendungseffekt möglicherweise aufgrund der schlechten Qualität der Eingabeaufforderung nicht den Erwartungen.

• Unabhängige Entwickler und Einzelunternehmer: Verwenden Sie Dify, um KI-Produktideen schnell zu validieren – der Zyklus vom Prototyp bis zum MVP wird von Wochen auf Tage verkürzt. Nicht für Grenzen geeignet: Wenn die Anwendung eine stark angepasste Benutzeroberfläche oder ein komplexes Benutzerverwaltungssystem erfordert, ist das Front-End-Chat-Widget von Dify möglicherweise nicht flexibel genug und wird empfohlen, nur als Back-End-Engine verwendet zu werden.

• Nicht-technische Geschäftsleute (eingeschränkt): Difys „Low Code“ ist nicht gleich „Zero Code“. Geschäftsmitarbeiter können voreingestellte Vorlagen verwenden, um einfache Q&A-Bots zu erstellen. Bei Aufgaben wie der Workflow-Orchestrierung, der Konfiguration von Agent-Tools und der Optimierung der Wissensdatenbank ist jedoch weiterhin Unterstützung durch technisches Personal erforderlich. Geltende Bedingungen: Das Team, für das Sie arbeiten, verfügt über technisches Personal, das die Erstkonfiguration und den laufenden Wartungssupport übernimmt.

Zusammenfassung und Ausblick

Kernkompetenzen: Dify hat unter ähnlichen Produkten den ausgewogensten Kompromiss zwischen „Benutzerfreundlichkeit von Low-Code“ und „technischer Skalierbarkeit“ erzielt. Es ist nicht die flexibelste Plattform (Flowise bietet mehr Freiheiten bei der Anpassung von Workflow-Knoten) und auch nicht die leichteste Bereitstellungslösung (LangFlow-Einzelcontainer-Bereitstellung ist einfacher), aber es ist derzeit die einzige integrierte Open-Source-Plattform, die auch einen ausgereiften RAG-Wissensdatenbank-Agent-Builder, ein Modell-Gateway und ein Überwachungspanel bietet. Für Teams, die „out-of-the-box + Selbsthosting + kontrollierbare Datensouveränität“ benötigen, ist Dify die erste Wahl.

Aktuelle Einschränkungen und Unsicherheiten:

• Hohe Parallelitätsleistung: Die auf Celery + Redis basierende Architektur der Community Edition kann bei mehr als 100 Parallelitäten zu Engpässen führen und eine groß angelegte Produktion erfordert die Bereitstellung von K8s und eine umfassende Optimierung.
• RAG Accuracy Dependency Chain: Die Abrufqualität der Wissensdatenbank hängt stark von der ausgewählten Kombination aus Einbettungsmodell-Chunking-Strategie und Reranking-Modell ab. Es gibt kein Allheilmittel für „eine Reihe von Konfigurationen, die für alle Dokumenttypen geeignet sind“.
• Agentenreife: Im Vergleich zum Agenten-Ökosystem von Coze und OpenAI GPTs besteht bei Difys Agent noch Raum für Verbesserungen in Bezug auf den Reichtum des Tool-Marktes und die Aufgabenerfolgsrate des mehrstufigen Denkens.
• Transparenz der Enterprise Edition: Die Preise, der Fortschritt der Compliance-Zertifizierung (SOC2 usw.) und die SLA-Bedingungen der Enterprise Edition werden nicht offengelegt, und Sie müssen vor dem Kauf direkt mit dem Team kommunizieren, um eine Bestätigung zu erhalten.

Folgebeobachtungspunkte:

• Leistung der Agent-Orchestrierungsfunktionen bei mehrstufigen komplexen Aufgaben (z. B. Aufruf mehrerer Toolketten, Speicherverwaltung).
• Implementierungsfälle und Fortschritte bei der Compliance-Zertifizierung der Unternehmensversion in regulierten Branchen wie dem Finanzwesen und der medizinischen Versorgung.
• Die ökologische Baugeschwindigkeit des Plug-In-/Tool-Marktes und die Aktivität Dritter.
• Nachhaltigkeit der Kommerzialisierung – ob die Preise der Cloud-Version mit der Hinzufügung von Funktionen angepasst werden und ob die Quote der kostenlosen Versionen schrumpft.

Beschaffungs- und Einführungsrisikobewertung:

• Pilot für Einzelpersonen/kleine Teams: Beginnen Sie mit der Docker Community Edition oder der Cloud Free Edition, überprüfen Sie sie 2–4 Wochen lang anhand realer Geschäftsszenarien und konzentrieren Sie sich dabei auf die Bewertung der RAG-Genauigkeit und der Agenten-Erfolgsrate. Das technische Team empfiehlt, der Community-Version für die Selbstbereitstellung Vorrang einzuräumen, und kleine Teams, die keinen Betrieb und keine Wartung benötigen, wählen direkt die Cloud-Professional-Version.
• Erweiterung auf Unternehmensebene: Nach dem Bestehen der Pilotverifizierung wird eine Erweiterung gemäß dem dreistufigen Pfad „Fragen und Antworten zur Wissensbasis -> Automatisierter Workflow -> Agentenautonome Aufgaben“ empfohlen. Vor dem Kauf der Unternehmensversion müssen Sie den Compliance-Zertifizierungsstatus, die Datenspeicherregion und die Datenverschlüsselungsstrategie mit dem Dify-Team bestätigen. Für die Finanz- und Medizinbranche wird empfohlen, einen SOC2-Typ-II-Bericht oder ein gleichwertiges Konformitätszertifikat vorzulegen. SLA-Bedingungen (Verfügbarkeit, Reaktionszeit, Fehlerbehebungszeit) und Datenmigrations-/Exportbedingungen müssen im Vertrag klar festgelegt werden, um das Risiko einer Anbieterbindung zu vermeiden.
• Nicht zur Auswahl geeignet: C-seitige Anwendungen, die eine stark angepasste Benutzeroberfläche erfordern, Szenarien mit extrem hohen Echtzeitanforderungen (Millisekunden-Reaktion) und Teams, die stark vom bestehenden LangChain-Ökosystem abhängig sind – dedizierte Lösungen oder LangFlow sind in diesen Szenarien möglicherweise besser geeignet.

Verwandte Tools: DeepSeek, ChatGPT

Versionsinfo

• Verändern Sie v0.12.0 ：Einen offiziellen genauen Termin gibt es noch nicht. Verbesserte Agenten-Orchestrierung und Modell-Gateway-Funktionen zur Unterstützung weiterer LLM-Anbieter. （~2026-06）
• Verändern Sie v0.11.0 ：Einen offiziellen genauen Termin gibt es noch nicht. Einführung einer erweiterten RAG-Pipeline zur Unterstützung der Kontextverwaltung von Gesprächen mit mehreren Runden. （~2026-03）