M7-02：开源项目深度解读 — Dify 与 LangChain

学习目标：理解当前主流 AI 开发框架的定位与架构，能够为不同产品场景选择合适的技术栈，与工程师进行有效的技术对话。

---

一、AI 开发生态全景

在正式介绍 Dify 和 LangChain 之前，先建立一张"地图"，了解整个 AI 应用开发生态的层次结构。

┌─────────────────────────────────────────────────────────┐
│                     终端用户 / 业务系统                    │
├─────────────────────────────────────────────────────────┤
│              AI 应用层（Dify / 自研应用 / SaaS）           │
├──────────────────────┬──────────────────────────────────┤
│   编排框架层           │  工具与集成层                      │
│  LangChain / LangGraph│  向量数据库 / 搜索引擎 / 外部 API   │
├──────────────────────┴──────────────────────────────────┤
│              大模型 API 层                                 │
│    OpenAI / Claude / Gemini / 国内模型（通义/文心/混元）    │
├─────────────────────────────────────────────────────────┤
│              基础模型层（训练/托管）                        │
└─────────────────────────────────────────────────────────┘

产品经理的核心关注点在「AI 应用层」和「编排框架层」——这两层决定了产品的研发速度、扩展能力和维护成本。

---

二、Dify 深度解读

2.1 Dify 是什么？

Dify 是一个开源的 LLM 应用开发平台，定位是"让非技术人员也能搭建 AI 应用"。它于 2023 年上线，在 GitHub 上迅速积累数万 Star，已成为国内外最流行的 AI 应用平台之一。

核心价值主张：

• 可视化界面 + 低代码，降低 AI 应用的搭建门槛
• 内置 RAG pipeline、Agent builder、模型管理
• 支持私有化部署，数据不出内网

2.2 Dify 架构解析

Dify 平台架构
├── Studio（可视化编排界面）
│   ├── 聊天助手（Chatbot）
│   ├── 文本生成（Completion）
│   ├── 工作流（Workflow）
│   └── Agent
├── 知识库（Knowledge）
│   ├── 文档解析与切片
│   ├── 向量化（Embedding）
│   └── 检索召回
├── 模型管理
│   ├── 支持 100+ 模型接入
│   └── 统一的 Model Provider 接口
├── 插件/工具
│   ├── 内置工具（搜索/代码执行/图像）
│   └── 自定义 API 工具
└── 运维监控
    ├── 日志与标注
    └── A/B 测试

2.3 视觉化工作流（Workflow）

Dify 的 Workflow 是其最强大的功能之一。通过拖拽节点，可以构建复杂的多步骤 AI 流程，无需写代码。

常见节点类型：

实际案例：某法律公司用 Dify Workflow 构建了一个合同审查流程：

1. 用户上传合同 PDF → 解析节点提取文本
2. 并行执行：条款识别 + 风险扫描
3. LLM 节点生成审查报告
4. HTTP 节点推送到内部 OA 系统

2.4 RAG Pipeline

RAG（Retrieval-Augmented Generation，检索增强生成）是 Dify 的核心场景之一。

用户提问
    ↓
查询改写（Query Rewrite）
    ↓
向量检索 + 关键词检索
    ↓
重排序（Rerank）
    ↓
上下文注入 Prompt
    ↓
LLM 生成答案
    ↓
引用来源展示

Dify 知识库的关键配置项（产品经理需要理解）：

• 切片策略：按段落/按句子/自定义 — 影响检索精度
• Embedding 模型：text-embedding-ada-002 / BGE / 本地模型
• 检索模式：向量检索 / 全文检索 / 混合检索
• Top-K：召回几条 — 越多上下文越丰富，但 token 消耗越多

2.5 Agent Builder

Dify 的 Agent 支持两种模式：

内置工具示例：网页搜索（Google/Bing）、代码解释器、DALL·E 图像生成、Wolfram 数学计算。

2.6 Dify 适用场景

推荐使用 Dify 的情况：

• 企业内部知识库问答（客服、HR、法务）
• 快速验证 AI 产品原型，1-2 天出 Demo
• 非技术团队需要自己维护 AI 流程
• 需要私有化部署，数据安全要求高
• 预算有限，不想写大量工程代码

不推荐使用 Dify 的情况：

• 需要高度定制化的业务逻辑，节点覆盖不了
• 对性能和延迟极度敏感的场景
• 已有成熟 Python 后端，集成成本高

---

三、LangChain / LangGraph 深度解读

3.1 LangChain 是什么？

LangChain 是一个面向开发者的 LLM 应用开发框架，用 Python 和 JavaScript 编写。它提供标准化的组件和抽象，让开发者用代码构建复杂的 AI 应用。

发展脉络：

• 2022 年底发布，迅速成为 LLM 开发的"标准库"
• 2024 年推出 LangGraph，解决复杂 Agent 编排问题
• LangSmith 提供可观测性（tracing、evaluation）

3.2 LangChain 核心概念

Chains（链）

将多个组件串联成一个处理流程：

# 示例：简单的 RAG Chain
from langchain_core.runnables import RunnableParallel, RunnablePassthrough

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | output_parser
)

response = chain.invoke("公司的假期政策是什么？")

Agents（智能体）

让 LLM 自主决策调用哪些工具：

from langchain.agents import create_openai_tools_agent, AgentExecutor

tools = [search_tool, calculator_tool, database_tool]
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

result = agent_executor.invoke({"input": "帮我查一下今天上海的天气，并计算穿衣指数"})

Memory（记忆）

管理对话历史，让模型"记住"上下文：

Tools（工具）

LangChain 拥有庞大的工具生态：

数据源：Wikipedia / ArXiv / PubMed / SQL数据库 / CSV文件
搜索：Google / Bing / DuckDuckGo / Tavily
代码：Python REPL / Bash
API：Gmail / Slack / GitHub / Notion

3.3 LangGraph：复杂 Agent 的解决方案

LangGraph 将 Agent 工作流建模为有向图，解决了 LangChain 在复杂流程中的局限：

         ┌─────────┐
         │  START  │
         └────┬────┘
              ↓
         ┌─────────┐
    ┌──→│  Agent  │←──┐
    │    └────┬────┘   │
    │         ↓        │
    │   [需要工具?]     │
    │    ↓       ↓     │
    │  [是]    [否]    │
    │   ↓              │
    │ ┌──────┐         │
    └─│ Tool │         │
      └──────┘         │
              ↓        │
            [完成?]    │
             ↓    ↓    │
           [是] [否]──┘
             ↓
           END

LangGraph 的优势：

• 支持循环（Cycle），Agent 可以反复尝试
• 状态持久化，支持人机协作（Human-in-the-Loop）
• 更细粒度的流程控制

3.4 LangChain 适用场景

推荐使用的情况：

• 工程师主导开发，需要高度定制化
• 复杂的多步骤 Agent 流程
• 需要与现有 Python 系统深度集成
• 需要精确控制每一个环节的逻辑
• 团队已有 Python 开发能力

不推荐使用的情况：

• 业务团队需要自己维护，没有工程师
• 追求快速验证，两天出 Demo
• 简单的 RAG 问答，用 Dify 5 分钟搞定的事情

---

四、三种方案对比：Dify vs LangChain vs 直接调 API

---

五、产品场景选型指南

场景一：企业内部知识库

推荐方案：Dify

理由：业务团队可自助管理知识库内容，上传文档即用，维护成本低。Dify 的 RAG pipeline 对大多数文档问答场景已经足够。

场景二：复杂客服 Agent

推荐方案：LangGraph

理由：需要查订单、查库存、处理退款等多个工具调用，需要复杂的条件判断和状态管理，LangGraph 的图模型更适合。

场景三：AI 功能原型验证（2 周内上线）

推荐方案：Dify

理由：快速搭建可交互 Demo，验证用户价值，获得反馈后再决定是否用 LangChain 重写。

场景四：AI 写作助手（深度定制）

推荐方案：LangChain + 直接 API

理由：写作场景对 Prompt 工程、输出格式、流式输出都有高要求，需要精细控制每一个环节。

场景五：多模态处理流水线（图文混合）

推荐方案：Dify Workflow 或 LangChain

理由：Dify Workflow 支持图片节点和多模态模型，适合快速搭建；LangChain 适合需要复杂逻辑的场景。

---

六、快速上手指南

Dify 5 分钟体验

# Docker 本地部署
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

# 访问 http://localhost
# 注册账号 → 新建应用 → 选择「聊天助手」→ 配置模型 → 测试

产品经理建议：不需要自己部署，直接访问 cloud.dify.ai 注册免费账号，跑通一个知识库问答 Demo。

LangChain 10 分钟体验

# 安装
pip install langchain langchain-openai

# 最简单的 RAG Demo
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

# 1. 准备文档
texts = ["公司年假政策：入职1年10天，3年15天", "报销需在30天内提交发票"]

# 2. 构建向量库
vectorstore = FAISS.from_texts(texts, OpenAIEmbeddings())
retriever = vectorstore.as_retriever()

# 3. 构建 Chain
prompt = ChatPromptTemplate.from_template(
    "根据以下内容回答问题：\n{context}\n\n问题：{question}"
)
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI()
)

# 4. 提问
print(chain.invoke("我入职2年有几天年假？"))

---

七、产品经理的核心收获

作为 AI 产品经理，掌握这两个框架的关键不在于会写代码，而在于：

1. 需求拆解：能把产品需求拆解成"知识库 + LLM + 工具调用"的组合，判断哪些用框架、哪些需要自研
2. 技术评估：与工程师讨论方案时，能理解"为什么用 LangGraph 而不是 Dify Workflow"
3. 风险识别：知道 Dify 节点的局限在哪里，LangChain 的维护成本在哪里
4. 原型能力：能自己用 Dify 搭出 MVP，加速产品验证周期

一句话原则：优先用 Dify 验证，用 LangChain 打磨，用直接 API 极致优化。

---

延伸阅读

• Dify 官方文档
• LangChain 官方文档
• LangGraph 教程
• LangSmith 可观测性平台