Podcast Interview · 逐期深读

Dify创始人张路宇复盘:在AI浪潮中,一个开源项目如何应对竞争、确立路线并实现全球化

本期背景与内容导览

本期是曲凯与Dify创始人张路宇的第二次深度访谈,复盘Dify从被低估的小团队项目到全球知名开源AI应用平台的两年历程。节目将市场分为概念普及、严肃用户入场和技术成熟三个阶段,解释可视化Prompt/RAG、Workflow与插件生态分别回应了什么需求。 张路宇把Dify与LangChain、Coze、GPTs、n8n的区别落到用户定位和生产要求:LangChain偏开发者工具库,Dify面向有业务流程但技术有限的用户,帮助他们把SOP、API与模型组织成可靠应用。真正的产品能力不只是模型,还包括工程抽象、行业流程、独家数据或用户体验。 工程价值是本期主线:可变与不可变部分需要被清楚分层,用户自研组件可以热插拔、持续升级,核心平台更新不应破坏既有技术资产。Workflow为关键节点提供检查、人工协作与可靠交付,模型中立降低企业长期绑定风险。开源支撑全球化、信任与技术标准传播,日本市场的自然增长与此相关。 后半期保留神经符号AI、SaaS快时尚、团队扩张不足、使命认知、首席上下文官和快乐与创造力的讨论。它们是张路宇的技术与组织判断,不是Dify已经验证的全部结果,也不应把个别商业案例写成行业定律。

42章经 · 2025-12-06 · 1:19:25

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:02–00:29:34连续对话 1

00:00:20–00:04:11复盘两年:AI市场认知与技术范式的三次迁移

  • 请你先简单讲讲这两年(2023-2025)的总的感受。

主持人曲凯邀请Dify创始人张路宇复盘产品自2023年5月开源以来的发展历程。曲凯提到,Dify的快速成长超出了许多人的预期,并希望借此机会回顾过去两年AI市场的变化。

张路宇将过去两年(2023-2025)的市场认知与技术范式变迁划分为三个阶段:

1. 2023年:概念普及期。 市场对AI的认知尚浅,一个产品只要能将新技术(如Prompt工程、RAG)以可视化的友好界面呈现出来,让普通人可以理解,就足以获得关注。Dify的第一个版本正是凭借“可视化Prompt工程”和简陋但开创性的“可视化RAG”理念走红。当时,“Prompt工程”是热点,而现在已演变为“上下文工程”。

2. 2024年:严肃用户入场期。 从年中到下半年,有付费能力的企业级用户开始严肃地采纳AI技术。张路宇指出,新技术出现到被这类用户大规模采纳之间,存在半年到一年的延迟,这为产品迭代提供了充足的时间窗口。Dify在2024年三四月份发布了核心功能Workflow,并构建了插件生态,旨在解决构建复杂应用时如何消除模型幻觉、如何结合现有API与大语言模型(LLM)的问题。

3. 2025年:技术成熟与假设验证期。 开源模型性能大幅提升,多模态技术普及,关于开源与闭源模型孰强孰弱的争论已经平息。张路宇认为,这验证了Dify早期的一些核心假设,如“多模型共存是未来趋势”以及“模型中立的中间件是必要的”。

Prompt工程 (Prompt Engineering)在2023年流行的一个术语,指通过设计和优化输入给大语言模型的文本(即Prompt),来引导模型生成期望输出的技术和过程。在本对话中,它被视为一个早期概念,现已演进为更广义的“上下文工程”。
RAG (Retrieval-Augmented Generation)检索增强生成。一种结合了信息检索与文本生成的技术框架。当模型需要回答问题或生成内容时,它首先从一个外部知识库(如公司的文档、数据库)中检索相关信息,然后将这些信息作为上下文(Context)提供给大语言模型,辅助其生成更准确、更具事实性的回答。这可以有效减少模型的“幻觉”。
Workflow (工作流)在本对话中,指一种可视化的方式,将一个复杂的AI应用或任务拆解成一系列按顺序或逻辑连接的节点(步骤)。每个节点执行一个具体操作,如调用模型、访问API、处理数据等。用户可以通过拖拽和配置这些节点来构建和编排AI应用,从而实现对整个流程的精确控制和结果的可预测性。
模型中立 (Model Agnostic)指一个平台或工具不依赖于任何单一的特定大语言模型。它设计上支持接入和切换多种不同的模型(如来自OpenAI、Google、Anthropic或开源社区的模型),让用户可以根据成本、性能或特定需求灵活选择。这是Dify的一个核心设计原则。

话题推进:回顾完市场变化与Dify的早期假设后,主持人曲凯将话题转向了Dify在发展过程中面临的具体竞争,首先提到了早期最大的质疑来源——与LangChain的比较。

00:04:11–00:10:54Dify与LangChain的本质区别:用户定位与产品价值

  • Dify跟LangChain到底是什么区别?你今天回头来看这个问题,你会怎么想?
  • (追问)你现在其实是在很左的,对吧?只是你希望越来越往右走。
  • (追问)n8n现在是几,你觉得?Coze呢?Coze是更偏右的吗?

主持人曲凯回忆,在2023年融资时,外界最主要的质疑之一是Dify与当时已经很火的LangChain的区别。张路宇承认,两年前他对此的回答不够清晰,只能模糊地强调“体验更好”。

现在,张路宇认为Dify与LangChain的本质区别在于“用户定位”。他用一个从左到右的“技术光谱”来解释:

* LangChain:定位在光谱的“左侧”,面向具备相当编程能力的开发者,旨在通过工具库(如LangSmith)加速其编码开发与调试过程。

* Dify:目前定位在光谱的“中间”(5/10的位置),目标是逐渐向“右侧”的弱技术甚至无技术背景的用户偏移。张路宇以Dify在日本市场的成功为例,许多无技术背景的白领正使用Dify构建企业内部的SOP和Agent。

在与同类产品的比较中,张路宇给出了自己的判断:

* n8n:比Dify更“左”,技术属性更强。

* Coze:比Dify更“右”,但其“生产属性”不强。

接着,张路宇深入分析了“用AI做好产品”所需具备的四种核心能力,并以此解释为何许多类似GPTs和Coze的产品难以成功。他认为,一个有价值的AI产品需要具备以下至少一种稀缺能力:

1. 硬科技:拥有硬件或核心算法优势。

2. 极致的用户体验构建能力:例如游戏开发者,能在LLM之上创造生动的交互体验,尤其适用于情感陪伴、语言学习等应用。

3. 特殊壁垒:拥有独家数据资源。

4. 流程(SOP):对特定业务流程有深刻理解。不同企业即使业务相同,其流程也存在差异,这体现了各自的价值观和效率。例如,不同公司的报销流程长短不一。

张路宇强调,在这四种能力中,只有“流程”是可复用、可泛化的,而前三者都因其稀缺性而难以复制。因此,像GPTs和Coze这类面向大众的创作平台,其用户大多不具备上述四种能力,自然难以创造出有持续价值的好产品。这从根本上决定了它们与Dify的定位不同,并非直接竞争。

‘用户定位’决定产品替谁消除哪种复杂性:LangChain给会编程的人提供组件与调试工具,Dify给有具体业务流程但技术有限的人提供工作流与运行环境。后者要创造价值,仍需有行业流程、数据、体验或硬科技中的一种,不会因为使用同一个平台就自动出现好应用。

这解释了为什么GPTs或Coze不一定与Dify直接竞争:大众创作者若没有明确流程与交付要求,容易做出一次性玩具;企业内部用户则关心权限、可靠性、维护与已有系统连接。张路宇对流程可泛化性的强调是产品判断,不应被写成流程永远比算法和数据更重要。

话题推进:在阐明了与LangChain的定位差异后,主持人顺势将话题引向了其他几个被认为是Dify竞对的产品,如Coze和GPTs。

00:10:55–00:15:56面对大厂冲击:为何Coze和GPTs未能“杀死”Dify

  • 从一开始的时候是跟LangChain去竞争,然后中间呢是Coze出来了,对吧?然后大家又有一波质疑说自己做了Dify还怎么办?这个过程你觉得是怎么样?
  • 然后GPTs是哪一波呢?我记得其实那一波呢,大家也很紧张,对吧?我觉得因为那是第一次真的模型自己来做这件事。
  • (追问)但我记得那波其实Dify做了很好的一个品牌的动作,然后借着GPTs也涨了很多吧?
  • 然后就是到n8n了……所以n8n这个事你怎么看?
  • (追问)所以从你刚才讲的像定位的理论啊等等,你觉得n8n跟Dify是一个很强的竞争对手吗?

主持人曲凯提到,Dify在发展中经历了多轮来自不同规模对手的竞争,包括字节跳动(Coze)、创业公司(LangChain)和模型厂商(OpenAI的GPTs)。张路宇认为,Dify已经证明了其生存能力。

关于Coze和GPTs:

张路宇坦言,Coze在2023年7月发布时,他确实焦虑过,但“没有超过两天”。他很快意识到双方的受众和组织能力完全不同。Dify始终聚焦于企业上下文,连接企业的人才、工具、数据和流程,将LLM的能力植入这个环境中生长。他用一个比喻解释:“模型就像一条鱼,放到不同的鱼缸里会长成不同的样子。”LLM在IDE里变成了Cursor,在Web沙盒里是Manus,而在企业环境里就是Dify。

对于GPTs,张路宇认为它是一个“没有想清楚的产品”。尽管其理念是“让人人创作Bot”,并拥有巨大的流量入口,但它未能成功的原因与Coze类似:它没有解决“谁能创作出有价值的东西”这一核心问题。绝大多数普通用户并不具备创造可分发、有实用价值产品的能力。

不过,张路宇也承认,OpenAI的产品发布在“市场教育”方面帮了Dify大忙。当OpenAI推出类似概念的产品后,用户一夜之间就理解了Dify是做什么的,省去了Dify大量的解释成本。

关于n8n:

主持人指出,近半年来n8n热度很高,在用户认知中常与Dify相提并论。张路宇分析,n8n是一家2019年成立于欧洲的公司,早期定位是做开源、低成本的自动化方案,对标Zapier,与AI无关。它近期的成功,得益于过去数年积累的连接件(工具和模板)生态优势,再结合出色的营销。他认为,在用户认知层面,Dify和n8n确实存在竞争和交集。n8n的优势在于自动化连接件多,而Dify的优势在于AI-native的工程能力,尤其在RAG、多模态上下文处理等方面远胜于n8n(后者只是简单包装了LangChain)。此外,Dify能提供从应用创建到交付的端到端完整流程,这是n8n做不到的。因此,他认为两者未来需要某种程度的结合。

话题推进:在分析完n8n之后,主持人提到了OpenAI近期发布的AgentKit,再次引发了“Dify要被杀死”的论调,话题自然转向了Dify如何看待与模型厂商的直接竞争。

00:15:57–00:22:25工程的价值:Dify如何与模型厂商竞争并构筑壁垒

  • 然后就到最近OpenAI发这个AgentKit……今年呢我看很多人讲说n8n跟Dify要被杀死……
  • (追问)所以你觉得AgentKit也是一个类似的情况?
  • (追问)从这个角度来讲,是不是就是模型商自己或者大厂自己做的东西,也是更不如可选模型的这种开源的项目。
  • 然后我相当时大家还有的质疑是什么呀?当时其实到目前为止也是,大家一直觉得中间层比较薄嘛,对吧?
  • (追问)有没有某个具体产品点的例子,是这么一套流程和方法做出来的?就是你讲的,就是如果用Codex做出来的这些东西,跟你人做出来的到底具体的在产品上体现的区别,会是某个具体的什么点?

主持人提到,每当OpenAI发布新品(如AgentKit),总有媒体宣称Dify等产品要被“杀死”。张路宇认为这是一种“非黑即白”的观点,在ToB领域尤其不适用,因为产品与客户之间建立了基于长期信任的多元链接。

与模型厂商的竞争策略:

张路宇指出,Dify从第一天起就坚持“开源、ToB、全球化”三大原则,并由此衍生出模型中立、开放生态、工程优先等一系列策略。他认为,企业决策者在选择中间件或开发平台时会非常谨慎,因为这是一项长期的“技术投资”,关乎基础建设。他们绝不敢将自己的技术战略与单一模型厂商完全绑定。而Dify这样的中立平台,如同一个可以接入各种标准电器的“插座”,让企业的技术投资不会犯错,因此在与模型厂商和云厂商的竞争中优势明显。对于AgentKit,他判断其在6个月内不会对任何产品构成威胁。

“薄中间层”质疑与工程的价值:

针对“中间层很薄”的普遍质疑,张路宇反驳道,市场认为“工程不值钱”是一个巨大的误区,而Dify认为“最值钱的就是工程”。他解释,优秀的工程能力体现在:

1. 精妙的抽象与分层设计:在目标用户和业务之间做抽象,清晰地划分可变与不可变的部分。例如,Workflow的“节点颗粒度”设计,太细则像编程,用户难上手;太粗则能力不足。找到其中的平衡点需要大量的实践和判断。

2. 与现实世界的磨合:一个成熟的产品是与无数客户、开发者在真实生产情景中长期磨合的结果。这个过程相当于用客户投入的“学费”(时间和金钱)来打磨产品,使其真正满足需求。他引用消息称,AgentKit有80%的代码由AI(Codex)生成,这恰恰说明其不重视工程,所以产品必然是“薄”的。

张路宇举例说明了Dify的工程价值:Dify的Workflow和RAG中的关键组件(如知识库、算法)是完全可扩展的,支持“热插拔”。用户可以独立开发和升级自己的组件,同时又能持续升级Dify的核心版本(如从1.0到1.9),而自己开发的“技术资产”不会因为平台升级而失效。这种向后兼容和可扩展性对开发者至关重要,保证了他们长期投资的安全性。

工程价值首先体现在长期兼容性:平台升级不应让用户的组件、知识库、算法和既有工作流失效。热插拔让用户能独立扩展和更新,核心版本继续演进时,旧技术资产仍可运行。对企业来说,这比一次demo更像基础设施投资。

模型中立又降低战略绑定风险:企业可以按任务更换模型与供应商,平台负责抽象和维护共同接口。张路宇认为这就是中间层的价值,但中间层并非越厚越好,过于细碎会像编程,过于粗又会失去能力。工程抽象要在可理解、可扩展与可维护之间取得平衡。

话题推进:谈到版本升级,主持人自然地问及Dify频繁迭代的策略,以及为何在将近两年后才发布正式的1.0版本。

00:22:26–00:29:34在不确定性中演进:Dify的柔性工程与Workflow的长期价值

  • 话说Dify确实升级很快……这个过程你的思考是怎么样的?
  • 有个小问题啊,就是我看很多人会讲说Dify升级以后bug很多。
  • 但是你说所有其他的类似的规模的开源项目,也都会有这个问题吗?
  • 然后关于Workflow这个问题,至少过去半年吧,也有非常多人讲说到底未来Workflow是不是存在,有没有必要性,对吧?
  • (追问)这个是不是也跟2B2C的不同场景相关?
  • (追问)大家目标肯定都是这个嘛。理解你讲的就是大家的路径是不同的,就是你是一个更务实的路径,对吧?

主持人提到Dify迭代速度快,但长期处于0.x版本,直到2025年才发布1.0。张路宇解释了背后的“柔性工程”理念。他认为,在AI技术剧烈变化的时代,做技术基础设施好比“在波涛汹涌的海上建造一个浮动码头”。在外部环境(如模型技术、RAG的地位、微调技术等)高度不确定的情况下,过早宣布1.0版本是不负责任的,会导致产品架构的撕裂和漂移。直到2025年,团队判断外部技术环境已趋于稳定,且Dify当前的架构值得信赖三到五年,才正式发布1.0版本。

对于社区版升级后bug多的问题,张路宇承认这是开源项目普遍面临的挑战。Dify由原厂团队和超过1000名社区贡献者共同开发,保障测试质量极为困难,需要在“稳定”与“激进的技术迭代”间找平衡。他强调,企业版(Enterprise version)会经过更充分的测试,发布更稳健,没有这个问题;而社区版为了快速跟进新技术(如MCP),迭代会更快,难免出现瑕疵。

随后,主持人询问了关于“Workflow是否会被AI自动化替代”的争议。张路宇非常坚定地认为不会。他解释,Workflow之所以存在,是因为在工作场景中,人们对生产流程和推理逻辑的结果要求“高度的可预测性”,企业需要95%甚至更高的可靠性。他认为,实现完全智能化的路径有两条:

1. 激进路线:直接冲向AGI,试图用一个输入框解决所有问题。这条路给用户的感受是“受挫、不可靠、焦虑”。用户需要不断“抽卡”,在大量结果中人工筛选,这本质上是“有人值守”的工作。

2. Dify的务实路线:从当前高度可靠的编码(High-code)方式出发,逐步向智能化转换。这条路如同“开不坏的丰田车”,在技术演进的几年间,始终为技术投资者提供“轻松、安全、可靠”的体验。Workflow就是这个过程中的“检查点”,它将复杂的任务拆解,允许在关键节点进行人工协作或自动校验,以确保最终结果的可靠性,实现真正的“无人值守”。

张路宇总结,Dify选择了一条更务实、更稳健的路径,让用户当下就能用起来,并随着模型技术的进步而平滑演进,而不是让用户为不成熟的前沿探索“交学费”。

Workflow的长期价值在于把复杂任务拆成可检查节点:每步都能定义输入、输出、工具、人工确认和异常处理,使企业在模型不稳定时仍能维持流程。它不是拒绝更自动化的Agent,而是先让当前工作可靠,再随模型能力增加自动化比例。

张路宇将1.0推迟到外部技术与内部架构相对稳定,也是一种工程决策:过早承诺固定结构会让用户承担架构漂移。社区版追求快速迭代、企业版强调稳定测试,说明开源项目的稳定性不能只靠贡献者数量,还要靠测试、兼容和发布责任。

话题推进:本段深入探讨了Dify的产品哲学和技术路线选择,下一段将继续延伸,讨论Dify对未来技术架构的判断,以及如果重来一遍,哪些决策会做得更好。

00:29:34–00:59:55连续对话 2

00:29:34–00:32:43Dify坚信的技术路线:神经符号AI

  • 当有新的、听起来很惊艳的概念(如AgentKit、n8n)出现时,Dify如何应对这种冲击?
  • 过去两年里,你是否曾因外界这些“讲故事”的产品而感到焦虑?

主持人曲凯首先提出,Dify务实的路线会持续受到新概念的冲击。这些新概念可能在少数案例中表现惊艳,让外界觉得Dify落后了。嘉宾张路宇回应,团队需要具备“去噪能力”。

在被追问过去两年是否为此焦虑时,张路宇阐述了Dify坚信的技术路线,以此说明其战略定力。他认为,未来能良好工作的Agent,必须遵循“神经符号AI”(Neuro-symbolic AI)的混合形式。他解释道,当前所有的大语言模型(LLM)都属于“神经网络AI”,擅长联想和数据展开;而“符号AI”是更早的技术,基于逻辑和判断。两者的结合,即“神经符号AI”,是Dify认为的正确方向。

张路宇进一步从认知科学和仿生学角度论证这一观点。他对比了人脑和LLM的能耗差异:人脑开销小,是因为除了神经网络的联想能力,还内置了符号能力,例如能快速通过二叉树般的逻辑判断(如老人/小孩、男性/女性)来预测他人行为,这是一种节能系统,因为它内生了对因果关系的认知。基于这种对“智能”的根本认知,Dify对自身技术路线非常坚定。

最后,张路宇明确表示,他从未相信过像Sam Altman等人所宣扬的、仅靠Transformer这类纯神经网络路线就能解决一切问题的说法。

神经符号AI在这里是嘉宾的技术信念:神经网络负责从数据学习表示与联想,符号系统负责明确规则、逻辑和可检查约束。Workflow、知识检索与工具可被视为连接两者的工程接口,但这只是对Dify路线的一种解释,不等于所有Agent都必须采用同一形式。

张路宇以人脑低能耗和因果判断说明符号能力的价值,这属于类比和研究观点,不是对人脑机制或Dify实际智能水平的证明。保留这条路线时,应同时看到规则编写成本、覆盖范围与模型能力进步,不能用它替代具体评估。

神经符号AI (Neuro-symbolic AI)一种混合型人工智能方法。它结合了两种AI技术:1) 神经网络AI(如LLM),其输入是大量数据,通过学习数据中的模式进行联想、生成等任务;2) 符号AI,其输入是明确的逻辑规则和符号,进行推理和判断。神经符号AI旨在利用神经网络的模式识别能力处理模糊信息,同时利用符号AI的逻辑推理能力保证结果的可靠性和可解释性,被嘉宾认为是未来Agent能良好工作的技术路线。
SaaS快时尚播客中探讨的一个概念,指未来企业软件(SaaS)的消费模式可能会像快时尚服装一样。在这种模式下,企业不再长期订阅或购买大型、通用的第三方SaaS产品,而是根据自身不断变化的需求,利用AI应用开发平台(如Dify)由内部团队快速、低成本地构建和迭代一系列高度定制化、用完即弃的“小SaaS”或工作流,以解决特定的业务问题。
工程师文化在这里,它并非狭义地指工程师群体的文化,而是指一种服务于“超级个体”的高效工作模式。其核心是追求信息传递的清晰、准确和异步化,以减少沟通成本。它假设未来的工作者是与多个AI协作的“超级个体”,需要一个信息上下文完备、文档清晰、工具链完善的环境来最大化其生产力。这种文化本质上是为未来人机协同的工作方式提前做好组织和基础设施准备。

话题推进:在阐述完Dify坚定的技术路线后,主持人将话题拉回到市场竞争的实际情况,询问为何很多客户会组合使用Dify与其他工具。

00:32:44–00:35:04SaaS会变成“快时尚”吗?

  • 很多2B客户并非在Dify和竞品中做选择,而是组合使用(如Dify+LangChain,Dify+n8n),你如何理解这个现象?
  • 未来SaaS是否会变成一种“快时尚”,即企业不再购买通用SaaS,而是用Dify这类工具在内部自己构建解决方案?

主持人曲凯观察到,许多企业客户会同时使用Dify、LangChain、n8n等多种工具。嘉宾张路宇认为这是普遍现象,原因有二:第一,目前构建优秀Agent的新编程范式尚未形成,各家产品用不同范式解决问题;第二,不同团队的工程师技术水平不一,例如技术能力较强的北美程序员更偏爱LangChain,而一些东亚国家的程序员则相反。

接着,主持人提出了一个关于未来的畅想:SaaS是否会变成“快时尚”?即企业不再购买外部通用的SaaS产品(如财税SaaS),而是由业务人员和技术人员合作,利用Dify等工具快速构建内部定制化的Workflow来解决问题。

张路宇认为这个说法“说对了一半”。从人机交互的角度看,这是可以实现的。但从软件工程的角度看,一些基础的东西不会改变,比如核心业务的数据结构。以财税为例,发票上的字段、哪些敏感、哪些需要长久保存,这些稳固的结构不能随意变动。因此,他判断未来的编程范式中,人们会花大量精力去定义这些稳固的“结果”和“结构”,而结构之外的、更灵活的定制化部分,则可以交给AI完成。

话题推进:在讨论完对未来的判断后,主持人转而回顾过去,询问嘉宾在过去两年中有哪些判断不准确或做出调整的地方。

00:35:05–00:39:24复盘反思:团队扩张与使命认知

  • 过去两年半,有什么是你觉得当初判断不准确或过程中有调整的?
  • Dify是不是一度说过不做Agent?Agent的到来速度是否比你预想的快?
  • 除了Agent,还有没有其他踩过的坑,或者重来一遍会做得不一样的事情?

主持人曲凯引导嘉宾复盘过去两年半的失误或调整。他首先提问,Dify是否曾低估了Agent的发展速度。张路宇回应,Agent自主化程度的提高,关键突破在于几次模型能力的进步,而这超出了所有人的预测范围。他认为,当这种技术基点出现时,一些提前布局“守株待兔”的公司(如Coze)就会受益。Dify的风险偏好决定了不会采取这种策略,但承认这对于捕捉短期风口是正确的做法。

在被追问其他可以改进之处时,张路宇指出了两点核心反思:

1. 团队建设不够激进:他坦言,在2024年初,团队未能为年底的业务爆发式增长做好人员储备。当时团队只有十几二十人,但年底业务翻了几倍,人员却完全没跟上,导致应对非常吃力。他承认这是基于财务等因素的考量,但回看是“信念不够坚定”,并认为这是一个非常艰难的选择。

2. 对长期使命的思考不足:张路宇认为,Dify早期想清楚了要做一个流行的开源中间件这个短期愿景,但没有想清楚5到10年的使命。产品早期更偏向个体化应用,而没有深入思考如何适应更大规模的组织应用,以及如何服务于未来小微团队处理大规模工作流程的新生产方式。他将Dify今天的使命定义为“思考未来人与AI的生产和组织关系”,并承认过去在这方面的思考不足,导致技术投入多,但在适应系统性社会结构变革上有所欠缺。

复盘部分有两个实际组织教训:业务增长前没有足够人员储备,导致年底爆发时应对吃力;早期只清楚‘流行开源中间件’的短期愿景,没有充分思考长期的人与AI生产关系。它们比‘是否低估Agent速度’更能说明组织需要随业务阶段重写使命。

张路宇后来把使命放到未来人与AI的生产和组织关系,说明Dify不再只是工具,还要帮助小团队完成更复杂工作。这个使命是后续方向,不应被回写成创业第一天就已经清晰,也不能仅凭愿景判断组织已经准备好。

话题推进:在复盘了过去的不足之后,主持人将话题转向Dify当下的实际应用场景,询问与两年前相比有何变化。

00:39:25–00:45:41从陪聊Bot到企业级智能改造

  • 两年前很多人用Dify做bot、陪聊、知识库问答,现在有什么大的转变吗?
  • 除了Anker的例子,还有哪些用Dify搭建的有趣具体场景?很多人对AI在企业应用的想象仍停留在知识库、客服。
  • 企业到底把Dify定义成什么?脚手架、开发工具、胶水,还是一个操作系统?

主持人曲凯回顾两年前Dify的主要应用场景(如聊天机器人、知识库),询问当下的变化。张路宇重申了他两年前的观点,即“不应该存在那么多bot”,这并非一个泛化的真实需求。他观察到,现在相当多的开发者和团队在用Dify构建非常复杂的流程,最复杂的Workflow甚至有四五百个节点,链接了企业内各种组织关系和数据。

张路宇以Anker为例,说明企业级应用的深度。Anker利用Dify构建了上千个工作流,集成了上万个原子化能力。更重要的是,他们已经将Agent视为与人力资源对等的生产资产。在规划新业务时,他们会先设计SOP(标准作业程序),然后评估流程中的每个节点是应该由“人”来执行,还是由“Agent”来执行。张路宇表示,看到多家企业已经如此先进,将Agent提升到企业生产资产的高度,这比他预想的要快得多。

当被追问更多具体场景时,张路宇给出了一个反直觉的答案:Dify最标准的应用特征就是“不标准”。他解释说,那些常见的、标准化的场景(如财务、营销),往往已经有成熟的垂直SaaS厂商做得非常专业。而Dify用得最好的客户,恰恰是那些需要一种“胶水”来连接原有业务流程中各种非标准、复杂协作关系的场景。LLM和AI Coding的出现,使得搭建这种复杂流程的成本大大降低。

最后,关于Dify在企业中的定位,张路宇认为它会成为一种“新的组织协作方式”和“智能化的平台”。这个平台如同一个hub,连接内部的原子能力,并定义人如何与其协作(如设计流程、作为人类反馈节点)。他描绘了未来的工作方式:员工上班后打开看板,处理由系统分配的、需要人类审核或反馈的任务,并能看到整个业务的生产全景。这可以被理解为一个“操作系统”。

话题推进:嘉宾将Dify定位为未来的组织协作操作系统,主持人由此联想到嘉宾两年前关于“技术平权”的理念,并追问这一观点的现状。

00:45:42–00:48:33零销售与日本市场的现象级成功

  • Dify到底谁在用?
  • 财富500强企业的大量使用,完全是开源带来的竞争优势吗?因为你们几乎没有销售动作。
  • 可以说Dify发展至今,最正确的选择就是很早开源吗?
  • Dify在日本市场的成功很神奇,可以聊聊为什么吗?

主持人曲凯询问Dify的用户画像。张路宇表示用户遍布各行各业,很难简单回答,但他给出了一个惊人的数据:财富500强企业中,有20%都在使用Dify。

主持人追问这是否完全得益于开源策略,因为Dify基本处于“零销售”状态。张路宇确认,早期就决定开源是Dify做出的“最重要的一个决策”,这是实现全球化、解决信任问题、快速传播和推广技术标准的基础,没有这个决策,后面的一切都不成立。

接着,对话聚焦于Dify在日本市场的现象级成功。张路宇形容Dify在日本已接近“垄断地位”,在电视、书店教材、咖啡馆随处可见。他分析了成功的原因:

1. 社会结构因素:日本技术人员匮乏,同时企业业务又被高度流程化。对于习惯了用纸质报表的会计看到Excel一样,Dify的出现恰好满足了他们将流程自动化的巨大需求。Dify在2023年产品发布之初就提供了日语版本,随后在社区迅速引爆。

2. 团队的被动响应与后续投入:张路宇坦言,Dify在日本的走红过程“什么也没做”,是自然发生的。当发现产品在当地已广为流传,大量大企业前来接洽时,Dify团队甚至还没有一名员工在日本,也没有人会说日语。这种被动的成功促使他们后来在当地建立了近10人的团队来承接市场需求。

他总结,虽然日本市场传统上被认为营商壁垒很高,但Dify幸运地通过现象级的流行切了进去。而这一切的根源,再次被归因为“开源”这一关键决策。

日本市场的成功先有开源与日语版本带来的试用与传播,再有技术人员不足、流程化工作多的需求环境,最后才是团队进入当地承接。张路宇明确说早期走红并非团队主动经营,甚至没有日本员工或会日语的人,因此不能把成功描述为精心设计的出海打法。

开源解决了试用、信任和标准传播,后续仍需要本地团队、支持与商业交付。‘接近垄断’和财富500强20%使用是嘉宾口径,未独立核验;本页保留其市场自述,不把它写成第三方统计或收入证明。

话题推进:从日本市场的成功案例,自然地过渡到更广泛的全球化组织建设经验与挑战。

00:48:34–00:54:36构建全球化组织的秘诀:普世价值与工程师文化

  • 很多AI创始人都面临全球化挑战,需要在多国建立办公室并协同,你过去两年应该也遇到很多这类问题吧?
  • 作为一个两年的公司,你是如何快速学习并搞定在日本、美国等地建团队、懂规则、做落地这些复杂事情的?
  • 你最近常在社交媒体上谈论公司管理和组织,你现在是如何理解“工程师文化”的?

主持人曲凯指出,许多AI初创公司从第一天起就面临全球化的巨大挑战,并询问张路宇的经验。张路宇表示,Dify为此做了比别人更早的准备,以至于新同事会惊讶于一个两年公司竟有如此完善的内部设施和文化积淀。这是因为团队从第一天就假定“必然全球化协作”。

具体做法包括:

1. 利用AI获取信息:过去了解他国营商环境、用工移民政策等需要大量顾问和律师,现在通过向AI提出正确问题,可以迅速获得清晰的解决路径。

2. 建立基于普世价值的组织文化:Dify在创立之初就建立了一些“信任先行”的文化,这对全球优秀人才有天然吸引力。例如,对投资者完全透明,任何投资人可以查看所有内部原始文档;财务上,新员工入职即有1000美金的信用卡额度,公司采取事后审查而非事前审批的报销政策。这种文化理念源于彼得·德鲁克的“激发善意”。

3. 招聘国际化人才和使用全球化工具:团队有意识地招聘有国际背景的优秀人才,并大量使用美国主流SaaS工具链(每年花费上万美元),这本身也是一个学习先进产品能力的过程。

在谈到“工程师文化”时,张路宇表示极度同意“AI时代最重要的能力是组织能力”的观点。他认为,人与人之间的信息传递带宽(I/O)很低,而模型内部没有通讯成本。工程师文化的本质,是服务于“超级个体”的最优工作方式。他相信未来会出现大量与多个AI协作、产能极高的“超级个体”,而他们需要清晰、准确的上下文。因此,Dify所倡导的工程师文化,本质上是“提前到未来”,建立一种服务于超级个体的、异步的工作模式。

话题推进:在深入探讨了组织与文化之后,主持人将话题拉回对AI技术本身的理解,询问嘉宾在过去两年中认知发生了什么变化。

00:54:37–00:59:55Dify是寻找模型答案的“藏宝图”

  • 过去两年你对AI的理解有什么变化吗?
  • 你会做多久的技术路径规划?
  • 既然模型已经让“智力”变得对称,那么人类或组织的竞争力还剩下什么?

主持人询问张路宇过去两年对AI理解的变化。张路宇表示,他现在相信,在当前模型的基准线上,绝大多数问题都能被很好地解决。两年前他对模型的置信度可能只有60-70%,如今已高达95%以上,前提是“把问题描述清楚”,即提供准确的上下文。

他用一个比喻来形容与模型交互的过程:模型是一个巨大的数据球,包含了你要找的东西,而你需要输入正确的“密码”才能提取它。这个寻找路径的能力并非人人具备,也很难快速教会。因此,他认为像Dify这样的产品价值在于,可以提供预先设计好的“地图”,引导用户顺着地图就能在模型中找到正确的答案。主持人曲凯总结这个概念为:Dify是人去寻找大模型答案的“藏宝图”。

张路宇进一步阐述,人类今天更多是充当模型的“现实世界传感器”,因为在治理和逻辑上已比不过模型,但人类拥有与现实世界感官交流、收集数据和反馈并与模型交互的能力。他判断,即使是开源模型,其巨大潜能也远未被发掘,对大部分人来说,现有模型能力“绝对是够用,甚至是奢侈的”。

关于技术规划,张路宇表示,Dify现在已经做了三年的规划,这与他过去只做短期规划的看法不同。他认为技术变量已基本稳定,未来的重点是与现实世界连接,这需要整个生态共同努力。

最后,张路宇向主持人提出了一个深刻的问题:当模型让知识、逻辑等传统意义上的“智力”变得像阳光、空气和水一样对称和普世时,人类和组织还剩下什么非对称的竞争力?主持人表示需要思考,而张路宇暗示,剩下的非对称优势将成为未来的核心竞争力。

‘信息总线’和‘首席上下文官’把组织知识看成需要维护的基础设施:共同记忆、文档次序与任务上下文能帮助人和Agent找到正确依据,减少跨团队噪声。它不是简单把所有聊天记录塞给模型,而是决定哪些信息可信、何时使用、谁负责更新。

这与Dify的Workflow和神经符号路线相通:模型要获得稳定结果,组织先要有可维护的上下文与流程。CCO作为提议是嘉宾的组织想象,不是行业已有的统一岗位,也不能保证上下文一集中就自动提高效率。

话题推进:嘉宾以一个关于人类未来竞争力的开放性问题结束了这一段深入的探讨,为下一段关于未来机遇和个人状态的讨论埋下伏笔。

00:59:55–01:19:24连续对话 3

00:59:55–01:02:51AI时代,人类的非对称竞争力是什么?

  • 你觉得人与人之间的区别是什么?为什么有的人更厉害?
  • 价值观是不是一个隐藏在更下面的因素?

主持人曲凯首先提出,在AI能力趋同的背景下,人与人之间的差异,例如决策能力和注意力机制,将成为关键。他以播客总结为例,说明即使给予AI和一万个人完全相同的上下文(context),每个人和AI提炼的重点都会不同,这体现了注意力机制的差异。嘉宾张路宇追问这是否是价值观的体现,曲凯认为价值观是更底层的因素,它决定了人们会关注什么。

曲凯进一步阐述,他从不担心被AI取代,因为他自信在人类中就无法被取代。他认为自己能比AI更好地总结文章,指出重点,而不仅仅是罗列1234条。这引出了张路宇近期思考的一个核心问题:Dify能否将模型能力对称化之后,人类组织之间仍然存在的“非对称”部分保存下来?他设想,这些非对称的优势(如独特的知识、经验)与模型结合,共同产生协作效应,形成真正的Agent。张路宇思考,Dify是否能通过某种方式(如Memory、Workflow画布)将这部分价值固化和保存下来。曲凯理解为,这是将一个初始60分的结果,通过模型进步、上下文优化和反馈,逐步提升到70分、80分的过程。他总结道,要做到无法被取代,就需要成为能做到90分、100分的人,而60分的水平则很容易被取代。

非对称竞争力被落在价值观、经验、注意力与问题选择上:相同上下文下,不同人会关注不同重点,模型生成也不等于替代人的判断。Dify若要保存这些差异,需要把记忆、流程与组织知识连接起来,而不是只保存一句个人偏好。

‘60分到90分’是主持人与嘉宾用于说明模型与反馈提升的示意,不是统一能力评分。真正需要观察的是结果是否能被持续改进、哪些部分仍需要人负责,而不是宣称人类或模型天然不可替代。

非对称竞争力在本段对话中,指当大模型等AI技术能力变得普及和“对称”(即人人可用)之后,个体或组织依然保有的、独特的、难以被复制的优势。这些优势可能来源于独特的知识体系、决策能力、价值观、组织文化或工作流程,它们与AI结合能产生超越平均水平的成果。
信息总线 (Information Bus)在本段对话中,这是一个比喻。它指在组织内部建立一个高效、有序、共享的信息系统。输入是组织内所有分散、无序、带噪音的信息(如文档、对话记录等);输出是一个结构化的、可供Agent(人或AI)即时查询并精准定位信息的“共同记忆库”或上下文数据库。其目的是为了提升组织内部信息流转效率,并为AI Agent提供高质量的上下文支持。
首席上下文官 (CCO, Chief Context Officer)这是嘉宾张路宇提出的一个虚构职位概念。它指在组织中专门负责管理和构建“信息总线”的负责人。该角色的核心职责是整理、组织和维护企业内部的所有信息上下文,确保其有序、准确、易于访问,从而赋能人类员工和AI Agent高效协作。
超级个体在本段对话中,指那些能够将AI用得极好、并总是在探索其能力边界的人。他们的特质是充满好奇心,不满足于AI的现有能力,并能通过创新的方式利用AI创造巨大价值。他们是组织中推动AI应用落地的关键少数。

话题推进:在讨论完个体如何保持竞争力后,曲凯询问张路宇最近还在思考什么其他问题,话题转向了组织层面的挑战。

01:02:52–01:06:58Dify的成功之道:用成熟市场的打法做产品

  • 你最近还在想什么其他问题吗?
  • 很多投资人没想到Dify会发展得这么好,你觉得他们看走眼了什么?或者说,能走到这步最核心的原因是什么?

嘉宾张路宇分享了他对组织效率的思考。他希望将Dify公司内部(一个七八十人的全球化团队)的所有信息构建成一条高效的“信息总线”。这条总线拥有共同的memory和次序,使得Agent在回答问题时,能立即连接到整个组织的上下文,并精准地找到所需信息。他认为,过去组织内的上下文是无序且充满噪音的,而现在,构建有序的上下文信息总线,对团队和模型都至关重要。他甚至开玩笑说,每个企业都应该设立一个“首席上下文官”(CCO)。

当被问及Dify为何能超出许多投资人预期时,张路宇回应,Dify做的是一件需要“战略性耐心”的事情,这吸引了同样具备理性、有耐心素质的团队成员。他认为这是Dify从第一天起就积累的最大竞争力。但他进一步修正,认为Dify并非传统意义上的“厚积薄发”,而是在一个新兴的AI市场里,提前采用了成熟市场的做法。他以汽车市场为例,丰田、沃尔沃、特斯拉等品牌都在成熟市场中找到了自己精准且长期不变的定位(如可靠、安全、自动驾驶)。同样,Dify从第一天起就坚持“工程优先、长期主义、稳定可靠、开放协同”这些标签,始终未变。他总结,理解Dify的关键,不在于它做了什么,而在于它坚持了什么不变,这是一种成熟市场的品牌打法。

话题推进:张路宇解释完Dify的长期战略后,主动补充了关于大模型能力溢出和企业应用失败的话题,将讨论引向了AI应用的“最后一公里”问题。

01:06:59–01:10:49AI应用的“最后一公里”与寻找“超级个体”

  • 你那里还有啥吗?(引导嘉宾补充)
  • 你现在整体看起来有没有一些建议想给到大家?
  • 怎么定义用好(AI)?
  • 你们看起来他们(用得好的人)的核心原因是什么?
  • 你们最近也还在招人,对吧?主要缺什么样的人?
  • 去哪里能找到具体的招聘信息跟投递的渠道?
  • 还有什么要聊的吗?

嘉宾张路宇补充道,尽管大模型(LLM)带来了生产力的代际飞跃,但这股力量远未被释放。他引用MIT的一份报告指出,95%的公司在AI试点中失败,其根源并非模型能力不足,而是“工具和组织学习能力的差距”。因此,他认为未来几年的结构性机遇在于“建桥”——打造弥合鸿沟的基础设施、新的人机交互范式和高效的AI协同工作流,即解决LLM应用的“最后一公里”问题。

当被问及对AI使用者的建议时,张路宇(此处应为主持人曲凯,但转录中归属为张路宇,根据上下文判断为曲凯的观点)指出,真正能把AI用好的人是少数。他将“用好”的极端情况定义为“认为AI还不够用”的人,他们总是在探索模型能力的边界。他观察到,公司内部开发者对模型的使用量差异巨大,远超二八原则。因此,他认为关键在于找到这些充满好奇心、不断在模型边界游走的“超级个体”。

随后,张路宇(此处应为曲凯)解释了Dify如何创造对“超级个体”友好的环境。他提到公司极低的员工流失率(低于5%),以及为员工提供全球化发展的机会。最后,他明确表示Dify正在中国、日本和硅谷招聘产品、Marketing、后端研发和CCO等职位,并提供了招聘邮箱join@dify.ai。

‘超级个体’被用来描述不断探索模型边界的人:他们不会只问AI能做什么,而会持续测试输入、工具与新任务。Dify希望提供全球化环境和较少层级,让这些人保持好奇心与创造力。

最后的快乐与心流并不是对工作的否定,而是创始人认为长期创造需要更好的身心状态。张路宇反对把CEO受苦当美德,也反对僵化按时间衡量产出;这是个人组织哲学,不应被理解为所有团队都不需要规则、责任与交付。

话题推进:在结束招聘话题后,主持人询问还有什么要聊的,嘉宾主动分享了关于“创始人要快乐”的个人感悟,将话题引向了更个人化、更感性的层面。

01:10:50–01:19:24最终的答案:保持快乐,才能把未来带到现在

  • 你现在快乐吗?
  • (总结嘉宾观点)所以你觉得最好的状态是没有规则,相对混沌,但所有人的心往一处使,然后还要开心?
  • (总结)好,那最后落在希望大家都开心了,AI不AI就那样,对吧?
  • 好,那谢谢路宇,我们争取明年后年,再过几年再聊一下。

嘉宾张路宇(此处应为曲凯)分享了一个核心观点:创始人一定要快乐。他解释说,自己作为创业者,现在的状态比初期更好,因为他重新调整了定位,摆脱了传统观念中CEO必须“苦逼”、负重前行的刻板印象。他认为,最好的想法是在身心处于最佳状态时自然涌现的,过度的压力会扼杀创造力。因此,他选择主动让自己快乐起来。

主持人曲凯(此处应为张路宇)对此表示赞同,并分享了自己因开会而无心写作的经历,说明不同任务对人的心境(mindset)影响巨大,保持放松和开心的状态才能长期产出。张路宇(此处应为曲凯)进一步阐述,创始人的使命是“把未来带到现在”,这要求创始人不能被“地心引力”(即现实的种种压力)牵制住。他提出了自己看似矛盾的工作观:既反对996式的长期加班,也反对朝九晚五的8小时工作制。他推崇的是一种忘却时间的“心流”状态,这才是智力工作者最好的创作模式。

曲凯(此处应为张路宇)用在纽约观察到的“行人闯红灯”现象来类比,当地人闯红灯的前提是不影响车辆通行,这说明当所有人的目标(最大化交通效率)一致时,僵化的规则(红绿灯)反而不重要。他认为,最好的组织状态是“没有规则,相对混沌,但所有人的心往一处使”。

最后,两人都认为,无论是创始人还是普通人,都应该做自己热爱和开心的事情。如果感到不开心,就应该反思并解决问题,比如换个环境。节目在“希望大家都开心”的祝福中结束。

话题推进:节目在双方对“快乐”的共鸣和对听众的祝福中自然结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

Dify的壁垒主要是工程抽象、长期兼容与模型中立,而不是简单中间层封装。

张路宇(工程判断) · 00:15:57;00:22:26

平台把可变与不可变部分分开,让用户组件可热插拔、持续升级,核心演进不破坏既有技术资产;模型中立又降低企业长期绑定风险。

成立条件:工程优势需要真实可靠性、维护和客户留存证明,不能只凭架构理念或创始人自述。

Dify与LangChain等产品的差异来自用户定位和交付要求,而非功能多少。

张路宇(产品定位) · 00:04:11

LangChain偏开发者工具,Dify服务有业务流程但技术有限的用户,需要把SOP、API与模型组织成可靠应用。流程、数据、体验与硬科技仍决定实际价值。

成立条件:流程可泛化是产品判断,不应被写成流程永远比算法、数据或体验更重要。

开源促进全球化与信任,但长期组织使命和本地交付需要后续建设。

张路宇(全球化与组织复盘) · 00:35:05;00:45:42;01:02:52

开源与日语版本帮助自然传播,日本需求环境推动采用;早期成功不是主动销售打法,后续仍需本地团队、支持与使命沉淀。

成立条件:市场数字按嘉宾自述,开源不自动带来收入、稳定或组织准备。

机制与术语:对象、输入输出和中间过程

工程抽象如何保护长期技术资产

平台将稳定接口与可变实现分层,用户组件通过统一接口热插拔,平台升级保持向后兼容。企业可替换模型与组件而不重写整个工作流,从而保护既有投资。抽象过细会提高使用门槛,过粗则限制能力,需要持续在真实业务中磨合。

对应节目:00:15:57

本文自拟示意,不是嘉宾实验

本文自拟示意:企业自研一个文档解析组件后,平台从1.0升级到1.9,只要接口约定仍兼容,该组件可继续被工作流调用;若升级改变核心语义,就可能需要额外适配,不能仅凭热插拔宣称零成本。

Workflow如何把模型能力变成可靠交付

复杂任务先拆成节点,每步定义输入、输出、工具、人工确认和异常处理,再逐层组合成完整流程。模型可参与生成,关键节点仍可检查、回退或由人确认,减少不确定性直接传到最终结果。

对应节目:00:22:26

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:Workflow不是完全放弃Agent自动化,而是在关键节点保留检查点,先让当前业务可靠,再随模型能力提高自动化比例。

开源与全球化传播的正反馈

开源降低试用与审计门槛,社区提供翻译、插件与反馈,用户需求再推动本地团队和商业支持。自然传播不是销售替代,后续仍需稳定、兼容、培训与交付,才能从使用转为长期关系。

对应节目:00:45:42

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:Dify早期提供日语版本并在日本自然传播,团队随后才进入当地;这不是主动销售驱动的成功,也不能只用开源解释全部商业结果。

独立判断:这些对话改变了什么理解

【本文推断】Dify的案例说明,工程价值主要体现在时间维度:能否让用户的系统持续工作,而不是一次生成看起来先进。

推理:模型和框架快速变化时,企业更关心兼容、可扩展、模型替换与维护成本。Dify把这些工程特性做成平台承诺,帮助用户保护投资;如果失去这些特性,再强的模型也只能形成短期演示。

竞争解释与边界:抽象也会增加学习成本与维护复杂度,模型原生工具可能减少部分中间层需求。需要比较全生命周期成本,而不是默认中间层越厚越好。

【本文推断】Workflow与Agent的关系更像自动化比例随可靠性调整,而不是二选一。

推理:在结果易验证、错误成本低的节点,可以提高自动化;在高风险或目标模糊的节点,保留规则、检查与人工确认。Workflow提供这种渐进式部署的结构,使企业不用在完全手动和完全自主之间跳变。

竞争解释与边界:如果模型可靠性足够高,某些工作流可以缩减为更简单的Agent调用;若过度坚持固定流程,也可能限制能力。应按任务与失败成本调整,而非把Workflow当永久必需。

【本文推断】Dify的长期使命若要成立,必须把组织知识与工程可靠性连起来,而不只是继续增加功能。

推理:张路宇从开源中间件转向人与AI的生产关系,核心仍是让流程、记忆和模型在真实组织中可维护。信息总线、神经符号与Workflow都是候选接口,但价值要由组织结果证明。

竞争解释与边界:上下文集中可能造成错误传播、权限泄露与维护负担,非对称竞争力也不能靠平台自动保存。需要真实团队的对照和长期反馈,而非只用宏大使命指导产品。

尚未解决的问题与可检验的下一步

待解问题:Dify的工程抽象能否在全生命周期内降低企业成本,而非只提高初始开发便利?

下一步信息或小实验:跟踪不同规模企业的组件维护、版本升级、模型替换、故障、培训和总拥有成本,比较Dify与自研、LangChain及模型原生工具。

怎样的结果会改变判断:若企业在多年内维护成本下降且结果可靠,工程壁垒成立;若升级与学习成本持续增加,需要重新评估抽象层。

待解问题:Workflow与Agent的最佳自动化边界怎样随模型能力变化?

下一步信息或小实验:按任务风险与可验证性比较固定Workflow、可编辑Workflow与自由Agent,记录成功率、返工、人工接管、时延与用户信任。

怎样的结果会改变判断:若自动化增加仍能保持结果和责任,固定流程可逐步减少;若自由Agent造成更多错误与复核,节点控制仍必要。

待解问题:开源带来的全球化使用能否转成稳定的本地交付与可持续组织?

下一步信息或小实验:按地区跟踪使用、活跃、支持、续费、社区贡献和本地团队成本,比较自然传播与主动销售的差异。

怎样的结果会改变判断:若开源用户形成持续社区与合理收入,全球化模式成立;若支持成本超过收益,需要调整服务和商业结构。

影响理解的转录疑点

优先连读 00:04:11—00:29:34,理解用户定位、工程抽象、模型中立与Workflow的长期价值;再读 00:35:05—00:48:33 的团队反思与开源全球化,最后读 00:59:55—01:19:24 的信息总线、超级个体与快乐心流,区分产品事实、组织设想和个人哲学。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:Dify 从被低估到成为明星项目,到底做对了什么|对谈 Dify 创始人路宇

本页使用的公开文字或字幕来源

返回顶部