零代码搭建 AI Agent Harness Engineering：5 个适合非技术人员的工具推荐

引言：从“魔法玩具”到“业务伙伴”，你离 AI Agent 落地只差一套“工程脚手架”

想象一下：你是一家线下生鲜连锁的运营主管，每天要处理20个社群里的3000+条消息、整理Excel里的库存预警和销售周报、对接3个第三方平台的优惠券投放——所有这些，都可以由一个24小时待命、从不抱怨、零失误率的“数字化运营助理”自动串联成闭环。这个助理，就是今天要聊的主角之一：AI Agent（智能体）。

核心概念1（本章前置锚点）：什么是 AI Agent？

先别急着查论文里的复杂定义——把 AI Agent 想象成你身边的“全能小秘书”，但这个秘书是由 大语言模型（LLMs）的大脑 + 工具调用的手脚 + 记忆链的心脏 + 目标拆解的中枢神经 组成的“程序人”。

• 大脑（LLM 核心）：负责理解人类指令、生成逻辑计划、处理文本/图像/音频等输入
• 手脚（工具库）：包括搜索浏览器、读取/编辑Excel/Word、调用API（比如外卖平台下单、企业CRM发消息）、画图/剪视频等“外部动作”
• 心脏（记忆系统）：短期记忆（记住你刚才说的“优惠券只能给复购3次以上的用户”）、长期记忆（记住用户上次买了什么、过敏史、喜欢的折扣时间）
• 中枢神经（目标-计划-执行-反思闭环）：不会机械执行你的每一句话，而是先把“提升本月社群转化率10%”拆解成“先分析上月社群活跃时间→再调取复购3次以上的用户→再写3种不同时段的优惠券文案→再自动投放→最后统计转化率并生成调整建议”，如果中间出错（比如库存预警弹出来说优惠券对应的商品卖完了），还会自己调整计划。

这是不是比你单独用ChatGPT写文案、单独用Excel做统计要厉害10倍？但问题来了：90%以上的业务场景，都需要把AI Agent和你的业务系统、数据、工作流“缝合”起来——这就是所谓的“Harness Engineering（智能体工程化）”。过去，这个“缝合”工作需要程序员写几千行代码、调试几个月、还要懂LLM的API、懂LangChain这样的框架——但现在，我们有了零代码/低代码的Harness Engineering工具：非技术人员只要拖拖拽拽、写几句自然语言指令，就能在1小时内搭建出一个能用的业务AI Agent。

第1章：AI Agent Harness Engineering 全景图——搭积木还是建大厦？先搞懂底层逻辑

核心概念2：什么是 AI Agent Harness Engineering？

问题背景

你有没有遇到过这样的尴尬？

• 你让ChatGPT生成了一份完美的社群活动方案，但文案里的库存数据是上个月的、优惠券链接是失效的，你还要自己去Excel查数据、去美团/京东找新链接、去企业微信后台批量发消息——ChatGPT只是“帮你写了个开头”，剩下的90%的脏活累活，你还是要自己干；
• 你咬咬牙请了个程序员用LangChain搭了个AI社群助手，但程序员离职后，助手坏了没人修、你想加个“自动回复过敏咨询”的功能又要花3000块钱；
• 你试了几个所谓的“零代码AI工具”，但要么只能做“问答机器人”这种单一功能，要么没法连接你的企业微信/钉钉/CRM系统——还是个“玩具”。

这些尴尬的本质是什么？不是AI不够聪明，而是AI没有“落地的载体”，没有被“工程化”成能解决真实业务问题的闭环工具。AI Agent Harness Engineering，就是解决这个尴尬的钥匙：

官方定义：AI Agent Harness Engineering 是一套设计、开发、部署、监控、迭代AI Agent的方法论和工具集——核心目标是把LLMs的“通用智能”转化为“垂直领域的业务智能”，让AI Agent能稳定、安全、高效地融入企业的日常工作流。

生活化类比

让我用一个更直观的类比——搭建一套智能家居——来解释Harness Engineering的全过程：

1. 需求分析（相当于业务问题拆解）：你需要智能家居帮你做什么？比如“早上7点自动开窗帘、播放轻音乐、烧热水、烤面包，晚上10点自动关灯、关电视、锁门、拉窗帘”——这就是你的“业务目标”；
2. 智能体选择（相当于AI Agent的大脑选型）：你需要一个能“听懂”你指令、能“协调”各个设备的“中枢大脑”——比如小米小爱同学、Amazon Alexa、Google Home——这就相当于你选GPT-4o、Claude 3 Opus、Llama 3.1 70B作为AI Agent的LLM核心；
3. 设备接入（相当于工具库和API对接）：你需要把你的窗帘电机、智能音箱、热水器、面包机、智能门锁、电视都接入到中枢大脑——这就相当于你把企业微信、Excel、CRM、美团外卖、Google搜索都接入到Harness Engineering工具；
4. 场景自动化配置（相当于目标-计划-执行-反思闭环配置）：你不需要写代码，只需要在中枢大脑的APP里拖拖拽拽、设置触发条件和执行动作——比如“触发条件：手机闹钟响（或者早上7点整）→ 执行动作1：打开主卧窗帘50%→ 执行动作2：播放指定的轻音乐→ 执行动作3：打开热水器设定50度→ 执行动作4：打开面包机设定全麦模式→ 如果遇到异常（比如面包机里没有面包），就给你的手机发通知”——这就相当于你在Harness Engineering工具里配置“触发条件：有人在社群里问‘有没有适合过敏体质的水果’→ 执行动作1：调取企业CRM里的用户过敏史→ 执行动作2：调取Excel里的今日库存水果（不含过敏原）→ 执行动作3：生成个性化的推荐文案→ 执行动作4：自动回复社群→ 如果库存里没有适合的水果，就给你发微信提醒”；
5. 监控与迭代（相当于AI Agent的运维与优化）：你可以在APP里查看智能家居的运行状态——比如“今天早上7点整，所有设备都正常运行”——如果窗帘电机坏了，APP会给你发通知，你可以自己换个电机或者请人修；你还可以根据自己的习惯调整场景——比如“最近天气热，早上7点半再开窗帘，并且打开空调设定26度”——这就相当于你在Harness Engineering工具里查看AI Agent的运行日志、转化率、回复准确率，如果AI Agent回复错了，你可以给它“喂”正确的知识库、调整提示词、优化工作流。

你看！Harness Engineering是不是一点都不神秘？它就是用“智能家居的搭建逻辑”来搭建AI Agent——非技术人员也能轻松上手！

问题描述

AI Agent Harness Engineering 要解决的核心问题有5个：

1. “大脑”问题：如何选择适合自己业务的LLM？是用GPT-4o这样的闭源大模型，还是用Llama 3.1 70B这样的开源大模型？是用云端部署的大模型，还是用本地部署的大模型？
2. “手脚”问题：如何连接自己的业务系统、数据、工作流？是用现成的工具库，还是要自己写API？
3. “心脏”问题：如何管理AI Agent的记忆？是用短期记忆，还是用长期记忆？是用向量数据库，还是用普通的数据库？
4. “中枢神经”问题：如何配置AI Agent的目标-计划-执行-反思闭环？是用固定的工作流，还是用动态的推理链？
5. “安全”问题：如何保护企业的数据安全？是用数据脱敏，还是用私有部署？是用权限控制，还是用审计日志？

边界与外延

在正式开始介绍工具之前，我们必须先搞清楚AI Agent Harness Engineering 的边界——它不是万能的，也有自己的适用范围和局限性：

适用范围（✅ 可以做）

• 重复性强的标准化工作：比如社群运营、客服接待、数据整理、报表生成、邮件回复、日程安排、内容审核、订单处理等；
• 需要调用多个工具的串联工作：比如“有人在官网提交了需求表单→自动在CRM里创建客户档案→自动给客户发欢迎邮件→自动给销售发微信提醒→自动把需求内容整理成PDF发给销售”；
• 需要实时响应的工作：比如库存预警、舆情监测、系统告警、用户投诉处理等；
• 需要快速迭代的工作：比如A/B测试文案、A/B测试活动方案、快速调整工作流等。

局限性（❌ 不能做）

• 需要高度创造性的工作：比如写科幻小说、创作艺术作品、设计新产品的核心功能等（AI Agent可以帮你找灵感，但核心的创造性工作还是要靠人）；
• 需要复杂情感判断的工作：比如心理咨询、临终关怀、处理重大的客户纠纷等（AI Agent可以帮你做初步的沟通，但核心的情感判断还是要靠人）；
• 需要高风险决策的工作：比如投资决策、医疗诊断、法律判决等（AI Agent可以帮你做数据分析，但核心的决策还是要靠专业人士）；
• 数据质量很差的工作：比如用错误的库存数据来做推荐、用模糊的客户信息来做营销等（“垃圾进，垃圾出”——AI Agent的效果取决于你的数据质量）。

第2章：零代码 AI Agent Harness Engineering 工具的核心要素——别被花哨的功能晃了眼，先看这5个

核心概念3：零代码 AI Agent Harness Engineering 工具的核心架构

概念结构与核心要素组成

无论工具的界面有多花哨、功能有多复杂，一个合格的零代码 AI Agent Harness Engineering 工具都必须包含以下5个核心要素（也就是我们前面类比的“智能家居的5个部分”）：

1. LLM 核心管理模块（中枢大脑）

这是工具的“灵魂”——负责理解用户的自然语言指令、生成逻辑计划、处理文本/图像/音频等输入。一个好的LLM核心管理模块应该具备以下功能：

• 多LLM支持：可以同时接入多个闭源大模型（比如GPT-4o、Claude 3 Opus、Gemini 1.5 Pro、文心一言4.0、通义千问4.0）和开源大模型（比如Llama 3.1 70B、Qwen2 72B、DeepSeek-V2.5），用户可以根据自己的业务需求、预算、数据安全要求选择合适的LLM；
• LLM 配置优化：可以调整LLM的参数（比如温度、最大输出长度、Top P、Top K），用户可以根据自己的业务场景（比如写文案需要高温度，做数学题需要低温度）调整参数；
• 提示词模板管理：可以创建、保存、分享提示词模板（比如社群回复模板、数据整理模板、报表生成模板），用户不需要每次都写很长的提示词，只需要选择合适的模板、修改几个变量就行；
• 多模态输入输出：可以支持文本、图像、音频、视频等多模态输入输出（比如用户上传一张库存盘点的照片，AI Agent可以自动识别照片里的内容、整理成Excel表格；用户上传一段语音指令，AI Agent可以自动识别语音、执行动作、生成语音回复）。

2. 工具库与API对接模块（手脚）

这是工具的“四肢”——负责让AI Agent“动起来”，连接用户的业务系统、数据、工作流。一个好的工具库与API对接模块应该具备以下功能：

• 丰富的现成工具库：可以支持几百甚至几千个现成的工具（比如Google搜索、Bing搜索、维基百科、企业微信、钉钉、飞书、Slack、Microsoft 365（Word/Excel/PowerPoint/Outlook）、Google Workspace、Salesforce、HubSpot、Shopify、美团外卖、饿了么、抖音、快手、微信公众号、小红书、向量数据库（比如Pinecone、Weaviate、Chroma）、普通数据库（比如MySQL、PostgreSQL、MongoDB）等）；
• 自定义API对接：如果现成的工具库没有用户需要的工具，可以支持用户用自然语言或者简单的配置自定义API对接（比如用户可以把自己公司的内部CRM系统、内部ERP系统、内部OA系统接入到工具里）；
• 工具权限控制：可以控制AI Agent使用工具的权限（比如AI Agent只能读取Excel表格，不能修改Excel表格；AI Agent只能在CRM里创建客户档案，不能删除客户档案）；
• 工具异常处理：如果AI Agent使用工具时遇到异常（比如Excel表格打不开、API接口超时、Google搜索失败），可以支持用户配置异常处理策略（比如重试3次、给用户发通知、调整计划）。

3. 记忆系统管理模块（心脏）

这是工具的“记忆库”——负责让AI Agent“记住”用户的业务规则、数据、历史对话、历史操作。一个好的记忆系统管理模块应该具备以下功能：

• 短期记忆管理：可以记住AI Agent的当前对话上下文、当前操作上下文（比如记住用户刚才说的“优惠券只能给复购3次以上的北京用户”，记住用户刚才打开的Excel表格是“2024年9月北京区域库存表”）；
• 长期记忆管理：可以把AI Agent的历史对话、历史操作、用户的业务规则、用户的数据（比如客户档案、销售数据、库存数据）存储到向量数据库或者普通数据库里，用户可以随时查询、修改、删除这些记忆；
• 知识库管理：可以把用户的文档（比如Word文档、PDF文档、PPT文档、TXT文档）、网页、视频、音频等内容上传到工具里，转换成向量存储到向量数据库里，AI Agent可以在需要的时候检索知识库、获取相关信息；
• 记忆检索优化：可以支持用户配置记忆检索策略（比如相似度阈值、最大检索数量、检索范围），用户可以根据自己的业务场景调整策略，提高记忆检索的准确率。

4. 目标-计划-执行-反思（OODA）闭环配置模块（中枢神经）

这是工具的“大脑皮层”——负责让AI Agent“思考起来”，不会机械执行用户的每一句话，而是先拆解目标、再制定计划、再执行计划、最后反思调整。一个好的OODA闭环配置模块应该具备以下功能：

• 可视化工作流配置：可以支持用户用拖拖拽拽的方式配置可视化的工作流（比如“触发条件→节点1→节点2→节点3→结束”），每个节点可以是一个LLM调用、一个工具调用、一个条件判断、一个循环、一个暂停、一个通知；
• 自然语言工作流配置：如果用户觉得拖拖拽拽太麻烦，可以支持用户用自然语言配置工作流（比如用户说“如果有人在社群里问‘有没有适合过敏体质的水果’，就先调取企业CRM里的用户过敏史，再调取Excel里的今日库存水果（不含过敏原），再生成个性化的推荐文案，再自动回复社群，如果库存里没有适合的水果，就给我发微信提醒”，工具可以自动把这句话转换成可视化的工作流）；
• 动态推理链配置：如果用户的业务场景比较复杂（比如“提升本月社群转化率10%”），可以支持用户配置动态的推理链——AI Agent不需要固定的工作流，而是会根据自己的理解自动拆解目标、制定计划、执行计划、反思调整；
• 工作流测试与调试：可以支持用户在部署工作流之前先测试与调试（比如用户可以模拟有人在社群里问“有没有适合过敏体质的水果”，然后查看AI Agent的执行过程、执行结果，如果有问题，可以随时修改工作流）。

5. 部署、监控、运维与迭代模块（物业）

这是工具的“后勤保障”——负责让AI Agent“稳定运行起来”，并且可以根据用户的反馈不断优化。一个好的部署、监控、运维与迭代模块应该具备以下功能：

• 一键部署：可以支持用户一键部署AI Agent到多个平台（比如企业微信群聊、企业微信群机器人、钉钉群聊、钉钉群机器人、飞书群聊、飞书群机器人、Slack、Microsoft Teams、微信公众号、小程序、官网、API接口）；
• 运行日志查看：可以支持用户查看AI Agent的详细运行日志（比如触发时间、触发条件、执行过程、执行结果、执行时间、是否成功、异常原因），用户可以随时了解AI Agent的运行状态；
• 数据分析与报表生成：可以支持用户查看AI Agent的数据分析报表（比如回复准确率、转化率、响应时间、使用次数、使用人数），用户可以根据数据分析报表优化AI Agent；
• 用户反馈收集与处理：可以支持用户收集用户对AI Agent的反馈（比如点赞、点踩、留言），并且可以把反馈内容存储到记忆系统里，AI Agent可以根据反馈内容不断优化自己的提示词、工作流、知识库；
• 权限控制与审计日志：可以支持用户配置团队成员的权限（比如管理员可以修改所有内容，编辑可以修改提示词、工作流、知识库，观众只能查看运行日志和数据分析报表），并且可以查看团队成员的审计日志（比如谁在什么时候修改了什么内容），保护企业的数据安全；
• 私有部署：如果用户对数据安全要求很高，可以支持用户私有部署工具（比如部署到自己公司的服务器上、自己公司的云服务器上），所有数据都存储在用户自己的服务器上，不会泄露给第三方。

第3章：5 个适合非技术人员的零代码 AI Agent Harness Engineering 工具推荐——从入门到精通，总有一款适合你

前面我们已经搞懂了AI Agent Harness Engineering的全景图和核心要素，现在终于到了大家最期待的环节——5个适合非技术人员的零代码AI Agent Harness Engineering工具推荐！我会从以下几个维度来对比和介绍每个工具：

1. 工具定位与适用人群
2. 核心功能与亮点
3. 概念核心属性维度对比（表格形式）
4. 概念联系的ER实体关系图（Mermaid）
5. 交互关系图（Mermaid）
6. 数学模型（可选，如果工具涉及到简单的数学模型）
7. 算法流程图（可选，如果工具涉及到简单的算法流程）
8. Python源代码（可选，如果工具提供了API或者SDK，我会写一段简单的Python代码演示如何使用）
9. 实际场景应用（2-3个真实的业务场景，配详细的配置步骤）
10. 项目介绍（1个完整的小型项目，配环境安装、系统功能设计、系统架构设计、系统接口设计、系统核心实现源代码）
11. 最佳实践Tips
12. 行业发展与未来趋势（工具的发展历史表格）
13. 本章小结

第3.1节：Dify——零代码 AI Agent 领域的“小米智能家居”，入门首选

工具定位与适用人群

• 工具定位：全球领先的一站式零代码/低代码AI应用开发平台——核心目标是让任何人（无论有没有技术背景）都能在几分钟内搭建出一个能用的AI应用（包括AI Agent、AI聊天机器人、AI知识库、AI内容生成工具等）。
• 适用人群：非技术人员（比如运营主管、客服主管、市场主管、行政主管、学生、个人创业者）、初级技术人员、中小企业。

核心功能与亮点

前面我们类比了“小米智能家居”——Dify就像AI Agent领域的“小米智能家居”：

• 性价比极高：免费版就有非常丰富的功能，足够个人用户和小型企业使用；付费版的价格也非常亲民（比请一个程序员便宜100倍以上）；
• 操作极其简单：界面设计非常友好，非技术人员只要拖拖拽拽、写几句自然语言指令，就能在几分钟内搭建出一个能用的AI Agent；
• 功能极其丰富：包含了我们前面提到的所有5个核心要素——多LLM支持、丰富的现成工具库、强大的记忆系统、可视化的OODA闭环配置、一键部署与监控；
• 生态极其完善：有非常活跃的社区、非常丰富的模板库、非常多的第三方插件、非常详细的文档和教程。

具体来说，Dify的核心功能与亮点包括：

1. 多LLM支持（超过100种LLM）

Dify支持超过100种闭源大模型和开源大模型，包括：

• 闭源大模型：GPT-4o、GPT-4o mini、GPT-4 Turbo、Claude 3 Opus、Claude 3 Sonnet、Claude 3 Haiku、Gemini 1.5 Pro、Gemini 1.5 Flash、文心一言4.0、通义千问4.0、智谱清言GLM-4、DeepSeek-V2.5等；
• 开源大模型：Llama 3.1 8B/70B、Qwen2 7B/72B、DeepSeek-Coder-V2、Mistral NeMo 12B、Mixtral 8x7B等。

用户可以根据自己的业务需求、预算、数据安全要求选择合适的LLM——比如：

• 如果你的业务场景需要多模态输入输出、高准确率，可以选择GPT-4o、Claude 3 Opus、Gemini 1.5 Pro；
• 如果你的业务场景对预算有限，可以选择GPT-4o mini、Claude 3 Haiku、通义千问4.0 Turbo；
• 如果你的业务场景对数据安全要求很高，可以选择本地部署的开源大模型（比如Llama 3.1 70B、Qwen2 72B）。

2. 丰富的现成工具库（超过500种工具）

Dify支持超过500种现成的工具，包括：

• 搜索工具：Google搜索、Bing搜索、维基百科、知乎搜索、百度搜索等；
• 即时通讯工具：企业微信、钉钉、飞书、Slack、Microsoft Teams等；
• 办公协作工具：Microsoft 365（Word/Excel/PowerPoint/Outlook/OneDrive）、Google Workspace（Docs/Sheets/Slides/Gmail/Drive）、Notion、Obsidian等；
• 客户关系管理工具：Salesforce、HubSpot、Zoho CRM、纷享销客、销售易等；
• 电商工具：Shopify、WooCommerce、Amazon Seller Central、美团外卖、饿了么等；
• 社交媒体工具：微信公众号、小红书、抖音、快手、微博、LinkedIn等；
• 向量数据库工具：Pinecone、Weaviate、Chroma、Milvus、Qdrant等；
• 普通数据库工具：MySQL、PostgreSQL、MongoDB、Redis、SQLite等；
• 其他工具：翻译工具（Google翻译、DeepL翻译）、画图工具（DALL-E 3、Midjourney API、Stable Diffusion API）、剪视频工具（Runway API、Pika Labs API）、天气查询工具、日历查询工具等。

如果现成的工具库没有用户需要的工具，Dify还支持用户用自然语言或者简单的配置自定义API对接——比如用户可以把自己公司的内部CRM系统、内部ERP系统、内部OA系统接入到Dify里，只需要：

1. 找到内部系统的API文档；
2. 在Dify里创建一个“自定义API工具”；
3. 输入API的URL、请求方法（GET/POST/PUT/DELETE）、请求头、请求参数；
4. 配置API的响应格式；
5. 测试API是否正常工作；
6. 保存自定义API工具。

整个过程不需要写一行代码！

3. 强大的记忆系统（短期记忆+长期记忆+知识库）

Dify的记忆系统非常强大，包括：

• 短期记忆：Dify的短期记忆可以记住AI Agent的当前对话上下文、当前操作上下文——默认的短期记忆长度是10轮对话，用户可以根据自己的业务需求调整（最多可以调整到100轮对话）；
• 长期记忆：Dify的长期记忆可以把AI Agent的历史对话、历史操作、用户的业务规则、用户的数据存储到向量数据库或者普通数据库里——用户可以随时查询、修改、删除这些记忆；
• 知识库：Dify的知识库支持把用户的文档（Word/PDF/PPT/TXT/Markdown/CSV/Excel）、网页、视频、音频等内容上传到Dify里，转换成向量存储到向量数据库里（Dify默认提供了免费的Weaviate向量数据库，用户也可以选择自己的向量数据库）——AI Agent可以在需要的时候检索知识库、获取相关信息。

Dify的知识库还有一个非常棒的功能——分段与清洗：用户上传文档后，Dify会自动把文档分成合适的段落（默认的段落长度是1000个字符，用户可以根据自己的业务需求调整）、自动清洗文档里的噪音（比如页眉页脚、广告、无用的图片）——提高记忆检索的准确率。

4. 可视化的OODA闭环配置（Agent Workflow）

这是Dify最核心的功能——Agent Workflow：用户可以用拖拖拽拽的方式配置可视化的OODA闭环工作流，每个节点可以是：

• LLM节点：调用LLM生成文本、图像、音频、视频等内容；
• 工具节点：调用现成的工具或者自定义的API工具；
• 知识库检索节点：检索知识库、获取相关信息；
• 条件判断节点：根据条件判断执行不同的分支（比如“如果用户的问题是关于库存的，就调取Excel里的库存数据；如果用户的问题是关于优惠券的，就调取CRM里的用户优惠券数据”）；
• 循环节点：循环执行某个动作（比如“循环读取Excel表格里的每一行数据”）；
• 变量节点：定义、修改、删除变量（比如“定义一个变量‘用户复购次数’，从CRM里读取用户的复购次数赋值给这个变量”）；
• 通知节点：给用户发通知（比如微信通知、钉钉通知、飞书通知、邮件通知）；
• 暂停节点：暂停工作流的执行，等待用户的确认（比如“暂停工作流的执行，等待用户确认推荐文案是否正确，然后再自动回复社群”）；
• 结束节点：结束工作流的执行。

如果用户觉得拖拖拽拽太麻烦，Dify还支持自然语言生成工作流——用户只需要说一句自然语言指令（比如“如果有人在社群里问‘有没有适合过敏体质的水果’，就先调取企业CRM里的用户过敏史，再调取Excel里的今日库存水果（不含过敏原），再生成个性化的推荐文案，再自动回复社群，如果库存里没有适合的水果，就给我发微信提醒”），Dify的“Workflow Copilot”就会自动把这句话转换成可视化的工作流！

5. 一键部署与监控（超过20种部署渠道）

Dify支持一键部署AI Agent到超过20种平台，包括：

• 即时通讯平台：企业微信群聊、企业微信群机器人、钉钉群聊、钉钉群机器人、飞书群聊、飞书群机器人、Slack、Microsoft Teams；
• 社交媒体平台：微信公众号、微信小程序、抖音小程序、快手小程序、小红书、微博、LinkedIn；
• 网站平台：官网、独立站、Shopify店铺；
• API接口平台：RESTful API、WebSocket API；
• 其他平台：Notion、Obsidian、Discord。

部署完成后，用户可以在Dify的“监控”页面查看AI Agent的详细运行日志、数据分析报表（比如回复准确率、转化率、响应时间、使用次数、使用人数）——用户可以根据数据分析报表优化AI Agent的提示词、工作流、知识库。

6. 其他亮点

• 团队协作：Dify支持团队协作，用户可以邀请团队成员加入自己的工作区，配置不同的权限（比如管理员、编辑、观众）；
• 模板库：Dify有非常丰富的模板库（超过1000个模板），用户可以直接使用模板，也可以根据自己的业务需求修改模板；
• API与SDK：Dify提供了RESTful API和Python/JavaScript/Java/Go等多种语言的SDK，初级技术人员可以用API或SDK把Dify搭建的AI Agent集成到自己的应用里；
• 私有部署：Dify支持私有部署（社区版完全免费，企业版需要付费），用户可以把Dify部署到自己公司的服务器上、自己公司的云服务器上，所有数据都存储在用户自己的服务器上，不会泄露给第三方；
• 社区支持：Dify有非常活跃的中文社区和英文社区，用户可以在社区里提问、分享自己的AI应用、获取帮助。

概念核心属性维度对比

为了方便大家对比，我先列出后面要推荐的4个工具的名字，然后在本节先做一个简单的对比（后面每个工具推荐完都会做一个更详细的对比）：

概念联系的ER实体关系图（Mermaid）

下面是Dify的核心概念之间的ER实体关系图：

交互关系图（Mermaid）

下面是用户使用Dify搭建和部署AI Agent的交互关系图：

数学模型（可选）

Dify的知识库检索使用的是余弦相似度（Cosine Similarity） 数学模型——用来计算查询向量和文档段落向量之间的相似度，相似度越高，说明查询和文档段落越相关。

余弦相似度的公式如下：
$$\text{cosine similarity}(A,B)=\frac{A\cdot B}{\Vert A\Vert \Vert B\Vert }=\frac{{\sum }_{i=1}^n{A}_i{B}_i}{\sqrt{{\sum }_{i=1}^n{A}_i^2}\sqrt{{\sum }_{i=1}^n{B}_i^2}}$$

其中：

• $A$ 是查询向量；
• $B$ 是文档段落向量；
• $A_i$ 是查询向量的第 $i$ 个维度；
• $B_i$ 是文档段落向量的第 $i$ 个维度；
• $n$ 是向量的维度数。

余弦相似度的取值范围是 $[-1,1]$：

• 当取值为 $1$ 时，说明两个向量完全相同；
• 当取值为 $0$ 时，说明两个向量完全无关；
• 当取值为 $-1$ 时，说明两个向量完全相反。

在Dify的知识库检索中，我们通常会设置一个相似度阈值（比如0.7）——只有当余弦相似度大于等于相似度阈值时，文档段落才会被检索出来，提供给LLM使用。

算法流程图（可选）

下面是Dify的AI Agent的核心算法流程图（目标-计划-执行-反思闭环）：

Python源代码（可选）

Dify提供了Python SDK，初级技术人员可以用Python SDK把Dify搭建的AI Agent集成到自己的应用里。下面是一段简单的Python代码演示如何使用Dify的Python SDK调用AI Agent：

环境安装

首先，我们需要安装Dify的Python SDK：

pip install dify-client

系统核心实现源代码

下面是一段简单的Python代码：

from dify_client import ChatClient

# 初始化ChatClient
client = ChatClient(api_key="your-dify-api-key")

# 配置应用的参数
api_url = "your-dify-app-api-url"
conversation_id = ""  # 第一次调用时留空，后续调用时使用之前返回的conversation_id
user = "your-user-id"  # 用户的唯一标识
query = "今天北京的天气怎么样？"  # 用户的问题/指令

# 调用AI Agent
response = client.create_chat_message(
    inputs={},  # 工作流的输入变量（如果有的话）