Dify做门面，n8n当胶水，LangGraph扛大活——制造业Agent选型真相

最近聊制造业 AI Agent，很多朋友一上来就问：Dify、n8n、LangGraph，到底该选哪个？

这个问题很正常。

如果你是工厂数字化负责人，手里可能已经有ERP、MES、SCADA、DCS、PLC、OA、WMS，一堆系统都在跑。现在老板又问了：我们能不能也搞几个智能体？

脑子里第一反应大概率不是兴奋，而是头大。

选错框架，轻则做个演示给领导看，三个月后没人用。重则把AI接进生产系统，权限、数据、流程全都拧在一起，后面越改越痛。

这篇不做工具排行榜。

更想从制造业的现场出发，聊清楚一件事：

先别急着选框架，先看工厂卡在哪

不少工厂做AI项目，第一步就跑偏。

大家很容易从模型开始聊——参数多大、推理多快、能不能私有化、能不能多轮对话。聊着聊着，会议室里很热闹，现场的人却越来越沉默。

真正卡住的，往往不是模型。

是IT和OT之间那条缝。

IT这边是ERP、MES、OA、PLM，讲的是订单、工单、BOM、库存、成本、审批。OT这边是PLC、SCADA、DCS、传感器、产线设备，讲的是点位、节拍、报警、温度、压力、电流。

两边都没错，但语言不一样。

你问ERP：这批订单为什么延期？ERP可能告诉你物料齐套率不够。你问SCADA：这条线为什么节拍掉了？SCADA可能告诉你某几个点位频繁报警。但老板真正想问的是：明天能不能交货？如果不能，问题在哪，谁来处理，先处理哪一个？

这就是制造业AI Agent的机会。

它不是在中间当一个会聊天的机器人，而是当一个翻译层。

一层是数据翻译——把点位、报警、工单、库存、质量记录串起来。一层是知识翻译——把设备手册、SOP、维修经验、工艺规则变成可查询、可推理的上下文。还有一层是决策翻译——把系统里的异常，翻译成班组长、设备工程师、计划员能执行的动作。

所以再回头看框架选型，问题就变了。不是哪个框架最强，而是你的工厂现在缺的是交互入口、系统集成，还是复杂编排。这个顺序搞错，后面基本都要返工。

Dify适合做入口，但别指望它吃下所有复杂度

先说Dify。

Dify现在很火，开源社区热度高，资料也多。它的定位很清楚：低代码、可视化的AI应用开发平台。

对制造业IT团队来说，Dify最大的价值是快。你可以很快搭一个知识库问答，把设备手册、巡检规范、工艺说明丢进去，做一个维修助手。也可以用工作流串几个步骤，让它先识别问题，再查知识库，再生成处理建议。

这个速度很重要。很多工厂不是没有想法，而是卡在第一步。立项要写方案，供应商要排期，接口要协调，最后一个简单问答助手都能拖两个月。Dify的好处是，它能让你在30分钟到一天内做出一个能看的原型。

它还有内置RAG能力——文档解析、向量化、语义检索都已经包了一层。对还没建AI平台能力的团队来说，这能省掉很多基础活。再加上模型支持比较广，插件市场也比较丰富，你不用一开始就把所有东西都写成代码。

但也要说句实话。

Dify很适合做入口层，不适合把所有复杂工业流程都塞进去。一旦场景变成多角色协作——比如设备Agent、质量Agent、计划Agent同时参与，还要保留状态、反复校验、人工确认、异常回滚——Dify的可视化界面就会开始吃力。不是它不好，而是它的优势本来就不是深度定制。

你如果让Dify做一线工程师的交互入口，很舒服。你如果让它直接接管复杂生产决策，就有点危险。

一个可行的建议是：

想想看，一个维修工程师夜班遇到报警，他需要的是能快速问一句「这个报警以前怎么处理」，不是打开一个复杂系统研究Agent状态机。Dify就适合干这个。

n8n不是AI原生，但它可能是工厂最缺的胶水

再看n8n。

很多人拿n8n跟Dify、LangGraph放在一起比，会觉得它有点尴尬。因为n8n不是AI原生框架。它没有内置知识库，没有原生Agent框架，也不是为了大模型推理设计的。

但在工厂里，这种工具反而很受重视。

原因很简单：制造业不是缺一个聊天窗口，制造业缺的是系统之间真的能动起来。

你的AI判断出设备有异常，接下来怎么办？要不要查MES工单？要不要给设备工程师发消息？要不要把异常写进维修系统？要不要同步给排产人员？要不要拉取SCADA报警记录，再把结果回写到看板？

这些动作，很多不是AI问题，而是自动化集成问题。

n8n的强项就在这里。它有大量应用和API集成，适合把ERP、MES、OA、CRM、邮件、表格、数据库、消息通知串起来。可以把它理解成业务系统之间的流程胶水。

尤其在IT/OT融合场景里，n8n可以站在一个很务实的位置。它不直接碰PLC控制逻辑，也不冒充工业控制平台。它做的是把AI的判断结果，送到业务系统和协同流程里。

比如设备报警后，LangGraph负责判断异常类型，Dify给工程师展示解释，n8n负责创建维修工单、通知班组、把处理记录同步回知识库。这段看起来不酷，但很值钱。

很多AI项目死在最后一米，不是因为模型答错了，而是因为答案没人接，动作没人做，系统没人记。n8n能补这一口气。

当然，它也有边界。别指望n8n自己变成一个成熟的Agent框架。复杂推理、状态管理、多Agent协作、长流程记忆，这些不是它的主战场。它适合做执行层和集成层。把这个边界想清楚，n8n就很好用。

LangGraph适合复杂编排，但别拿它做第一个演示

LangGraph是另一个方向。

它来自LangChain生态，定位是基于图的多Agent编排框架。你可以把流程拆成节点，用状态机驱动，让不同Agent在图里协作。

如果你做的是复杂工业场景，LangGraph会很有吸引力。

比如一个质量异常分析Agent。它不能只查一份质检报告就下结论。它可能要查工艺参数、设备状态、批次物料、换线记录、维修记录，还要判断哪些数据可信，哪些结论需要人工确认。这类流程天然不是一条直线。它会分支，会回退，会循环，会等待人确认。LangGraph的图工作流和状态管理，就适合处理这种复杂度。

再比如AI辅助排产。计划Agent看订单，设备Agent看产能，质量Agent看风险，供应链Agent看物料。几个Agent之间要互相传递状态，不能每一步都重新开始。这时候需要的不是一个漂亮拖拽界面，而是一个能被工程团队严肃维护的编排框架。LangGraph的优势就在这里。它更接近生产级多步AI流程的底座。配合LangSmith做监控和调试，工程团队可以看到每一步Agent做了什么、用了哪些上下文、在哪个节点出错。

但门槛也摆在那。LangGraph是代码框架，不是给业务人员直接拖拽用的。它需要Python基础，需要工程化能力，也需要你把状态、节点、边界、异常处理设计清楚。

所以不太建议工厂第一个AI Agent项目就从LangGraph开始。尤其是团队还没跑通过知识库问答、还没打通业务接口、还没建立人工确认机制时，直接上LangGraph，很容易变成技术团队自嗨。

更稳妥的做法是：先用Dify验证入口和知识价值，用n8n打通几个业务动作，再把确认能产生价值、复杂度也确实上来的场景，沉到LangGraph。这才是比较健康的升级路径。

真正靠谱的架构，是三层组合

如果只给一个结论：

这不是为了把三个工具都用上，而是它们刚好对应制造业AI Agent的三个断点。

• Dify解决人与AI怎么交互。现场工程师、设备主管、质量工程师，不应该直接面对一堆Python服务。他们需要一个能问、能查、能看建议的入口。
• LangGraph解决AI流程怎么可靠地跑。一个工业Agent不能只靠一次模型回答。它要能拆任务、查数据、调用工具、等待人工确认、保留状态、记录过程。
• n8n解决AI结果怎么进入业务系统。没有这层，AI只能停在建议。加上这层，AI才能推动工单、消息、审批、记录和看板。

可以把落地分成三个阶段。

这个阶段不要贪。先做知识库问答、报警解释、SOP查询、维修经验检索。Dify足够好用，n8n做一点通知和记录就可以。

这时候AI不只是回答问题，而是参与流程——异常分析、质量追溯、能耗优化建议、备件推荐。LangGraph开始进入核心，n8n负责把结果推到系统里。

这个阶段更谨慎。AI可以在限定边界内发起动作——生成维修工单、调整排产建议、触发审批流。但生产控制相关动作，尤其靠近PLC、DCS的部分，必须有权限、审计、回滚和人工确认。

这也是IT/OT融合里最容易被忽略的地方。麦肯锡提到虚拟化PLC正在推动IT/OT在架构层面融合，这个方向会让软件定义控制、边缘计算、工业数据平台进一步靠近。但越靠近控制层，越不能只靠一个会聊天的Agent。权限边界、网络隔离、实时性、安全审计，这些老问题不会因为AI出现就自动消失。

政策和市场也在推这件事往前走。据工信部相关规划，到2027年要推出1000个工业智能体。IDC数据也显示，工业企业应用大模型或智能体的比例，从2024年的9.6%跳升到2025年的47.5%。同时已经能看到一些案例在冒出来——鼎捷数智IndepthAI平台、中控技术TPT2、黑湖科技工业智能体。

这说明工业Agent不再只是概念，它正在进入产品化和场景化阶段。但你们的工厂要不要跟，不是看别人发了什么发布会，而是看你能不能把这三层跑通。

写在最后

制造业AI Agent选型，最怕两种极端。

一种是只看热度，哪个star多就上哪个。Dify 143K Stars很亮眼，但star不能替你打通MES接口，也不能替你设计安全边界。

另一种是只看架构，一上来就画多Agent大图。图画得越复杂，现场越不知道从哪用起。

一个比较朴素的看法：先问三个问题。

你现在缺不缺一个让工程师愿意用的AI入口？缺，就先看Dify。你现在缺不缺一层把AI和ERP、MES、OA、工单系统串起来的流程胶水？缺，就认真看n8n。你现在是不是已经有复杂、多步、可审计、要状态管理的Agent流程？是，再上LangGraph。

别把原型当平台，也别把平台当入口。这句话听着有点刺耳，但能少踩很多坑。

未来几年，工业智能体一定会越来越多。真正拉开差距的，不是谁先接了一个大模型，而是谁把IT/OT那条缝补得更稳。