Dify 从不被看好到 GitHub Top 50 的项目，垄断日本市场，它到底做对了什么

MIT 前段时间发布了一份报告，数据很扎眼：95% 的公司在 AI 试点中翻车了。

问题不在模型身上。今天的大模型，逻辑能力已经碾压硕士生，世界知识几乎无限，成本还在持续往下掉。

说得直接点，模型能力对绝大多数人而言，不是不够用，而是严重溢出。

那根子到底出在哪？

工具不够，组织的学习能力不够。

说白了，我们大部分人，还没学会怎么跟这东西打交道。

最近听了期对谈，嘉宾是 Dify 的创始人路宇。聊了聊他们这两年是怎么过来的。

两年前，Dify 刚起步时，周围唱衰的声音不少，核心论调是：中间层太薄，护城河太浅，做不大。

两年后的今天呢？它成了全球 GitHub 上 Top 50 的开源项目，几十万个团队在用，财富 500 强里 20% 的企业都已经是它的用户。

从这期对谈里，我们梳理出几个值得仔细琢磨的关键判断。

一、定位比产品更重要，你的用户究竟是谁

两年前，最常被抛给 Dify 的问题是：你和 LangChain 到底有什么区别？

这是个好问题，但当时确实很难一句话说清楚。

回过头来看，真正的差异不在功能，而在用户画像。

LangChain 的核心用户是硬核开发者，那些编码能力强悍、追求调用效率的人。

而 Dify 从一开始就在往另一个方向狂奔：越来越多地服务弱技术，甚至完全无技术的用户。

举个例子，在日本市场，大量没有技术背景的白领，正用 Dify 搭企业内部的 SOP 和 Agent。他们一行代码不写，却能构建出相当复杂的工作流。

如果把工程师群体画成一个坐标轴，最左边是技术大牛，最右边是完全不懂技术的人。LangChain 偏左，Coze 偏右但生产属性不够，而 Dify 选择站在中间，并且坚定地往右走。

这是一个战略选择，不是功能层面的选择。

你会发现，很多看起来差不多的产品，内核可能完全不同。就像电子书阅读器，Kindle、Remarkable、SuperNote，看着都是墨水屏，但受众截然不同——有的主打书库生态，有的主打书写体验，有的主打零延迟。它们都能卖得不错。

产品定位，决定了你的对手是谁。如果定位足够独特，很多看似竞争者的人，其实根本不在同一张牌桌上。

二、为什么 GPTs 和 Coze 都没能杀死任何人？

每次 OpenAI 发新品，自媒体就喜欢写“XX 要被杀死了”。GPTs 发布时写过，Agent Kit 发布时又写了一遍。

结果呢？谁也没被杀死。

原因其实很简单：这些产品假设了一个前提——普通人能创造出有分发价值的产品。

短视频领域为什么人人都能玩？因为短视频很容易被消费。你随便拍个东西发出去，就能被看到、被点赞。

但用 Agent 平台做出来的东西，再小也是一个产品。产品是要解决问题的，不是让人体验一把“造物主”的感觉就够了。

那什么样的人能做出好的 AI 产品？大概可以分为四类：

1. 有硬科技的。算法、硬件、极致成本优化，这类能力稀缺且极难复制。
2. 有极佳体验构建能力的。比如做游戏、情感陪伴、语言学习，核心是交互和创意。
3. 有独特数据壁垒的。跟原来的生意有关，积累了别人没有的数据。
4. 有流程理解的。这是唯一可以被工具化、被平台化的能力。

前三类都很稀缺，无法泛化。只有第四类——流程——是可以被抽象出来，做成平台和工具的。

这正是 Dify 在做的事：把企业的流程、SOP、上下文连接起来，让 LLM 在这个环境里生长。它不是在做一个让人人都能捏 Bot 的玩具，而是在做企业级的智能化基础设施。

三、工程不是“薄”的，工程才是最值钱的

有一种质疑声从未断过：中间层太薄了，没有护城河。

说实话，这是个外行视角。

一个好的工程，意味着你需要做分层设计。你要把目标用户、业务场景做抽象，把可变的和不可变的东西分得清清楚楚。这是最费脑力的事，也是最需要跟现实世界反复磨合的事。

举个例子，Workflow 产品里有一个节点颗粒度的概念。颗粒度太细，就成了编程，普通人玩不转；颗粒度太粗，能力又不够。那个中间的平衡点在哪里？需要人去判断，而且是无数次判断累积出来的结果。

有消息说，OpenAI 新发的 Agent Kit，80% 的代码是 Codex 自动编码完成的。它不重视工程，所以它一定是“薄”的。

但一个做了几年的产品，跟不同客户、不同开发者在生产场景里反复磨合，背后沉淀的是无数团队交过的学费。这些学费，教会了产品怎么变成客户真正想要的样子。

能被 AI 快速生成的代码，也能被 AI 快速替代。真正值钱的，是那些需要和现实世界碰撞才能形成的判断。

四、Workflow 会消失吗？

最近半年，很多人讨论：AI Coding 这么强了，Workflow 还有存在的必要吗？

答案是：有，而且会一直存在。

原因很简单——企业对生产流程的结果，需要高度可预测性。他们需要 95% 甚至更高的可靠性，这是永恒不变的需求。

你可以想象一个极端场景：输入框输进去，AI 直接给你结果，一个节点解决所有问题。听起来很美好，但用户面临的选择就是：我要这个结果，还是不要。不要就扔掉，再来一遍。

企业不能这么玩。他们需要在关键节点上有检查点，需要 AI 在某些时刻回来和人类协作，需要把流程拉长、拆细，确保每一步都可控。

这不是技术路线的保守，是人类工作方式决定的。

Dify 的选择是：从今天高度可靠的东西出发，慢慢往智能化方向走。这条路可能要走三年、五年，但在这期间，它始终给用户提供可投产的技术。

就像满大街跑的丰田车——开不坏，轻松、安全、可靠。

另一条路是什么？一上来就冲 AGI，试图用一个 Bot 解决所有问题。用户在这条路上的感受是什么呢？是受挫、不可靠、焦虑——“我又被骗了”。

这个世界，是保守者多，还是激进者多？答案不言而喻。

五、开源是最重要的决策，没有之一

如果只能挑一件事来说 Dify 做对了什么，答案只有一个：很早选择了开源。

这个决策解决了三个核心问题：

企业选择一个中间件或开发平台，是一个很谨慎的技术投资决策。如果让他们把技术战略和某个模型厂商完全绑定，没有技术决策者敢做这个选择。但如果你是一个“插座”，可以插上各种标准，这个投资就不会犯错。

开源让产品可以在全球范围内自然传播，不需要铺销售团队。Dify 基本上是零销售状态，但财富 500 强里 20% 的企业都在用。

开源天然就是全球化的。日本市场的爆发就是最好的例子：产品刚发布时就有日语版本，社区自发传播，一下子就引爆了。当时 Dify 在日本一个员工都没有。

日本市场的成功还有一个有趣的背景：日本技术人员非常匮乏，但企业的业务又被高度流程化。所以当他们看到 Dify，就像当年只会写财务报表的会计看到 Excel 一样——这东西太适合我了。

今天 Dify 在日本接近垄断地位。你会看到它在电视上出现，在书店里看到大量教材，在任何一家咖啡店里都有人在用。

一个中国团队，用两年时间，打进了传统上被认为软件行业最难进入的日本市场。靠的不是销售，是开源。

六、下一个机会窗口在哪里？

回到开头那个 MIT 报告：95% 的公司 AI 试点失败。

这不是模型的问题。模型能力已经溢出了，大部分人用起来不仅够用，甚至是奢侈的。

问题出在“最后一公里”——工具不够、组织学习能力不够、人和 AI 的协作方式还没有形成。

所以接下来几年的机会，不在造模型，而在“建桥”。

• 打造能弥合鸿沟的基础设施
• 建立人机交互的新范式
• 设计与 AI 高效协同的工作流
• 让“如何用好 AI”这件事本身，形成更广泛的传播

有一个很有意思的观察：在 Dify 的客户里，用得最好的人不是那些标准场景的工程师。恰恰是那些“不标准”的用户。

因为他们需要一种“胶水”，去连接原有业务流程中的各种东西，形成复杂的协作关系。过去，这件事需要大量 IT 人员和工程师做系统集成。但今天，因为 LLM 的出现，因为低代码画布的出现，成本被大大降低了。

有的企业已经在做一件非常超前的事：把 Agent 当作一种生产资产，和人力资源对等看待。当有一项新业务时，他们会先分析需要哪些能力、设计什么流程，然后再决定——这个位置，是放人，还是放 Agent。

七、当智力被平权之后

今天的模型，让智力这件事变得对称了。世界知识、逻辑能力，人人触手可得，全都在那个数据库里。

那么，人类和组织的竞争力，还剩下什么？

答案是那些非对称的东西——你的决策能力、你的注意力机制、你把重点放在哪里、你怎么定义什么是重要的。

一万个人听完同一期播客，可能会写出一万个版本的总结。每个人听到的东西不一样，给 AI 的上下文也不一样，最后产出的结果更不一样。

模型能力是对称的，但使用模型的人是不对称的。

所以最后的建议是：如果你想成为那个把 AI 用得好的人，最重要的特质是什么？

是好奇心。

那些真正把 AI 用好的人，都在不断探索模型的能力边界。他们不会问“模型今天吃了没”，他们会去试探：模型能做什么、不能做什么、在哪里会出错、在哪里会惊艳。

模型是一个巨大的宝库。你要相信，你要找的东西就在里面。但你需要的，是一把正确的钥匙，才能把它提取出来。