一、背景

之前的文章：AI增效：AI大模型生态最态势及相关技术-25.5.27 讲到LangChain等传统agent编排框架式微，文中提到了一些低代码/无代码的新工具，今天做了下研究，分享记录一下。

二、认识几种新工具

1、Dify

Dify: Leading Agentic AI Development Platform

AI 应用开发框架/平台，开源，低代码/无代码可视化界面。

核心能力：可视化工作流编排、多模型管理（兼容 OpenAI、Claude、Llama 等）、RAG 引擎、Agent 智能体构建。

优点：

  • 开发门槛低：非技术人员可快速搭建应用
  • 灵活扩展：支持 20+ 模型和多 Agent 协作
  • 企业级特性：私有部署、API 网关、审计日志

缺点：

  • 复杂文档解析弱（扫描件失败率 >60%）
  • 多模型调度依赖外部 API，成本不可控

Dify可以构建如下类别AI应用：

  • 聊天助手：基于 LLM 构建对话式交互的助手。有记忆上文聊天内容。
  • 文本生成应用：面向文本生成类任务的助手，例如撰写故事、文本分类、翻译等。不记忆上文聊天。
  • Agent：能够分解任务、推理思考、调用工具的对话式智能助手
  • 对话流：适用于定义等复杂流程的多轮对话场景，具有记忆功能的应用编排方式
  • 工作流：适用于自动化、批处理等单轮生成类任务的场景的应用编排方式

图示两个例子感性感受下Dify搭建AI应用的过程：

美股分析助手（Agent）：

工作流应用：

欲了解更多可参考我的Dify介绍文章：AI增效：从意识里懂一下Dify

2、n8n

工作流自动化平台，开源，无代码/低代码，核心定位为 “数字世界的连接器”。通过可视化节点拖拽实现跨系统数据流转与任务自动化，支持集成 400+ 应用（如 Google Sheets、OpenAI、数据库等），并深度融合 AI 能力（如 LangChain 节点）。其核心目标是 降低自动化开发门槛，让非技术用户快速构建复杂业务流程，同时为开发者提供代码级扩展能力（支持 JavaScript/Python）。

  • 自定义节点开发：支持 JavaScript/Python 代码嵌入。
  • 混合编程引擎：可视化界面与代码沙箱无缝切换，满足灵活需求。

优点：

  • 低代码拖拽界面，工作流搭建效率提升 3-5 倍
  • 900+ 社区模板快速复用，支持 400+ 预置节点
  • 可扩展自定义节点；混合编程（可视化+代码）覆盖全场景
  • 开源免费（自托管），无用户数/调用量限制
  • 支持 Docker/K8s 部署，数据完全可控；RBAC 权限、审计日志、SSO 集成
  • 非 AI 场景更强（如 ERP 对接、数据清洗），最佳场景为企业内部的 跨系统集成（如库存同步、运维监控）；轻量级 AI 工作流（需搭配 LangChain 节点）
  • 开源免费降低企业 TCO（总拥有成本）

缺点：

  • 复杂逻辑仍需 JavaScript 编码调试
  • 高并发需额外运维优化（如 ELK 日志分析）
  • 复杂 AI 逻辑需配合 LangChain 等框架；
  • 扫描件/表格解析弱于 RAGFlow 等专用工具

“复杂 AI 逻辑需配合 LangChain 等框架”：在 n8n 中，LangChain 通过 可视化节点集群 集成，过程为拖拽 **LangChain 根节点、**挂载子节点、配置动态参数，协作关系如图：

  • n8n 角色：流程编排者，负责 触发、路由、结果分发。
  • LangChain 角色：AI 逻辑执行者，负责 复杂推理、工具协作、记忆管理。

3、RAGFlow

和前两种有点不同：是一个RAG 引擎，专注于深度文档理解。

RAGFlow框架已内置一些模块，如DeepDoc模块，支持PDF/Word/Excel/PPT/扫描件等复杂格式的布局感知解析，包括文本、表格、图像关联内容提取；支持向量检索+关键词全文检索+图结构召回，内置分块策略优化和BGE重排序算法，检索环节可独立完成；从0.8版本开始提供自研的Agent编排系统，支持无代码编辑任务流（如多轮对话、意图识别），无需LangChain等外部框架。外部依赖组件：LLM大模型，向量数据库。

核心能力：擅长处理复杂格式文档（PDF/表格/扫描件），提供高精度检索增强生成能力。布局感知解析、多模态文档处理、混合检索（语义+关键词+图结构）、减少生成幻觉。

优点：

  • 专业文档处理：表格/扫描件解析准确率 95%+15
  • 检索精度高：混合检索使医疗问答准确率从 78%→92%15
  • 数据安全：本地化解析，避免云端泄露

缺点：

  • 部署复杂：需维护 Docker 集群和微服务

三、技术原理

维度 Dify n8n RAGFlow
架构设计 分层模块化（数据层、编排层、基础层） 节点化架构，分触发节点、操作节点、逻辑节点、数据传输节点；数据驱动模型；通过 LangChain 节点 对接大模型，实现自然语言处理、决策路由；允许挂载工具链实现多步骤任务。 多级索引（设备号/故障码/语义向量）
检索原理 基础语义检索（依赖向量数据库） - 混合检索：向量+全文+图召回 + BGE 重排序
文档处理 支持常见格式（PDF/Word），但复杂表格解析弱 - 布局感知技术：绑定图文/表格关联内容，提升解析完整度 62%

四、与传统框架对比（LangChain/AutoGen）

框架 适用场景 开发灵活性 学习成本 多Agent支持 AI集成深度
Dify 大模型应用编排，企业级应用快速落地 中（低代码） 低 基础协作 极深（优化 RAG）
n8n 通用工作流自动化，跨系统集成、RPA 流程，非 AI 优先的 自动化流水线引擎 中（低代码为主） 低 基础协作 中（需配置节点）
RAGFlow 专业领域文档处理 低（垂直优化） 中高 无 极深（优化 RAG）
LangChain 复杂 Agent 链、RAG 系统 高（代码级） 高 模块化支持 深（原生支持）
AutoGen 多Agent 协同任务，动态协作 高（编程驱动） 极高 强（动态分工） 深（Agent 调度）

Dify/n8n/RAGFlow开箱即用，牺牲部分灵活性换落地效率。注意n8n技术定位为非 AI 优先的 自动化流水线引擎，擅长系统连接与数据流转。

****LangChain/AutoGen：更精细的 Agent 行为控制（如记忆管理、工具调度）**；**原生支持复杂 AI 逻辑（如 ReAct 推理）。

五、部署成本

--来自腾讯元宝

项目 最低配置 推荐生产配置 部署复杂度 成本优化建议
Dify 8GB RAM, 50GB 存储16 64GB RAM, 1TB NVMe16 中（Docker/K8s） 混合使用开源模型（如 DeepSeek）
RAGFlow 16GB RAM, 100GB 存储19 32GB RAM, 1TB SSD15 高（多容器） 按文档量分阶段扩展
结合部署 32GB RAM, 100GB+ 存储15 64GB RAM, 1TB NVMe RAID 极高 仅核心业务用 RAGFlow15
n8n 8GB RAM + 50GB 存储 16GB RAM + 100GB SSD 中高 -

六、选型建议

  • 优先 Dify：

  • 需需求：快速搭建客服系统/轻量知识库等AI应用流程；

  • 场景：非技术团队主导、数据敏感性低。

  • 优先 RAGFlow：

  • 需求：处理扫描件/复杂表格（如医疗/法律文档）；

  • 场景：专业领域高精度检索，容忍更高部署成本**。**

  • 结合部署：

  • Dify（应用层） + RAGFlow（解析层）：兼顾开发效率与专业能力，适合金融/医疗企业。提高准确率。如某医院知识库项目：纯 Dify 部署电子病历检索准确率 68%，结合 RAGFlow 后达 89%，但硬件成本增加 40%。

  • 优先 n8n：

  • 需求：实现工作流程自动化，集成多种应用程序以简化重复性任务处理；

  • 场景：适用于中小型企业或团队，特别是需要跨多个应用平台自动处理数据的运营、市场和销售部门，非技 术团队亦可通过可视化界面设计和管理自动化流程。涵盖AI/非AI自动化流程搭建，非AI场景更强。

我是@AI增效，专注于研究AI应用和增效，持续分享AI探索和实践，期待和大家一起交流。