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

我们今天很开心，又请到了 Dify 的创始人路宇。其实我们上期大概是两年前，当时你是“让 5 万个团队用上 AI 的男人”，现在是多少个团队了？

路宇

几十万团队吧。如果按 Stars 来说，应该是 11 万多，全球排名前 50 的 GitHub 开源项目。

我觉得国内肯定 DeepSeek 算是最有名的项目之一了，在 AI 领域里面，而且确实做得也很早。

路宇

我们最早开源的时候，大概是 2023 年 4 月或 5 月。我记得是 2023 年 5 月的第 2 周开始开源，然后就一路起飞。

这个过程其实很多人都没想到。我跟很多人讲，大家都觉得 Dify 是过去两年里面没有想到能发展这么好的一个项目。

所以我觉得我们今天正好可以复盘一下这两年 Dify 的发展。因为这两年整个市场经历了很多事情，包括 AI，变化非常快。我记得两年前大家其实还不太会用 AI，所以那一期本质上聊的是怎么用 AI、什么是外挂之类的基础问题。但到今天，大家已经对这些问题很熟悉了。

你先简单讲讲，这两年总体的感受是什么？

路宇

1. Dify 三年进化

我们可以回顾一下之前的时间线。2023 年到现在已经是 2025 年了，整个市场的认知和技术都发生了变化，这里面有一些趋势。

2023 年 Dify 的第 1 个版本发布时，市场是什么状况？只要你能把这项技术做成一个让人理解的产品，就能一炮走红。当时大家对 Dify 的描述是：一个可视化的 Prompt 工程工具、世界上第 1 个可视化的 RAG，虽然非常简陋，以及有一个 Backend Service 的架构和理念，再加上看起来非常友好的界面，就足够了。

我在想，现在其实已经没人提 Prompt 工程了。2023 年大家都在讲 Prompt，现在是上下文工程，从 Prompt 到 RAG，再到 Context。

路宇

这是 2023 年的情况。到了 2024 年，市场就发生了一些变化。严肃的用户，尤其是企业用户，基本上是从年中到下半年开始进来的。我们的产品目标用户肯定是 To B，所以我们能感受到这里的变化。

新的技术出现之后，距离真正大规模、有付费能力的生产者进场，中间有半年到一年的时延，并不像大家想象得那么快。这给了你足够多的时间去做产品。

在 2024 年 3 月、4 月的时候，Dify 发布了 Workflow。Workflow 是今天大部分用户使用我们的主要产品。在这个基础上，我们又构建了插件生态。它们解决的是：在复杂应用或者智能流程中，怎么消除模型幻觉，怎么把今天的技术 API、基础设施和 LLM 结合起来。

到了 2025 年，我们看到模型有了更大的进步，包括开源模型比以前更好，以及多模态技术的发展。现在已经没有人再讨论开源模型更强还是闭源模型更强了。我记得我们当时讨论过这个问题，所以我们一开始的一些假设，比如模型中立、是否需要一个中间件，今天都已经被验证是正确的。

2023 年的时候，大家会提出很多问题，很多基础假设都还没有被验证。我觉得我们可以复盘一下，从 2023 年到现在，哪几件事情是想对了、做对了，又有哪些事情是在中间需要调整的。

我记得 2023 年那一轮我们一起跑融资的时候，大家主要质疑几个问题。那时候 LangChain 已经很火了，大家第一个质疑就是，Dify 跟 LangChain 到底有什么区别。到目前为止，Dify 和 LangChain 也是同时存在，LangChain 也没有做得不好。

你今天回头来看这个问题，会怎么想？

路宇

2. Dify 与 LangChain 的边界

两年前我回答这个问题时，回答得不够清楚。我会说，我们可能体验更好、工程更好，这是一个简单粗暴的答案。

今天回头看，我觉得我们和 LangChain 这样的产品，本质区别在于定位，以及定位的用户不同。LangChain 偏向的用户更多是有相当编码能力，希望通过工具加速编码开发和调试的人。比如它有 LangSmith 这样的产品，帮助用户更快地进行开发和调试，这是它的受众。

而 Dify 越来越多地向弱技术、甚至无技术的受众偏移。比如你去看我们在日本市场的发展，有相当多的白领用户没有技术背景，但他们在工作中使用 Dify，解决大量 SOP 构建和企业内部 Agent 的问题。

这两类用户的受众是不一样的。如果把今天的工程师或者泛工程师画成一个光谱，从左到右，一边是非常硬核、非常懂技术的人，另一边是完全不懂技术的人，你需要在这个尺度上找到一个位置。

今年 OpenAI 在 DevDay 发布的 AgentKit，其实也是同一个问题。它在中间找到了一个点，甚至可能比 n8n 更靠左，更偏向技术人员。而我们可能会越来越往右走。

但你现在其实是在很左的位置，对吧？只是希望越来越往右走。

路宇

如果从 1 到 10 打分，我可能会把今天的自己放在 5，也就是中间的位置，但我希望越来越往右走。

那你觉得 n8n 现在是几？

路宇

我觉得他们比我们更靠左一点，技术属性可能更高。

Coze 呢？

路宇

Coze 更偏右，但它的生产属性又不足。

那正好把 LangChain 聊完，我们顺着聊几个典型竞品。GPTs 应该是在 Coze 之前，Coze 是在 GPTs 之后，2023 年的 OpenAI DevDay 发布的。最开始大家是和 LangChain 比，中间 Coze 出来了，大家又质疑：字节做了 Coze，Dify 怎么办？

这个过程你怎么看？

路宇

3. 大厂没有杀死 Dify

这是一个有意思的过程。作为一家创业公司，我们已经经历了各种规模的竞争。我们和字节这样的大厂掰过手腕，和硅谷的创业公司掰过手腕，也和以 OpenAI 为代表的模型厂商及其自有平台掰过手腕。

当年别人问我，潜在对手有哪 3 类，我们已经和这 3 类对手都掰过手腕了。所以今天我们的生存能力可能已经被证明是没有问题的。

OpenAI 在 2023 年发布 GPTs 的时候，我觉得它一定是一个没有想清楚的产品。它有一个很好的理念，叫作“让人人都去创作一些 Bot”，然后把这些 Bot 放到一个 UGC 市场里。

这个逻辑是不是和 Coze 一样？其实逻辑是类似的。虽然它当年发布的产品，和 Dify 早期产品的初心非常接近。

路宇

但它没有想清楚一个问题：这些简单的 Bot 应该由谁创作出来？

我觉得绝大多数人并不具备创作那些可以再分发、具有实用价值的东西的能力。这就好比剪映和抖音的关系。短视频领域里，人人都可以说“每个人都能火 5 分钟”，所以每个人都可以拍一些东西发出去，因为那是很容易被消费的内容。

可是使用 Agent 脚手架、框架或者开发平台做出来的东西，最终哪怕再小，也仍然是一个产品。产品要能够解决人的问题，这里面当然还有能解决什么问题，以及解决得好不好的区别。

后来我把“拿 AI 做产品”这件事仔细想了一下，分成了几个维度：到底拥有什么能力和资源，才能做出一个好的产品？

第 1 类，你有硬科技。硬科技包括硬件、算法，把模型成本做得极低之类的能力。这种人是不是非常稀缺？当然是。

第 2 类，你有极佳的用户体验构建能力。比如你原来做游戏，在一个 LLM 之上构建出一套非常生动的体验，把用户留住，尤其是情感陪伴、语言学习这样的应用。这是交互构建和创意的能力，我觉得同样稀缺。

第 3 类，你拥有特殊壁垒，比如别人没有的数据。这通常和你原来做的某种生意有关，是长期积累形成的优势。

第 4 类，我觉得是流程，也就是 SOP。这个世界上不同的人、不同的企业，做事的差距，本质上是他们对流程的理解不同。

比如你是一家银行，我也是一家银行，两家银行可能都做一样的业务，但是流程不同，这代表了某种价值观。我经常给人举一个例子，每个公司都有报销，但有的报销流程很长，有的流程很短，这件事一定存在最短路径。

比如我们公司就没有传统意义上的报销流程。海外员工直接刷信用卡就结束了，公司给他一张卡就结束了。没有这个流程，但别人不一定这么理解，因为大家对流程的理解不同。

你看我前面说的 4 类能让产品产生竞争力的属性，其中只有流程是可以复用的，剩下 3 类没有什么复用性，也没有什么可泛化性，因为它们本质上是稀缺能力。

换句话说，把产品放到大众市场上，无论是 Coze 还是 GPTs，都可以套在这个模型上看：你让谁拥有什么能力，去做什么事情？绝大多数普通人也许可以用你的产品捏出一个东西，但由于前面 4 类产品价值要素都没有，他必然做不出好东西。

所以你觉得，正是定位造成了它们最后和 Dify 的关系？

路宇

从定位角度讲，它们和 Dify 甚至不是直接竞争。

但很多人会觉得它们属于同一个大类，会问 Dify 和 Coze 怎么选、怎么竞争，或者和其他产品怎么比较。但你从一开始就没觉得它们是同类。

路宇

2023 年 7 月 Copilot 这个产品发布时，我确实焦虑了一会儿，但这个焦虑没有超过 2 天，之后就再也没有看过这个产品了，我今天也没有打开过。

原因就是我知道我们的受众不同，背后的组织能力和很多东西也不同。我们把 Dify 放在企业上下文里，连接企业的人才、工具、数据，以及我刚才说的非常重要的流程，在这个环境中把 LLM 的能力放进去，让它生长起来。

我们一直解决的是这个问题。所以大家都是基于 LLM 的产品，但大家的上下文不同。

我有一个同事举的例子很好。他说，模型就像一条鱼，你把它放到不同的鱼缸里，就会产生不一样的结果。你把 LLM 放到 IDE 里，它产生了 Cursor；你把 LLM 放到 Ubuntu 的沙盒环境里，它产生了 Manus；你把 LLM 放到企业里，它就是 Dify。

GPTs 那一波我记得大家也很紧张，因为那是第一次真正由模型厂商自己来做这件事。自媒体也比较喜欢炒作，每次标题都是“OpenAI 刚刚发布了什么，谁要被杀死了”。

这种事情在 2023 年、2024 年，以及今年都发生过，结果其实没有谁被杀死，对吧？

路宇

GPTs 的逻辑几乎完全遵循我们刚才讲的事情：它的受众能创造什么，有没有价值？

即使放到一个巨大的流量入口里，因为 ChatGPT 里面有 GPTs，流量非常大，但它仍然没有真正起来，根本原因没有改变。

但我记得那一波其实对 Dify 的品牌是一个很好的推动，借着 GPTs 也涨了很多。我的印象是，GPTs 出来以后，很多企业觉得原来 AI 可以这么用，于是也想要一个类似的东西。但它们没法直接用 GPTs，就会部署 Dify，然后把应用接进去。

路宇

我觉得 OpenAI 发布的一些产品，在最终定位和效果上未必好，但在市场教育角度非常有用。因为我们需要费很大的力气向用户解释我们是什么，而像 OpenAI 这样的厂商发布一个类似产品，用户一夜之间就明白了。

然后就是 n8n。n8n 应该是半年前开始热起来的。我当时看到它的时候，觉得这家公司从名字、主体到产品，都很像一家藏在海外犄角旮旯里的公司。但现在包括小红书在内，各种地方都在讲 n8n，大家也越来越多地把 n8n 和 Dify 放在一起，其他产品反而比较少。

你怎么看 n8n？

路宇

4. Dify 与 n8n 的边界

n8n 是一家 2019 年成立的欧洲创业公司。我认为它早期的理念和我们早期的理念有很多接近的地方：提供一种低成本、开源、中立的自动化方案，和 AI 没有关系。

它当时其实要替代的是 Zapier 这样的产品。因为 Zapier 的调用成本比较高，数据主权等问题也会让企业客户担忧，所以 n8n 做了一个开源方案。

它真正和模型结合，是从去年开始的。包括他们今年做得不错的营销，也帮助产品热起来。它借助的关键力量，是从成立到现在积累了数年的生态，在连接件、工具和模板上已经有了一定的数量优势，再配合一些 UGC 营销，产生了很好的效果。

从你刚才讲的定位理论来看，你觉得 n8n 和 Dify 是很强的竞争对手吗？

路宇

从用户认知的角度，可能是。我们的很多客户确实同时在用这两个产品，所以有一定交集。

n8n 有自动化的优势，但在涉及 LLM 的部分，比如 RAG、多模态、上下文处理等方面，其实比较简陋，本质上就是把 LangChain 包进去。

而这些恰恰是我们的优势，因为我们是 AI Native 的工程。另一方面，在自动化上，n8n 的连接件更多，比如连接 Coze 或其他产品，这方面是我们起步较晚的劣势。

但 Dify 的交付形态不同。我要构建一个 Agent、一个 Bot，或者其他形式的应用，我们可以提供端到端的交付：从 Dify 的界面创建应用开始，到最终把应用交付给你，整个流程是通的，这是 n8n 做不到的。

所以这两者需要在某种程度上结合。

5. AgentKit 不是终结者

最近 OpenAI 又发布了 AgentKit。我觉得很有意思的是，中间不断会出现新的公司。OpenAI 发完一个产品，经常就有人说，去年是 Coze 和 Dify 要被杀死了，今年又变成 n8n 和 Dify 要被杀死了，每次都是不同的排列组合。

路宇

我觉得这是一种非黑即白的观点。有的时候上位产品确实会替代下位产品，但有的时候不会，尤其是在 To B 领域。

因为你和客户之间存在长期信任关系，建立的是一种非常多元的连接。我们从第 1 天开始就选择了 3 件事：开源、To B、全球化。

从这 3 个逻辑之上，又衍生出很多更细的逻辑，比如开放生态、模型中立、工程优先等一系列特点。不同产品即使看起来是同一种东西，背后的内核也完全不同。

尤其是 OpenAI 今年发布 AgentKit 时，从大众和自媒体的角度看，可能会觉得存在替代关系。但这群人恰恰是不使用这些产品的人，大家只能一眼看过去，觉得它们长得一样，反正都是拖拉拽的 Workflow。

你看今天在美国，如果去看电子书，也就是墨水屏，可以看到 Kindle、Remarkable、Supernote，各种各样的产品。它们看起来都是一样的，但是有完全不同的受众：有的专注于书写，有的专注于零延迟，有的专注于书库生态的发达，都能卖出很好的价格和销量。

所以你觉得 AgentKit 也是类似的情况？

路宇

AgentKit 还比较早期，我觉得 6 个月内不会对其他任何产品产生威胁。

2023 年我们讨论的一个核心逻辑，是未来会是多模型共存。当时肯定很难看清楚，但至少到今天，已经证明这件事是对的。

过去几个月，美国 AI coding 领域竞争很激烈，谁又把谁的模型停了，影响很大。现在大家确实会比较忌讳只用一家的模型，还是希望有更多选择。

从这个角度讲，模型厂商或者大厂自己做的东西，是不是反而不如可以选择多种模型的开源项目？

路宇

这类产品在和云厂商、模型厂商竞争时，优势非常明显。我接触过很多企业决策者。当他们选择一个中间件或者开发平台时，会非常谨慎：你在合规、开放性等方面，能不能满足他未来很多年的技术投资要求？

注意，这是一项技术投资，是基础建设，所以选择会非常谨慎。

当他选择和不同模型合作时，会更加谨慎。因为这意味着要把自己的技术战略和对方完全绑定在一起，把模型、技术、开发者套件以及所有东西绑在一起。我觉得没有一个技术决策者敢做这样的选择。

这不是一个可以自由选择的方案。但如果我只是买了一个插座回来，可以插上各种标准插头，那这个投资就不会犯错。

当时大家还有一个质疑，到现在也一直有人质疑：中间层是不是比较薄？

路宇

这个问题其实没什么好讨论的。我觉得大家的误区，或者说缺少经验，是从技术投资者的视角看，会觉得工程不值钱。但我们认为最值钱的就是工程。

一个工程意味着，你需要做分层设计；你需要在抽象目标用户和业务场景时，把所有可变和不可变的东西分得非常清楚。这是最费脑力的，也需要和现实世界有更多接触。

比如你会看到大量 Workflow 产品。Workflow 产品有一个节点颗粒度的概念：节点做得太细，就很像编程，一般人用不懂；做得太粗，能力又不足，因为抽象程度可能太高。

这两者之间有一个平衡点，这里需要人做判断。做我们这样的产品，有无数这样的决策需要人去判断。

我看到一个消息，说 OpenAI 新发布的 AgentKit 有 80% 的代码是由 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，和不同客户、不同开发者、不同生产场景不断磨合，背后交的是无数团队投入 AI 的钱。这些钱是一种学费，会教你怎样把产品捏成客户想要的样子。

有没有具体产品点的例子？你讲的这种流程和方法，和用 Codex 做出来的东西，具体在产品上体现出什么区别？

路宇

举个例子，在 Dify 的 Workflow 和 RAG 中，有很多关键组件。这些组件可能连接你现有的某个知识库和算法，在 Dify 中是完全可扩展的。

你可以使用我们原生的套件，也可以自己开发一个东西去替换它，而这两者可以热插拔、独立升级。你可以从 1.0 升级到 1.9，版本持续往上升，但你原来开发的套件一直可以使用。

这对开发者非常重要。因为我既要最新的技术，同时过去开发的技术资产也必须保留。不然过去的投资就废掉了，我一升级，业务就会挂掉。

Dify 确实升级得很快，这是很多人在讨论的事情。隔三差五就会发布一个新版，而且我记得大概过了一两年才发布到 1.0.0，对吧？

路宇

我们正式把它命名为 1.0，是今年的事情。之前接近两年的时间都在 0.x 版本，这意味着我们认为它还不成熟。

我们在做一种柔性工程。柔性工程的意思是，当你做这个时代的技术基础设施时，外部环境正在剧烈变化。就好比你在波涛汹涌的海水中开一艘船，甚至要在上面建一个浮动码头。

最近两年，我们看到外部技术一直在变化：模型厂商谁会赢，React 还在不在，模型微调技术还会不会存在，会不会出现新的模型模态。这些外部环境变化时，你其实没有办法找到自己的定位。

如果过早宣布自己是 1.0，实际上到时候产品定位会发生巨大的撕裂和漂移，对用户来说是不可信的。

我们在这个问题上处理得特别谨慎。今年发布 1.x，说明两件事：第 1，我们认为外部技术环境已经比较稳定；第 2，我们认为今天的架构值得信赖，能够支持未来 3 到 5 年的发展。

我看很多人会说，Dify 升级以后 Bug 很多。

路宇

这是因为我们的开发者构成比较特殊：一部分是原厂团队，一部分是社区成员，现在已经有超过 1,000 位贡献者。

在外部贡献者和内部开发团队共同协作的情况下，要保障测试质量是一件非常困难的事情。要把这件事做好，就需要把自动化测试的程度做到前所未有的高。

其他类似规模的开源项目也都会有这个问题吗？

路宇

全部都会有。你需要在稳定性和激进的技术迭代之间找一个平衡。

我们的企业用户可以购买 Enterprise 版本，他们其实没有这个问题。但社区版在 MCP 以及一些新特性出来时，需要跟进得更快，所以可能会有一定风险。

所以社区版是快速先发的版本，里面可能因为各种原因存在一些 Bug；企业版会更稳一些，测试更多，发布稍微慢一点。

路宇

对，当然是这样。

关于 Workflow，至少过去半年有很多人在讨论，未来 Workflow 到底还存不存在、有没有必要。因为各种自动化和 AI coding 现在都做得很好。

路宇

6. Workflow 保证企业可靠性

Workflow 之所以存在，是因为人们把与工作有关的生产流程和推理逻辑交给 LLM 之后，需要高度可预测的结果。

换句话说，对企业来说，他们需要 95% 甚至更高的可靠性。我认为这点是永恒不变的。

我们既然相信未来会把所有工作交给 AI，只是大家实现这件事的路径不同。你可以想象，当我要用模型解决一个复杂任务，比如自动帮我找房子，然后签订租房合同，整个流程中会有 1、2、3、4、5、6、7、8、9 很多中间节点。这些节点其实就是 Workflow。

节点颗粒度的大小，以及流程有多长，由今天的技术和用户预期决定。

极端情况下，可以只有一个节点解决所有问题，也就是今天大家看到的输入框：输入，结束，给我结果。用户面临的选择就是：要不要这个结果？不要就扔掉，再来一遍；不要就再来一遍。

但你是不是需要更多检查点去控制？或者在关键时刻回到人类这里协作？如果需要，就要在中间设置检查点，流程就会变长。

所以这件事本身就存在，这是人类的工作方式决定的。只是在实现所谓最终 AGI，或者相对最短路径的 Agent 时，大家选择了不同的技术方向。

DeepSeek 选择的技术方向，是从今天的 High Code，也就是大规模编码、极度可靠的东西，慢慢往智能化转换。在这个转换过程中，最终也会通向一个非常智能的东西。这个过程可能有多长，我们说不清楚，可能是 3 年、5 年，但在这 3 年、5 年中，我可以给所有技术投资者持续提供可靠的东西。

就像大街上到处开的丰田车，开不坏的丰田。用户对你的感觉是轻松、安全、可靠。虽然技术在变，我也在变，但我给你的感觉没有变。

另一条技术路线是：冲上去，直接叫 AGI，试图用一个 Bot 解决所有问题。但用户的感觉可能是受挫、不可靠、焦虑，觉得“我又被骗了”。

你可以说，这对应的是技术保守者和技术激进者之间的区别。但你猜，这个世界上所谓的保守者更多，还是激进者更多？

这是不是也和 To B、To C 的不同场景有关？比如 Manus，以及其他现在大家用来生图、生视频的产品，经常要抽卡，一次抽几十次，最后挑出一个还可以的。

对于 C 端来说，可能会觉得最后挑一个出来就行。比如之前的 Nano Banana，我也试了一下，抽 10 次能出来一个还可以的，我也能接受。那 To B 是不是更不能接受，因为它带来的影响更大？

路宇

你刚才说的 10 次或者更多结果，最终结果是你挑的，对不对？

是我挑的。

路宇

你其实是在做一种有人值守的工作。你不停判断：给我 1,000 个生成结果，我要不要？要不要？要不要？

但我们似乎想做到的是无人值守的结果。在无人值守的情况下，你需要把标准告诉 Agent，让它真正能够无人值守。大家的目标肯定都是这个。

我理解你的意思，大家的路径不同。你是一条更务实的路径，当下就能让 To B 用户用起来；模型进步以后，Dify 跟着模型一起进步就好了。

路宇

当然。我们不是不探索前沿，探索前沿的故事可能很好，但稳定性和确定性会比较差，需要人来交学费。

我们的路线是始终给用户交付可投产的技术。技术每年都在变化，但我的风险水准线不变。

但这会带来一个问题：经常会有新的概念，从资本、故事或者自媒体角度冲击 Dify。比如 AgentKit、n8n，或者未来又出现一个新的东西，说自己是一套新的范式，讲一个新的故事，说自己能做到什么。

而且它确实可能在 100 个案例里有 1 个跑通了，这一个案例非常惊艳，大家就会觉得 Dify 是不是落后了。

务实就会吃这个亏。我们经常说一个人很务实、很踏实，但踏实好像就容易被欺负。你需要有去噪能力。

过去两年里，有没有某些时间点你会焦虑，看到外面这些讲故事的产品时，会觉得受到冲击？

路宇

我认为这里的基本逻辑没有变。我们的技术路线，学术上可以称为神经符号 AI。

今天看到的所有 LLM、生成模型，以及 Transformer 模型，都可以归结为神经网络 AI，这是深度学习之后的突破。在此之前很多年，有一种更早的技术叫符号 AI。符号 AI 更逻辑化，更基于判断。

我们未来相信，所有 Agent 在良好工作的情况下，必须遵循神经符号 AI，也就是混合的形式：它有神经网络的成分，负责联想、展开数据；也有符号的部分，负责逻辑。

这不是空穴来风，而是我们从仿生学和认知科学中得到的一种理论。你会发现，人脑是一个开销很小的智能系统。但今天的 LLM 很费电、很费资源，为什么会有这么大的区别？

因为人脑除了神经网络的联想能力之外，还内置了符号能力。比如我可以看到眼前这个小朋友，判断他是男孩还是女孩，是老人还是小朋友。听起来像一棵二叉树，但这种在人脑中的快速分类，可以让我们迅速预测眼前这个人可能会做出什么行为。

这其实是一种节能系统。因为有这种判断，人做很多判断时会非常快，因为人脑内生了因果关系的认知。

路宇

这是我们在学术上坚定的一个方向。所以当你有一个基础认知去定义什么是智能时，就会非常坚定地相信自己的技术路线。

今天市面上的大多数自媒体，包括以“赛博奥特曼”为代表的一些大 V，花了很多篇幅、资金和故事，让大家相信 Transformer 这样的纯神经网络路线可以解决一切问题。我不相信这个，我从来没有相信过。

我们刚才聊了很多竞争和路线的问题。但最终从结果来看，我感觉很多 To B 客户其实不是做比较，而是组合使用。比如 Dify 加 LangChain，Dify 加 n8n，或者其他组合。你怎么理解这个现象？

路宇

其实刚才已经提到了一点，每家产品可能有不同的侧重点，这是一个普遍现象。

原因可以归结为两点。第 1，今天构建一个好 Agent 的新编程范式还没有形成，大家各自用不同的范式解决问题。

第 2，不同团队和企业的工程师技术水平不一样。我们从用户画像中就能看到，比如北美程序员的技术能力更强一些，他们更喜欢 LangChain；有些东亚国家的技术人员相对弱一些，就不喜欢 LangChain。

这其实也是典型的 To B 市场，对吧？最后很难一家独大，但市场足够大。

未来我们之前也聊过一个畅想。前段时间 OpenAI、Meta、Manus 等很多公司都在讲，未来可能会出现一种“快时尚 SaaS”。

现在每个企业需要购买很多外部第三方 SaaS，这些 SaaS 是为普适场景和需求做的，没法进行很多客制化、定制化。未来会不会有更多公司在内部，不管用 Dify 还是其他工具，自己把这些问题解决掉？

比如财税，可能不需要购买一个财税 SaaS，而是财税人员和技术人员一起用 AI 做一个 Workflow，就解决了。

路宇

从人机交互角度看，这点可以实现。但从软件工程角度来说，一些基础东西不会变。

比如数据结构。还是以财税为例，发票上有多少字段需要长期保存，哪些是敏感字段，哪些是不敏感字段，这些东西不能随便改变结构。

也就是说，未来我们再看编程范式时，可能会把大量精力放在定义什么是结果、什么是稳固结构上。稳固结构之外的部分，可以交给 AI 去做客制化定义。

所以我觉得你刚才的说法可能只对了一半。

过去两年、两年半里面，有什么是你觉得当时判断不准确，后来在过程中做了调整的？因为我们刚才讲了很多，感觉你们的预测都挺正确。

路宇

我想想。我想到一个点，可以先提一下。

我记得中间一度你会说 Dify 不做 Agent。是不是 Agent 来的速度，比你自己想象得更快？

路宇

7. Dify 重新拥抱 Agent

Agent 的定义当然很泛。我们今天在编程等领域说 Agent，实际上可以说是自主化程度变高。

它的关键突破点，是几次模型能力的进步，这其实不在大家的预测范围之内。或者说，从 GPT-4 左右开始往后看，当时没有办法想象模型在什么时间内能突破到多好，也没有办法预估未来的能力水平。

一旦这个拐点出现，就会有一批公司受益，因为你会发现这些公司都是在技术还没有成熟时提前布局、等待转折点的，像守株待兔。比如说像科er。

我现在听很多人讲，他们开始用这个思路做产品：先有一个基础产品和一小范围用户，然后等待那个转折点。如果判断转折点在半年到一年内到达，就可能成为第一个用上这项能力的人。

比如用 Nano Banana 这个比较泛的例子，如果你是第一个把 Nano Banana 推出去的人，因为模型能力很新、很有趣，大家都喜欢，就会涌过来。你就爆了，变成这个模型能力在产品上的代表。

路宇

从风险偏好来说，我们不会这么做。但如果你要做风口上的产品，捕捉短期机会，这无疑是对的。

这是 Agent 的部分。你刚才还有想到别的吗？不一定是预判错，也可能是中间踩过的坑，或者如果重来一遍，会有不同做法的事情。

路宇

我觉得我们在团队建设上不够激进。

2024 年初，我们团队还很小，只有十几、二十个人，但到年底业务已经翻了好几倍。我们没有为业务增长做好准备。这和财务考虑以及其他因素有关，说明我们在这件事上的信念还不够坚定。

你说到年底的时候，业务翻了好几倍，但人员没有跟上？

路宇

完全没有跟上。因为业务一旦增长起来，你一夜之间就需要很多优秀的人。如果人不够，这时候会做得非常吃力。

所以你觉得人还是要提前储备，但这件事很棘手。尤其国内初创公司，融到的钱也没有那么多。

现在美国也有一个论调，认为 AI 公司的人不应该太多。但这可能和国内的情况不一样。团队方面还有别的吗？产品、技术，或者对 AI 的认知方面，过去两年有没有比较大的转变？

路宇

我觉得我们的产品今天发展得不够快，重要原因是我们早期想清楚了要做什么，但没有想清楚 5 年到 10 年的使命是什么。

你知道，Dify 最早要做一个开源中间件，一个流行的、技术好的、受大家欢迎的东西，这些都很清楚，因为这是短期愿景或者市场竞争策略。

但产品存在的使命，一定会和人类社会中的某件事有关。对我们来说，今天的产品个体化程度更高，做一些小应用很好，但我们没有充分思考它怎么在更大规模的组织中应用。

未来有很多小公司，可能只有十几个人、几个人，甚至一个人，他们要通过 AI 解决大规模的工作流程。我们要怎么适应这种新的生产方式？

我把今天想清楚的使命定义为：思考未来人与 AI 的生产和组织关系。

过去一段时间我们没有想清楚这件事，所以在技术上投入了更多时间，但在如何适应系统性的社会结构变革上，还欠一些功夫。

我们两年前聊的时候，我记得很多人用 Dify 做的仍然是 Bot、陪聊、知识库、问答、客服。两年过去了，在你看来有什么很大的转变？

路宇

8. Agent 成为企业生产资产

我两年前跟你说过一个假设：不应该存在那么多 Bot。谁需要每天打开 20 个聊天框？这从来不会是一个真正泛化的需求。

但它可以让很多人快速了解这项能力，获得一种上帝感，获得一种造物主的感觉。

从实际观察来看，因为我们有很多投产客户，相当多开发者和团队在用 Dify 做非常复杂的流程。我们看到最复杂的 Workflow 可能有 400 到 500 个节点，连接企业内部各种组织关系和数据，然后生成一个结果。

这件事原来我都无法想象，但今天确实有很多公司在用我们这样的框架，做大规模的企业智能化改造。

比如我知道有些企业，像安克，可能利用 Dify 做了上千个 Workflow，集成上万个原子化能力。他们在做一件非常伟大的事情：把 Agent 资源和企业 HR、人力资源放在对等的位置上看待。

比如今天有一项新业务，我们分析这项业务需要哪些能力，设计什么样的流程，也就是一个 SOP。流程清楚以后，下一步就会想：这里是放人，还是放 Agent？

已经这么先进了吗？听起来非常夸张。这已经把 Agent 提升到了企业生产资产的角度。

路宇

我们今天看到的不是一家企业，确实有很多企业在这样做。

这比我想象得快很多。DeepSeek 那一波起来，是不是也让市场发展得更快了？

路宇

当然。因为开源、低成本模型的普及，而我们又是一个中立的中间件。

还有哪些案例能看到 Dify 打出了很有意思的应用？比如你刚才说的安克，最终它在哪些领域选择用 Agent 完成工作，又能完成到什么程度？

很多人现在想到 AI 在企业中的应用，还是知识库、客服这些场景。

路宇

我给你一个答案：我们抽象出的场景最标准的特征，就是“不标准”。

什么意思？当我要解决财务、税务、市场营销问题时，你会看到很多垂直的 To B 产品，或者原来的厂商在做特定 SaaS。他们很专业，可能花 20 美元就能解决一个特定问题，这就是标准场景。

标准场景有很多。一旦一个场景非常标准，就应该由一个厂商把它做得非常垂直，市场上也已经有很大的垂直 SaaS 公司。

我们曾经花时间想过，要不要把最标准的场景提炼出来。后来发现，我们用得最好的用户，往往都是不标准的。

原因是你需要一种类似胶水的东西，把原来业务流程、产品中的各种东西连接起来，形成复杂的协作关系。这件事在不同工种、不同组织中都不一样。

过去这件事很难，是因为需要 IT 人员和工程师完成复杂的系统集成、编码。但今天因为 LLM 和 AI coding 的出现，因为大家可以在一个画布上协同把流程搭建清楚，所以成本降低了。

这是我们学到的东西。

从这个角度讲，Dify 对企业来说，到底是脚手架、开发工具、胶水，还是最终会形成类似操作系统的东西？

路宇

我认为它会变成一种新的组织协作方式。

企业中大部分可以被抽象成标准化的东西，未来都应该在一个智能化平台上运作。这个平台要解决内部各种原子能力怎么接入，也就是一个 Hub；还要解决所有人怎么和它协作，谁负责设计流程，谁负责作为流程中的人类反馈节点。

比如我每天早上 9 点上班，打开手机，这是一个看板，上面有很多任务已经等待我提取结果。有些需要我 Review，有些需要我给予反馈。

当我点进一个流程，可以看到这项业务的生产全景。这就是未来的工作方式。你可以理解为，它是一个操作系统。

这让我想到，两年多前我们刚开始聊时，你提过一个很重要的点：LLM 不只是开发者在用，也应该更多地让实际使用者参与，让使用者能够和系统互动、给出反馈。

比如财务人员，不应该只有技术人员才能和 AI 互动，实际业务人员也要参与到系统里。

路宇

这就是我们当年说的崇高理念：LLM 推动技术平权。让那些不需要在技术上花很多时间的人，也能把自己的专业知识自动化、智能化，让他们变成 10 倍的工程师，或者 10 倍的其他工种。

这个方向现在非常坚定。原来我们可能还会怀疑，但今天不需要怀疑，这件事未来一定会发生，而且时间可能在 2 到 3 年以内。

如果有人问你，Dify 到底是谁在用，你会怎么简单回答？

路宇

各行各业的白领都在用。

有没有客户问销售、客户案例之类的？

路宇

今天财富 500 强企业中，20% 的企业都在使用 Dify。

这完全就是开源带来的竞争优势。我可以这么理解吗？因为你们其实没有做很多主动的市场销售动作，也没有传统意义上的 Go-to-Market。

路宇

9. 开源打开全球市场

我们基本是零销售状态。所以可以说，Dify 发展到今天，最重要的正确选择就是很早开源。

这是我们做的最重要的决策。没有这个决策，后面的事情都不成立。因为你要全球化，要解决信任问题，要解决快速传播问题，还要推广自己的技术标准。

日本市场其实挺神奇的。现在 Dify 最大、最成功的市场是在日本，可以这么讲吗？

路宇

Dify 今天在日本可能接近于垄断地位，也是一种现象级工具。你会在电视上看到它，在书店里看到大量教材，在咖啡店里看到大家使用 Dify。

大家经常问我：为什么是日本？以及我们做了什么？

其实我们在 2023 年产品刚发布时，就有日语版本。起初我们没有太当回事，但到了 2023 年 4 月、5 月，我就看到日本社区一下子被引爆了，大量 KOL 开始传播我们的产品。

这和日本当地的社会结构、用工关系分不开。第 1，他们的技术人员非常匮乏；第 2，企业中的大部分业务都被高度流程化。

所以他们看到 Dify，就像当年只会用来写财务报表的会计看到 Excel 一样。这有一定的社会结构原因。

当然还有其他原因，比如我们团队所在的位置，相比北美团队，在时间上更有服务优势；我们的用户界面可能也更符合某种东亚审美。但这些都是次要原因。

那你们在日本做了什么？

路宇

我们什么也没做。火了以后才做了一些事情。它火起来的过程，我们没有参与。

当我们发现它在日本传播得非常厉害时，我们在日本甚至还没有一个员工。今天我们已经有接近 10 人的团队，当时什么都没有。

那时大量当地大企业来找你，但你根本没有办法承接。我们团队甚至一个会日语的人都没有。

但现在你们已经建立起了一个相对完善的团队。

路宇

对。日本传统上被认为是软件行业特别难进入的市场，因为当地比较保守，商业壁垒很高。这些都是普遍印象。

但我们很幸运，从一个现象级流行中切了进去。如果真的要找答案，仍然是刚才说的：很早开源是最正确的选择。开源非常重要。

这两年我们也看到很多国内 AI 创始人面临全球化、国际化的问题。我们经常开玩笑说，哪怕是今天的阿里、腾讯，也不能算真正国际化的集团。

但现在很多初创公司的 AI 创始人，从第 1 天就要面对很大的挑战：要在中国建 Office，在日本建 Office，在美国建 Office，各个 Office 之间怎么配合、协作。

你过去两年应该遇到了很多这样的问题。

路宇

我们为此做了比别人更早的准备。有些最近入职的同事看到我们内部的基础设施、文档和文化积累，会说：“你们居然是一家只有两年历史的创业公司，我从没在这个阶段的公司里看到过这么完善的设施。”

因为从第 1 天开始，我们就做了一些假设：必然全球化协作，必然异步协作，必然要迎接全球市场的挑战。

所以中间需要做大量工作，比如招聘有各种国际化背景的人才。我们今天的团队里有很多 QS 世界大学排名前 50 的学校毕业、非常优秀的人。

我自己初中都没读完，但我确实感受到你们公司英语讲得很好的人很多。

路宇

这是一个硬门槛。

再比如工具的选择，我们会使用大量美国 SaaS。我们一年在 SaaS 上花的钱可能有上万美元，就是为了把全球工具链建立起来：谁处理邮件，谁处理财务，谁处理各种事务。

在这个过程中，我们自然也学会了美国人是怎么工作的，理解美国各种 SaaS 之间如何集成。这个过程本身也是在学习产品能力。

但两年前你也没有接触过日本市场、美国市场，最多对国内市场有一些了解。这个过程是怎么快速学起来的？

任何人去想，2 年时间要建立一个日本公司，要搞懂日本的规则、法律，招日本员工，做落地实施；还要在美国带一个团队，解决所有相关问题，同时处理招聘、融资、市场等事情，都会觉得不可思议。

回头看这两年，你的感受是什么？

路宇

放在两年前，甚至更早，我也没有办法想象。就像我们以前聊天时说的，你们已经是一个国际大集团了。可能还真是这样。

我们做这件事，第 1 点是因为 AI 很强。当你想了解任何一个国家的营商环境和准入门槛时，过去需要通过大量顾问、律师来解决。比如一个国家的用工问题、移民问题，今天我们可以迅速获得这些信息。只要提出正确的问题，解决问题的路径就会很清晰。

第 2 点是人。我们今天能够做到一定程度的多文化融合，是因为组织从建立第 1 天开始，就遵循了一些普世价值。这些价值天然有吸引力，能够吸引最好的人才。

比如我们有一条文化叫“对投资者透明”。任何投资人都可以看到我们内部所有文档，我们不会为了投资人去修饰数据、挑好看的数据。他们可以参与我们的 Team Building 或者其他活动。我们对内、对外、对管理层都是一套数据。

坦诚、清晰、透明，这些东西我们一直在做。

再比如财务政策。我前面提到过，每个员工入职我们公司时，都会拿到一张额度 1,000 美元的信用卡。你可以直接拿去花，我不会事先管你怎么花，事后把凭据上传就行。

我们不会事先卡报销，而是事后审查、事后 Review，确保风控没有问题即可。

这种信任先行的文化，从第 1 天就在组织里存在。这样去吸引日本或者其他地方的高级人才时，天然就有吸引力。

我觉得这在科技公司始终没有变：用什么样的文化，去吸引那些最好的人。我们信奉的是彼得·德鲁克那套理念：激发善意。

我看你最近经常在 Twitter 上发一些关于公司管理、组织的内容，也有很多人把你的帖子转到小红书，讨论工程师文化。

你现在怎么理解这件事？

路宇

10. AI 最重要的是组织

我非常同意 42 章经前段时间发布的内容：AI 最重要的是组织。

我们必须承认一点，人与人之间的 I/O 很低。你像一个大模型，所有东西都在一个模型里，没有什么通信成本，所以非常强。

但今天模型和人之间、人与人之间，要把一个问题讲清楚是多么困难。这是因为我们原来的通信方式和信息系统能够传递的带宽有限，只能通过有限的文字或其他方式传递。

工程师文化背后的逻辑，是服务于超级个体的最优工作方式。我们相信未来会有很多超级个体，他可能同时和 10 个 AI 协作，达到超级高的产能。

但他需要足够的上下文，而且这个上下文必须清晰、准确。我们所谓的工程师文化，本质上就是提前进入未来，以异步的方式服务超级单兵的工作模式。

你这两年对 AI 的理解有什么变化？

全世界这么多做 AI 的人，你们这一层是最直接和模型能力打交道的人，也要想清楚如何利用这些能力、如何预判，以及哪些能力在当前节点能产生确定性结果，哪些要到下一阶段才能使用。

所以过去两年，你对 AI 这件事的理解有什么变化？

路宇

我现在相信，我们遇到的绝大多数问题，在今天模型的基准线上都能被很好地解决。

两年前，你对模型的信任度可能只有 60% 或 70%；今天，你对它的信任度可能可以达到 95% 以上。但前提是，你要把问题描述清楚，也就是给它准确的上下文。

你和模型交互时，它像一个巨大的数据球。你要先相信自己要找的东西在里面，但需要输入正确的密码，把要找的东西提取出来。

首先需要和它有一个交互过程，磨合一下、切磋一下，看看里面有没有我要的东西。然后慢慢找到它大概在什么位置，再把它拿出来。

今天人类为什么还没有和 AI 很好地协作起来？因为寻找路径的能力还不是所有人都具备，而且我认为这件事很难被快速教学。它考验你原有的认知框架，以及你提出问题的能力。

但我相信像 Dify 这样的产品，可以把预先设计好的地图交付给用户。当你解决某一类问题时，我这里有一张地图，你顺着这张地图，就能在模型里找到正确答案。

另外一点，我觉得人类今天更多充当的是模型的现实世界传感器。从治理和逻辑上来说，人类比不过模型。但人类还有一项能力，就是和人、和现实世界进行感官交流，把收集到的数据和反馈与模型交互。

所以今天人类是一个传感器。

我刚听你讲，觉得可以用一个概念来描述：Dify 就是人寻找大模型答案的藏宝图。

路宇

对，未来一定会有这样的东西。

你刚才的说法，我最近连续听到好几个人提到。现在虽然已经没有人在提 AGI，而且大家觉得模型进展和更新的程度不如以前那么大，没有那么多质变，但你去看它各项评分和能力，其实很多方面已经远超人类。

所以未来更多不是人怎么让 AI 继续进步，而是怎么把 AI 用好。

路宇

即使是开源模型，它的大量潜能也没有被发掘出来。因为人没有主动探索它的能力边界，也没有投入足够高的频次、时间和资源去探索。

用大白话说，今天大部分模型对大部分人来说绝对够用，甚至是奢侈的。

你会做多久的技术路径规划，或者对 AI 模型能力进行预判？

路宇

我们从来不做模型技术预判。以前我跟你说过一句话：“我是那个教大家用电的人，我为什么要研究怎么发电？”

但 Dify 本身的产品技术路径，你会做规划吗？

路宇

今天我们做了 3 年规划。

你原来不是这么说的。原来你认为不要做规划，或者只做半年的规划。

路宇

今天我们可能做了 3 年规划，因为技术变量基本已经稳定了。但连接现实世界还有很多事情要做，这不是一家厂商能够独自实现的。

比如还有很多细微的组件，像 Memory、MCP 等，整个生态都需要继续建设。

我想问你一个问题。今天的模型里几乎有无限多的世界知识，逻辑水平可能接近硕士生甚至更高，这是不是我们传统上认为的智力？

这个东西今天已经变得非常普世。不管模型成本是多少，人人都可以获得，全都在那个数据包里。

那人类，或者说组织的竞争力，还剩下什么？

路宇

我想一下。

阳光、空气和水，对所有人来说都是对称的。模型让刚才说的那些东西，也就是智力，对称了。那么必然还会留下一些非对称的东西，变成未来的竞争力。

如果现在把 AI 和人放在同一个水平线上，去找人与 AI 之间的竞争力，其实就是在找人与人之间的竞争力。

所以最后还是要看人与人的区别。为什么有的人更厉害，有的人发展得更好？我觉得决策能力、注意力机制都是答案，也就是你把重点放在哪里。

我经常举一个例子。比如我们今天这期播客，最后剪成 1 个小时，1 万个人听完以后，我说请你写一篇总结，这 1 万个人可能写出 1 万个版本，每个人提到的东西都不一样。

给 AI 也是一样。我把这期播客完整给它，已经是一个很完整的上下文，甚至再给它上期播客，让它查所有 Dify 的资料。最后这么多东西里，它到底挑出什么、把重点放在哪里，以及这些东西怎么引导它做下一步动作，不同人都会不一样。

所以不同人的区别，可能就在决策能力和注意力机制上。是不是还有价值观？

路宇

价值观很难讲。你怎么定义价值观？价值观可能是更下面的一层，是不同的价值观让你看到不同的东西。

比如我刚才和 TikTok 的人聊天，他们说在中东，美女扭屁股是违法的；在巴西，美女扭屁股可能会被鼓励。当然也不能说是被鼓励，只能说从流量角度来看，是被鼓励的。

这也是不同的上下文，最后产生不同的结果。

我觉得背后就是，AI 的能力再强，不同的人最后得到的结果也不一样。

很多人，尤其年轻人，会跟我聊他们担心未来被 AI 取代。但我从来没有这个担心。我自己想过，我为什么不担心被 AI 取代？因为我觉得在人里面，我就不能被取代。我有信心说自己比其他人都强。

AI 大不了就是和其他人一样，那我为什么要担心被 AI 取代？

我也有信心，现在给我一篇文章，甚至未来 10 年不管 AI 怎么变化，我都能把这篇文章总结和写得比 AI 更好。AI 可能写出 1、2、3、4、5 条，但我会跟大家说：“你看，后面 4 点不重要，我们具体讲一下第 1 点为什么最重要。”

我问你这个问题，是因为前段时间想到一个问题：Dify 能不能在模型能力对称之后，把人与人、组织与组织、企业与企业之间非对称的那部分保存下来？

既然模型能力都对称了，每个个体和组织都有一些非对称部分，它和模型一起产生协同效应，形成所谓的 Agent。那么能不能通过 Memory、Workflow 画布或者其他方式，把这部分保存下来？

路宇

我明白。就是一开始用它交付一个 60 分的结果，然后随着模型进步、上下文提升、反馈变好，从 60 分慢慢涨到 70 分、80 分。

但我刚才给的答案是：我觉得你要做一个 90 分甚至 100 分的人，那就无法被取代。60 分的人是很有可能被取代的。

你最近还在思考什么其他问题吗？

路宇

我们这样的公司已经不小了，有七八十号人，还有全球办公室。今天我想的是，怎么把组织里的所有东西变成一条高效的信息总线。

这条总线里可能有一个秩序，也可能有一个共同的 Memory。Agent 回答任何问题时，都可以立即连接整个上下文数据库，精准找到那个东西，再回来。

这是今天所有 Agent 用户都会面临的问题：上下文的组织。

原来的上下文组织是不被重视的、无序的，甚至有很多噪音。但今天来说，这是所有组织面临的最重要问题。

只要把组织的上下文信息总线建立起来，不仅对团队有好处，对模型也有好处。因为模型可以瞬间定位到你要的东西，并精准回答问题。

我觉得这是接下来所有组织建设的一个方向。所以每个企业都需要一个首席上下文官，也就是 CCO。

你们招了吗？

路宇

创始人自己就是 CCO，最大的上下文官也是我自己。

好几个投资人都跟我讲，没想到 Dify 会发展到现在这么好。你觉得他们看走眼的是什么？或者说，能走到这一步最核心的原因是什么？

路宇

我们前面说了这么多，你会发现我们在做一件需要耐心的事情，这似乎和今天很多 AI 初创公司做的事情有些背道而驰。

但因为我们把这件事想得很清楚，所以吸纳进团队的人，都是理性、有战略耐心的人。他们可以认真按照这件事需要的标准去做。

这是我们今天积累的最大竞争力，从 Day 1 就开始了。有了这样的团队之后，我们在这件事上就必然会赢。

其实你讲回来，就是更务实、更踏实，结果也会更厚积薄发，或者更稳定地沿着一条线前进。它不会像有些公司那样，某一波概念起来以后很快又下去。

我觉得现在很多人讨论 Social 2.0，刚出现时就有人说它是不是下一个 TikTok，又要杀死谁。过去两年见过太多这种一波流的东西了。

路宇

我不觉得我们是在精耕细作、厚积薄发。我觉得我们只是在提前用一个成熟市场的做法做产品。

今天美国大街上跑得最好的车，有丰田、本田，也有 BMW。汽车是不是一个非常成熟的市场？非常成熟。

这些企业是怎么生存下来的？因为每个企业都能找到自己准确的定位：丰田代表成本和可靠，沃尔沃、斯巴鲁代表安全，特斯拉代表自动驾驶。

在成熟市场里，每个产品都要给自己打上一个厚重的标签，而且这个标签是 10 年、20 年不变的。

Dify 之所以是 Dify，是因为我们从第 1 天开始，就坚持工程优先、长期主义、稳定可靠、开放协同这些标签，一直到现在都没有变。

所以与其问我们一直做了什么，不如问我们什么东西自始至终没有变。这是一种成熟市场的打法。

你对一个产品的第 1 反应是什么？你能马上说出 3 个词，这 3 个词就是你对这个产品的印象。

可能只是因为这两年其他 AI 公司太跳了，所以显得你们比较务实。

路宇

务实肯定是务实，但我们只是在用成熟市场的正确方式做事。

关于模型能力已经很强、对大部分人已经溢出这件事，我还想再说两句。

很显然，LLM 的诞生是生产力的代际飞跃。它们可以加速代码生成，比如 Cursor；及时完成很多问题的回答；处理结构化数据；用极低成本完成复杂知识工作。

但这股强大的生产力，今天远远没有被释放。前段时间 MIT 有一个报告，说 95% 的公司在人工智能的试点都失败了。

这一定不是模型本身的原因。报告揭示的问题是，绝大多数企业 AI 实践失败，是因为工具和组织学习能力之间存在差距。

路宇

工具不够，组织的学习能力也不够。

所以下一个机会的窗口不在制造模型本身，模型肯定够用，而在于搭桥：打造能够弥合这个鸿沟的基础设施、人机交互范式，以及与 AI 高效协同的 Workflow。

让人能够快速和 AI 提取数据、完成工作，这些知识本身形成更广泛的传播。我觉得接下来几年的机会，都在解决 LLM 应用的最后一公里。

路宇

那正好就是你们在解决的问题。

那当然。

最后，因为你们接触了非常多实际使用 AI、使用模型的人，不管是大企业、创业公司还是个人开发者，你整体上有没有什么建议想给大家？

路宇

不客气地说，能把 AI 用好的人真的是少数。

怎么定义“用好”？

路宇

一个极端情况，是有人认为 AI 不够用。

我刚才说模型对大部分人是溢出的，但还有一些人觉得今天的 AI 还不够用，速度不够快，Token 不够多，什么都不够。

甚至今天我们内部会衡量每个开发者自己的模型消耗量。我们看到一个很明显的趋势：有些人使用模型的方式好得不可思议，还有些人可能还在问模型“今天吃了吗”。

这个差距的分布，可能比二八原则还要明显。所以我觉得最重要的是找到这些人，找到这些超级个体。

你看起来他们用得好的核心原因是什么？为什么他们就能用得更好？

路宇

他们不断在模型边界上游走。这些人的特质是充满好奇心。

我好奇一个问题。很早以前你就在 Twitter 上写过，我觉得你们公司的福利非常好，各方面的福利都很好。

路宇

倒不是福利本身，还是那句话：激发善意，创造一个对超级个体友好的环境。

今天 Dify 已经有很多人，遍布全球。我们的员工流失率非常低，据我所知应该低于 5%。你接触过这么多 AI 公司，应该知道这个数据意味着什么。

另外，我们今天的全球化发展，也可以给那些想去不同国家、看看这个世界有多大的人提供一个窗口和机会。

所以你们最近也还在招人，对吧？主要缺什么样的人？

路宇

对啊，我们在中国、日本、硅谷，主要缺产品、Marketing、后端研发，还有 CCO，基本都在招了。

感兴趣的人可以在哪里找到具体的招聘信息和投递渠道？

路宇

可以关注 Dify 的公众号，下面菜单有招聘链接。或者大家可以把简历发到 join us at diffy ai。

还有什么要聊的吗？就是作为创始人要快乐。你现在快乐吗？

路宇

非常快乐。

11. 创始人必须保持快乐

作为一个创业两年多的创业者，我今天的状态比最开始还要好。一方面是我现在所处的环境，加州本来就很舒服；另一方面，是我重新调整了自己的定位。

传统社会观念会把很多作为创业者、CEO 的责任压在你身上。通常的印象是，你跟朋友说“我们现在创业怎么样”，对方会问：“你怎么现在看起来没有那么苦？怎么一点都不辛苦？”

我认为这个观念恰恰是错的。创始人一定要让自己快乐。快乐意味着把自己的身心放在最好的状态里。

最好的想法来自头脑中的自然涌现。你把问题放在脑子里，可能去斯坦福大学校园里走一走，想法就会出来，它像一个从天上掉下来的礼物。但人在重压之下做不到。

团队管理也是一样。当你一味照顾很多人的感受，你的同事、投资人，以及身上背负的各种压力，就会让你失去最初创作产品时的状态。

你没有那种改变世界的动力，因为你只是在负重前行。所以我选择主动让自己快乐起来。

我也听很多人讲过类似的观念。很多时候，你应付的是眼前的问题，但眼前的问题已经把你的精力耗光了。

这有点像我以前写文章。我们原来一周写一篇文章，后来因为开会、和大家聊天，就没有心思写了。

理论上理性拆解一下，写一篇文章可能需要 2 天，开会开 5 天，那当然没有时间。但如果开会开 3 天，写东西 2 天，一周 5 天其实是够的。

可每个人的 Mindset 和状态完全不一样。你会觉得这一周就是在处理这些事情，完全没有心思做其他的事。

无论如何，把自己稍微放空一点，让自己开心一点，才是更长期、可持续的产出状态。

路宇

创业者的使命，本来就是把未来带到现在。但我要帮你升华一下，这件事不只是创始人，每个人都应该开心。

你不能被地心引力牵制住。每个人都应该做让自己开心的事情，做自己热爱的事情，放开跑。

如果你现在觉得自己没有那么开心，就要反思问题到底是什么，然后解决这个问题，让自己开心起来。

至少对我自己而言，加班是让我开心的。所以在做自己喜欢的事情时，我确实是这样的。

路宇

你看我在做公司的时候，有两个看起来相悖的价值观。

第 1，我们不喜欢 996 这种长期加班，也不希望员工超时工作，因为这会给人背上巨重的负担，一定不快乐。

但与此同时，我又反对 8 小时工作制，也就是朝九晚五。我觉得那不是一个人的正常创作状态。

一个人的正常创作状态是：今天有一个想法，我想去追它，然后进入心流，把注意力投射在这件事上，忘却时间，不停地把事情做出来。

这是智力工作者最好的状态，和 8 小时工作制是背道而驰的。

我不知道你后面有没有答案，或者你是不是已经讲完了。但我最近有一个很深的体会，因为我刚在纽约待了一周。

我对纽约最大的印象是，那里的人真的全都闯红灯。我跟人开玩笑说，现在国内都没有素质这么差的地方了。

但有人跟我解释：这些人虽然会闯红灯，可如果判断到这辆车通过时会影响车辆行进，他就不会闯。他判断这辆车开得很慢，前面又堵车，那他就会往前走。

这让我想到一个问题：所谓的规则，比如要求 996，或者要求 8 小时不能加班，都是为了约束人，达到统一的结果。

但最好的规则可能是没有规则，而是所有人的目标和方向一致。我知道自己的目的，是最大化交通效率，那红绿灯其实就不重要。否则一定会有一种情况：明明没有行人，但车遇到红灯还要在那里等。

规则是为了用最低成本管理大多数人。

路宇

所以最好的状态，是没有规则、相对混沌，但所有人的心往一处使，而且还要开心。

至少从我们两个最近的心得体会来说，如果你真的不开心，可以尝试换个环境。自己出去旅游，待两天，其实会很有帮助，至少我最近是这种感觉。

那最后就希望大家都开心，AI 不悲哀，开心一点。

路宇

对，开心一点。

谢谢路宇。我们争取明年、后年，或者再过几年继续聊。到那个时候，我们就是标准定义者了。

路宇

可以，可以。

好，拜拜。