想搭一个能用自己资料回答问题的AI应用，现在能选的平台不少，Dify是其中被提得比较多的一个。它的官方定位很清楚：一个用来构建AI应用的开源平台，可以创建Agent、Agentic工作流和聊天机器人，让它们利用你自己的数据，再发布成Web应用或者通过API集成。问题也恰恰出在这里——一上来就得在几种形态里选一个，而它们适用的场景并不一样。
选错形态的代价，往往在做到一半时才显现。你可能花了两天，把一套流程在一个形态里搭得有模有样，跑到某个环节才发现它天生做不了你要的那件事，只能推倒重来。所以动手之前，先把这几种形态各自擅长什么想清楚，比急着拖节点要省事得多，也省得后面返工。选型这一步省下的时间，远比事后重构便宜，而且它不需要任何技术投入，只需要想清楚。
看它给你的是流程，还是判断
把这两个名字拆开看，差别其实在确定性上。工作流通常是你把步骤一个个编排好，每一步做什么、上一步的输出交给谁，都是你事先定下来的。它更像一张流程图：输入进去，沿着固定的几条线走，最终得到结果。适合的是那些步骤明确、分支有限的活，比如把一份文档按固定口径整理成摘要，或者按预设规则从资料里抽取字段。这类任务的特点是重复且规则明确，交给人来定流程，反而比交给模型更稳。
智能体则把一部分决定权交给了模型。官方把这类形态描述为能利用你自己的数据、自主完成任务的形态，它会在执行过程中根据当前情况决定下一步调哪个工具、要不要再查一次资料。换句话说，路线是它自己走的，你只负责给起点和终点。这种灵活性是它的长处，代价是不确定：同样的输入，两次运行走的路可能不完全一样，出了问题也更难一步步复盘，因为你很难复现它当时为什么那样选。这也意味着，同样的输入跑两次，得到的结果不保证一致，这对需要可追溯的场景并不友好。
所以选型可以简化成一个问题：这件事的步骤能不能提前写死。能写死，就用工作流，可控、好排错、结果稳定；写不死、需要临场判断，才轮到智能体。很多人的误区是觉得智能体更高级，凡事都想上智能体，结果把一件本来三步就能确定的活，做成了一堆不可预测的调用，既费额度又难调试，最后还得退回工作流重做一遍。形态本身没有高低，只有合不合适，判断依据永远是任务的确定性有多强。
资料这一层，谁都绕不过去
不管选哪一种，只要它要基于你自己的资料回答问题，前面那层准备都跑不掉。平台一般会让你把文档传进知识库，由它做切分、向量化，之后回答时先检索再生成。这一步做得好不好，直接决定了应用的上限。文档切得乱七八糟，再顺的流程也只能基于一堆碎片拼答案，表面上看是模型不行，实际上是资料这一层就没铺好。把责任归给模型很容易，但那通常是把问题推到了最不该动的那一环。模型是整条链路的最后一环，它只能对接到手里的材料负责。
这里最容易出问题的地方，是把没有整理过的原始资料直接丢进去。合同、会议记录、客服聊天记录混在一起，格式五花八门，检索出来的东西自然杂乱，模型只能在一堆不相关的内容里硬凑。稳妥一点的做法是先分门别类，把同一件事的说明集中到一处，把互相矛盾或者已经过期的版本清掉，再传进去。整理资料这件事本身，往往比你后面调多少轮提示词都管用。资料整理得好，后面几乎不需要做太多额外的提示词工程。
搭完之后还有一层要考虑：它最终以什么形式被人用。官方给的出口有两种，发布成Web应用，或者通过API集成到已有系统里。内部试用，Web应用最直接，把链接发给同事就能用；要嵌进你自己的后台、或者让别的程序调用，就走API。把出口想清楚再回头设计，能少走一段弯路，比如一个面向内部人的工具，就不必在界面和文案上下太多功夫。出口决定了投入的重点，先定出口再设计，返工的概率会小很多。
回到最初那个问题：工作流和智能体的选择，本质上是在确定性和灵活性之间做取舍，而不是在先进和落后之间做取舍。先把要解决的问题写清楚，看步骤能不能提前定下来，再决定用哪种形态，最后才是去拖那些节点、配那些参数。顺序反过来的话，你多半会在某一刻发现选错了形态，那时候重搭的成本，比一开始多花二十分钟想清楚要高得多。大多数返工，都不是因为技术难，而是因为动手前少问了那几个问题。平台给了你几种形态，但决定权一直在你手里，别让它替你做选择。
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！
