Dify为什么重新设计Agent系统：从技术追新到企业级落地的深度思考

过去几年，大语言模型领域经历了爆发式发展。从ChatGPT到Claude，从GPT-4到各类开源模型，每一次技术迭代都在刷新着人们对AI能力边界的认知。然而，对于专注于企业级AI应用开发的团队而言，单纯追逐SOTA（State-of-the-Art）模型性能并非全部——如何在保持技术前沿的同时满足企业级应用的刚性需求，才是真正的挑战所在。 这正是我们重新审视Agent系统设计时的核心命题：如何在快速发展的模型浪潮中，提供一套既能释放先进模型能力、又能满足企业级要求的成熟脚手架？这意味着我们必须在模型能力、私有化部署、模型中立性、权限管理、可解释性和可审计性之间做出审慎的权衡与取舍。

新Agent系统的三类核心场景

今年早些时候，当龙虾（MCP协议）热潮席卷AI社区时，我们选择了一个不同的路径——没有急于跟进开发类似DifyClaw那样的单品类热门产品，而是持续打磨底层架构。这种克制并非保守，而是基于对技术演进路径的深度思考。 令人欣慰的是，这波技术浪潮推动了行业共识的形成：CLI Agents的范式正在从Coding场景中走出，逐步进入更广泛的企业业务场景。这意味着AI Agent不再仅仅是开发者的专属工具，而是开始成为企业数字化转型的基础设施。 基于这一变化，我们决定重新设计Dify中的Agent系统，让Dify应用和工作流可以将复杂任务交给CLI Agents来完成。

核心技术架构与Loop Engineering

重新设计后的Agent系统主要服务于以下三类典型场景： 第一，业务Skills的快速转化。对于已经沉淀了成熟业务Skills的团队而言，新的Agent系统提供了将这些技能快速转化为Agent能力的能力。这意味着Agent可以接手大量重复性、耗时的人工工作，释放团队生产力去做更有价值的事情。 第二，插件生态尚未覆盖的集成问题解决。企业级应用往往面临复杂的系统集成挑战，当现有插件生态无法满足特定需求时，新的Agent系统可以填补这一空白，提供更灵活的解决方案。 第三，业务人员的自助式Agent配置。对于不具备技术背景的业务人员而言，通过对话方式指导和打磨Agent，并绕过晦涩难懂的技术学习曲线，是提升AI普惠性的关键一步。

安全隔离：企业级部署的基石

从技术原理来看，新的Agent系统与Codex、Claude Code等主流Coding Agents采用了相近的核心结构：由模型驱动的ReAct Loop，通过Bash等工具在独立沙箱环境中完成任务。然而，Agent能够真正进入生产环境，仅靠能够循环调用工具是不够的。 在幕后，我们将大量精力投入到了模型切换、上下文管理、运行环境管理、失败策略等基础能力建设中。用当下的流行术语来说，Dify提供了一套相对完备的Loop Engineering能力。这样一来，用户不必再为每个Agent重复解决这些常见问题，而可以把精力投入到如何将Agent编排到业务流程中去——这才是真正创造价值的地方。

Agent与工作流：协作而非替代

在企业级应用中，安全与合规是不可妥协的底线。Dify企业版为每个会话启动一个独立的Sandbox容器，实现了三个层面的隔离：PID隔离确保进程安全，文件系统隔离保护数据资产，网络隔离防止未授权访问。此外，系统还支持配置自定义网络策略和Security Context。 Sandbox容器基于安全加固的基础镜像构建，并以非Root用户运行，最大限度地减少了潜在的安全风险。这些设计确保了Agent在执行任务时的行为边界可预测、可控制，满足企业级部署的严格要求。 一个值得思考的问题是：既然Agent已经足够强大，为什么我们还需要工作流？答案在于二者解决的是不同维度的问题。Agent解决的是个体能力问题——让AI能够自主完成特定任务；而工作流解决的是能力如何被组织和调度的问题——让AI能力与业务流程、团队协作、长期运营相结合。 即使个体能力再强，人类依然需要线上会议软件、企业IM、OA工具、OKR等协作基础设施来组织工作。工作流的作用，正是帮助企业将现有的固化流程以一种合理的方式转化为AI与人的协作产物，并让它能够便捷地发布、长期稳定运行。在Agent能力得到跃升的今天，这一

如有侵权，请联系删除。