AI Agent框架入门完全指南：Dify vs Coze对比与实战部署（2026最新）

1
用户输入 → Agent大脑（LLM）
2
              ↓
3
         任务规划器
4
              ↓
5
    ┌─────────┼─────────┐
6
    ▼         ▼         ▼
7
 工具调用   知识检索   记忆查询
8
    ↓         ↓         ↓
9
    └─────────┼─────────┘
10
              ▼
11
         结果整合
12
              ↓
13
         输出响应

1
输入主题 → 搜索资料 → 生成大纲 → 撰写正文 → 优化润色 → 输出

1
# 知识库配置
2
名称: 公司文档库
3
描述: 内部文档检索
4

5
数据源:
6
  - PDF文件
7
  - Word文档
8
  - Markdown
9
  - 网页链接
10

11
分块策略:
12
  chunk_size: 500
13
  chunk_overlap: 50
14

15
嵌入模型: bge-large-zh-v1.5
16
向量数据库: Weaviate
17

18
检索参数:
19
  top_k: 5
20
  score_threshold: 0.7

1
import requests
2

3
# 调用 Dify API
4
response = requests.post(
5
    "http://localhost:3000/v1/chat-messages",
6
    headers={
7
        "Authorization": "Bearer app-xxx",
8
        "Content-Type": "application/json"
9
    },
10
    json={
11
        "inputs": {},
12
        "query": "写一篇关于AI的文章",
13
        "user": "user-1",
14
        "response_mode": "blocking"
15
    }
16
)
17

18
print(response.json()["answer"])

1
# 工作流配置
2
节点1: 时间节点
3
  - 触发: 每日9:00
4

5
节点2: 数据收集
6
  - 调用搜索插件: 查询行业新闻
7
  - 调用知识库: 检索内部数据
8

9
节点3: 内容生成
10
  - LLM节点: 生成日报内容
11
  - 模板: "今日要闻: ..."
12

13
节点4: 输出
14
  - 发送飞书消息
15
  - 保存到知识库

1
# Coze 知识库
2
数据源:
3
  - 本地文件（PDF/Word/Excel）
4
  - 在线网址
5
  - Notion
6
  - 飞书文档
7

8
处理方式:
9
  - 自动分块
10
  - 自定义分块
11

12
索引方式:
13
  - 向量索引（推荐）
14
  - 全文索引
15

16
检索设置:
17
  - Top K: 5
18
  - 最小相似度: 0.5

1
from langchain.agents import create_react_agent, AgentExecutor
2
from langchain_openai import ChatOpenAI
3
from langchain.tools import Tool
4
from langchain import hub
5

6
# 定义工具
7
def search(query: str) -> str:
8
    """搜索工具"""
9
    # 实际调用搜索API
10
    return f"搜索结果: {query}"
11

12
def calculator(expression: str) -> str:
13
    """计算器工具"""
14
    try:
15
        return str(eval(expression))
16
    except:
17
        return "计算错误"
18

19
tools = [
20
    Tool(name="Search", func=search, description="搜索信息"),
21
    Tool(name="Calculator", func=calculator, description="数学计算")
22
]
23

24
# 创建Agent
25
llm = ChatOpenAI(model="gpt-4o", temperature=0)
26
prompt = hub.pull("hwchase17/react")
27

28
agent = create_react_agent(llm, tools, prompt)
29
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
30

31
# 执行
32
response = agent_executor.invoke({
33
    "input": "2024年世界杯冠军是谁？"
34
})
35
print(response["output"])

1
from langchain.tools import BaseTool
2
from pydantic import BaseModel, Field
3

4
class EmailInput(BaseModel):
5
    to: str = Field(description="收件人邮箱")
6
    subject: str = Field(description="邮件主题")
7
    body: str = Field(description="邮件正文")
8

9
class SendEmailTool(BaseTool):
10
    name: str = "send_email"
11
    description: str = "发送邮件"
12
    args_schema: type[BaseModel] = EmailInput
13

14
    def _run(self, to: str, subject: str, body: str) -> str:
15
        # 实际发送邮件逻辑
16
        return f"邮件已发送至 {to}"
17

18
# 使用
19
tools = [SendEmailTool()]
20
agent = create_react_agent(llm, tools, prompt)

1
from langchain.agents import AgentExecutor, create_openai_functions_agent
2

3
# 研究员Agent
4
researcher = AgentExecutor(
5
    agent=create_openai_functions_agent(llm, [search_tool], prompt1),
6
    tools=[search_tool]
7
)
8

9
# 写手Agent
10
writer = AgentExecutor(
11
    agent=create_openai_functions_agent(llm, [write_tool], prompt2),
12
    tools=[write_tool]
13
)
14

15
# 编排
16
def collaborate(task):
17
    # 研究员收集资料
18
    research = researcher.invoke({"input": f"研究: {task}"})
19

20
    # 写手基于资料创作
21
    article = writer.invoke({
22
        "input": f"基于以下资料写文章: {research['output']}"
23
    })
24

25
    return article["output"]

1
# Agent 配置
2
名称: 智能客服
3
模型: qwen2.5:7b
4

5
工具:
6
  - 知识库: FAQ库
7
  - API: 订单查询接口
8
  - API: 工单创建接口
9

10
工作流:
11
  1. 意图识别（LLM节点）
12
  2. 条件分支:
13
     - FAQ → 知识库检索
14
     - 订单查询 → API调用
15
     - 投诉 → 创建工单
16
     - 其他 → 转人工
17
  3. 生成回复
18
  4. 记录日志

1
# Bot 配置
2
名称: 智能客服
3
模型: GPT-4o
4

5
插件:
6
  - 必应搜索: 查询信息
7
  - 自定义API: 订单查询
8
  - 知识库: FAQ
9

10
工作流:
11
  - 输入节点: 接收用户消息
12
  - LLM节点: 意图识别
13
  - 条件分支: 路由到不同处理
14
  - 输出节点: 返回结果
15

16
发布:
17
  - 飞书机器人
18
  - 网页客服
19
  - API

1
是否需要数据私有化？
2
├─ 是 → Dify（本地部署）
3
│   └─ 是否需要深度定制？
4
│       ├─ 是 → Dify + LangChain
5
│       └─ 否 → Dify 低代码
6
└─ 否 → 是否需要多平台发布？
7
    ├─ 是 → Coze
8
    └─ 否 → 是否快速原型？
9
        ├─ 是 → Coze
10
        └─ 否 → Dify 云版

1
□ 从低代码平台入门（Dify/Coze）
2
□ 先用小模型验证流程，再切换大模型
3
□ 合理设计 Prompt，明确 Agent 边界
4
□ 工具数量控制在 5-10 个
5
□ 配置合理的 fallback 策略
6
□ 添加日志记录便于调试
7
□ 设置超时和重试机制
8
□ 定期评估 Agent 效果并优化
9
□ 注意 LLM 调用成本控制
10
□ 做好用户隐私保护