Dify 사용기

cloud2000·2026년 3월 2일

Dify is an open-source platform for building agentic workflows. It lets you define processes visually, connect your existing tools and data sources, and deploy AI applications that solve real problems

개요

“AI를 잘 쓰는 것”에서 “AI를 내 일에 맞게 구현하는 능력”으로

Dify는 다양한 LLM과 외부 도구, 블록 기능을 활용해 코딩 없이 나만의 생성형 AI 앱을 제작할 수 있는 플랫폼임.

apps: Workflow, Chatflow, Chatbot, Agent, Text Generator

RAG, 지식구축

RAG(검색증강생성, Retrieval-Augumented Generation): LLM의 능력을 특정 데이터세트나 지식베이스로 보강하는 기술임. AI에서 참고서 제공!

사내문서를 AI가 인식할 수 있도록 벡터화 함. 문서의 의미와 내용을 AI가 이해할 수 있는 수치들의 배열로 변환함. 벡터 데이터베이스, 지식베이스에 저장한다.
질문의 벡터화
유사도 검색: 질문의 벡터를 사용하여 DB에서 관련 정보를 검색. 코사인 유사도 방법으로 계산. 두 벡터가 얼마나 같은 방향을 가리키고 있는지 수치화하여 1에 가까우면 거의 동일한 의미.
답변 생성

데이터 준비 및 분할 -> 임베딩 모델 적용 -> 백터 데이터베이스 구축 -> 챗봇 인터페이스 생성.. 이런한 작업을 직접처리하려면 어려움 -> Dify 사용

로그인 -> 사내 문서 업로드 -> 쳇본 기본 설정

AI Agent platform

flow 실행방법: manual, trigger
user input type: Short Text, Paragraph, Number, Select, Checkbox, Single File, File List, JSON code
단일 실행, 일괄 실행
app relase: url, api, mcp, embedded ui, logs, monitoring, api key
plugin 시스템

로컬 환경

1.로컬 docker 실행

cd docker
cp .env.example .env
docker compose up -d
docker ps --format "table {{.ID}}\t{{.Names}}\t{{.Status}}"

2.로컬 디버깅

DB, Redis, VectorDB는 docker로 실행하고 api/web/worker는 소스코드에서 직접 실행
git clone 한후 dev 디렉토리 하위의 shell script를 이용하면 된다.
dev/setup
dev/start-docker-compose
dev/start-api
dev/start-worker
dev/start-beat
dev/start-web

start-docker-compose 스크립트내에 docker compose명령 중애 --profile 옵션과 -p 옵션이 있어서 조사해 보니,
--profile 옵션은 docker-compose.yml 파일 내에 정의된 특정 서비스 그룹(프로필)만 선택적으로 실행하거나 관리할 때 사용한다. 이 기능을 통해 단일 파일로 개발, 테스트, 운영 등 환경별로 필요한 컨테이너(예: DB, 도구)만 띄워 리소스를 절약할 수 있음.
--project-name (또는 -p) 옵션은 도커 컴포즈로 실행되는 컨테이너, 네트워크, 볼륨의 이름 앞에 붙는 프로젝트 접두사(Prefix)를 명시적으로 지정하여, 같은 docker-compose.yml 파일로도 여러 격리된 환경을 동시에 실행할 수 있게 함.
docker-compose-template.yaml파일을 참고해서 다른 vector db를 기동할 수 있음. --profile pgvector, --profile qdrant, --profile milvus 등

setup
setup shell script안에는 api/.env, web/.env.local, docker/middleware.env 생성하고 api와 web의 필요한 라이브러리를 다운로드 한다.
```
  cd dev
  ./setup
```

middleware 실행

cd dev
./start-docker-compose

docker ps --format "table {{.ID}}\t{{.Names}}\t{{.Status}}"

backend api 실행

cd api

// .env 파일의 SECRET_KEY 필드에 rand 값 할당
secret_key=$(openssl rand -base64 42)

// linux
sed -i "/^SECRET_KEY=/c\\SECRET_KEY=${secret_key}" .env

// mac
sed -i '' "/^SECRET_KEY=/c\\
SECRET_KEY=${secret_key}" .env

cd dev
./start-api

celery worker 실행
```
cd dev
./start-worker
```
celery beat 실행
```
cd dev
./start-beat
```

front-end 실행

cd dev
./start-web

// .vscode/launch.json 에 추가
{
  "name": "Next.js Debug",
  "type": "chrome",
  "request": "launch",
  "url": "http://localhost:3000",
  "webRoot": "${workspaceFolder}/web",
  "sourceMapPathOverrides": {
    "webpack://_N_E/*": "${webRoot}/*"
  }
}

# Storybook (컴포넌트 단위 테스트)
cd web
pnpm storybook
# → http://localhost:6006

.env.local 핵심 설정:
NEXT_PUBLIC_DEPLOY_ENV=DEVELOPMENT
NEXT_PUBLIC_EDITION=SELF_HOSTED
백엔드 API 주소 (Flask가 5001에서 실행 중)
NEXT_PUBLIC_API_PREFIX=http://localhost:5001/console/api
NEXT_PUBLIC_PUBLIC_API_PREFIX=http://localhost:5001/api

LLM 플랫폼 비교: Dify vs Flowise vs Langflow vs n8n (feat:claude)

항목	Dify	Flowise	Langflow	n8n
주요 목적	LLM 앱 개발 플랫폼	LLM 챗봇/에이전트 빌더	LLM 파이프라인 빌더	범용 워크플로우 자동화
UI 방식	GUI + 코드 혼합	노드 기반 GUI	노드 기반 GUI	노드 기반 GUI
LLM 특화도	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐
비LLM 자동화	❌ 제한적	❌ 제한적	❌ 제한적	✅ 매우 강력
RAG 지원	✅ 내장 (Knowledge Base)	✅ 지원	✅ 지원	⚠️ 직접 구성 필요
멀티 에이전트	✅ 강력	⚠️ 기본 수준	✅ 지원	⚠️ 제한적
백엔드 언어	Python	Node.js	Python	Node.js
LangChain 의존	❌ 독자 프레임워크	✅ 기반	✅ 기반	❌
Self-host	✅ Docker	✅ Docker/npm	✅ Docker/pip	✅ Docker/npm
클라우드 SaaS	✅ dify.ai	❌	⚠️ DataStax 호스팅	✅ n8n.cloud
API 서빙	✅ 자동 생성	⚠️ 기본 제공	✅ 지원	✅ Webhook 방식
모델 프로바이더	매우 다양	다양	다양	제한적
로컬 LLM (Ollama)	✅	✅	✅	⚠️ HTTP 노드로 가능
프롬프트 관리	✅ 내장 버전 관리	❌	⚠️ 기본 수준	❌
모니터링/로깅	✅ 내장	❌	⚠️ 기본 수준	⚠️ 실행 로그 수준
GitHub Stars	★ 90k+	★ 35k+	★ 50k+	★ 50k+
학습 난이도	중간	쉬움	중간	중간
엔터프라이즈 기능	✅ (유료 플랜)	❌	⚠️	✅ (유료 플랜)