Dify 全新 Agent 体验正式上线

今天，我们正式推出全新 Dify Agent。

随着模型能力不断提升，企业对 AI 的期待也从完成单一任务，走向让 Agent 自主理解目标-规划步骤-调用工具，并在真实业务中交付结果。

麦肯锡 2025 年全球调研显示，62% 的受访企业已经开始探索 AI Agent。当 Agent 从概念验证走向生产，团队需要解决的不只是“能否完成任务”，还有如何持续优化、跨场景复用，以及在出现偏差时快速定位和改进。

因此，我们重新思考了 Agent 在 Dify 中的角色。

在全新的设计中，Agent 不再只是依附于某个应用的执行节点，而是成为拥有独立配置、完整生命周期的 Dify Agent：它可以被独立构建、调试、发布和管理，也可以通过 Web App、API 或 Workflow 灵活接入各类业务场景。

从 Agent 节点到独立 Agent

过去｜Workflow 中的执行单元

• 2025 年初，Dify 在 Workflow 和 Chatflow 中引入 Agent 节点与代理策略（Agent Strategy），让模型得以在编排中自主决策。但彼时，它本质上仍是一个执行单元。

详见：

Dify Agent 节点 - 当工作流学会「自主思考」

随着 Agent 进入生产环境，企业对 AI 能力的长期可维护性与跨场景复用提出了更高要求。

现在｜可独立维护与复用的 Agent

• 在全新的 Agent 体验中，Agent 不再只是一个节点，而拥有了独立身份、配置和生命周期。

每个 Dify Agent 均拥有独立的模型、指令、技能、工具配置。团队只需集中构建与维护一次，即可在全局场景调用，让业务经验得以持续复用与演进。

Build 构建

基于真实业务任务打磨与沉淀能力

Manage 管理

精准管控维护，实现跨场景复用

Track 追踪

覆盖单次排查与长期运行监测，实现白盒治理。

从真实任务出发

持续打磨 Agent 能力

许多业务问题，往往始于一线团队那些高频、具体且结果可明确评估的任务。

Agent 运行后，编排初期未曾考虑的缺口、规则冲突和流程断点会更快暴露，也正是在这个过程中，团队才能精准迭代，把验证有效的工作方法沉淀为 Agent 的长期能力。

为此，全新的 Agent 提供了两种互补的构建路径：

在 Build Mode 中，对话产生的配置变更会先保存为草稿（Build Draft）。你可以查看改动并选择应用（Apply）或放弃变更（Discard），也可以切换至预览模式（Preview），在正式发布前验证 Agent 的回答效果与交互体验。

Agent 不只是一段 Prompt

随着任务复杂度提升，把业务规则、专业方法、参考资料和工具说明全部写进 Prompt，会让配置越来越冗长，也更难维护。

Agent 不应依赖单一 Prompt，而应由多个可独立维护的模块组成。

因此，Dify 将 Agent 的能力拆分为不同部分：

Prompt 定义 Agent 的角色与行为边界，Skills、Tools 和 Sandbox 则分别赋予其业务能力、工具调用能力与安全的执行环境。

模块化后，团队可以分别维护不同能力。你可以随时替换某个工具或优化某项技能，无需反复调整 Prompt，极大降低了长期维护与多人协作的复杂度。

三种方式扩展 Agent 的执行边界

要让 Agent 真正进入业务，仅仅能够调用模型还不够。它还需要连接外部系统、复用团队已有的工作方法，并根据任务灵活调用临时能力。

为此，Dify 提供了Tool、Skill和Sandbox CLI 三种扩展方式：

Tool：接入需要长期运行的正式能力

为你的 Agent 接入生产级集成能力。

团队可通过以下方式扩展功能：Dify Marketplace 下载拓展工具、连接自定义 API 或 MCP 服务器，或将现有工作流封装为工具。

工具在工作区层级进行管理，并可在多个 Agent 之间共享。

例如，生成图表工具仅需安装配置一次，之后不同的 Agent 便可使用它来分析数据、生成周报，或是为内部仪表板构建图表。

对于需要额外配置的功能，高级设置（Advanced Settings）可将环境变量集中保存在一处，并在沙箱中供代理使用。当默认值或 runtime 设置发生变更时，无需逐一查找其所有出现位置即可完成更新。

Skill：沉淀团队方法与实践

许多业务任务都有固定的判断逻辑和工作方法。

Skill 可以将操作指南、参考资料与执行脚本封装在一起，让 Agent 按统一方法完成任务。

例如，一个增长分析 Skill 可以包含指标定义、计算规则和执行脚本，让 Agent 按照统一的方法计算 CTR、CPA 与 ROAS。

脚本不会显示在 Tools 列表中，而是随 Skill 保存和维护，无需额外开发为独立插件。

随着团队沉淀出更多可复用的方法，Skill 也不应只存在于单个 Agent 中。

我们也同时推出 Skill Management功能，让 Skill 成为工作空间中的共享资源。团队可以集中创建和维护 Skill、管理发布版本并查看引用关系，让同一套业务方法服务于多个 Agent。

当客服分级、销售跟进或员工入职流程发生变化时，只需更新对应的 Skill，即可实现跨场景的能力同步。

Skill Management 已在 Dify 1.17.0 自托管版本上线，更新试试：

https://github.com/langgenius/dify/releases/tag/1.17.0

Sandbox CLI：处理当前任务中的临时需求

部分任务仅需使用一次，无需将其添加至 Agent 的长期配置中，Agent 可直接在当前 Sandbox 中安装并运行 CLI 工具。

例如，当你临时需要根据当前项目获取一份方案演示文稿时，Agent 可以在 Sandbox 中安装所需工具并生成文件；日志解析、文件转换和数据处理等一次性需求，也可以用同样的方式快速完成。

如果相同的 CLI 配置反复出现，可以将安装和调用方法沉淀为 Skill。当该能力需要在多个 Agent 间稳定运行时，可通过 API、MCP 服务器、插件或工作流，将其打造为 Dify 的共享能力。

在这样的扩展架构下，团队可以先快速验证，再将成熟做法逐步沉淀为安全、稳定且易于维护的生产能力。

让修正成为下一次运行的起点

Agent 的构建不会在首次发布时结束。

真实任务会持续暴露新的问题，团队需要判断应该调整提示词、工具还是 Skill，并把修正放到正确的位置。

在一次商品比较测试中，Agent 曾混淆两款商品的营养字段。我们没有继续追加临时 Prompt，而是将商品知识拆分为独立记录，并把“逐项检索、交叉核验、缺失信息不作推断”保存为 Skill 规则。

再次验证后，Agent 已能稳定区分两款商品的数据，并在处理过敏原、库存、退款及隐私相关问题时均把握好了恰当的边界。

Agent 的价值，不止于完成一次任务，更在于能够随着业务反馈持续演进。团队可以把运行中发现的问题转化为对知识、规则或 Skill 的调整，让一次修正成为下一次运行可复用的能力。

Manage

  一处构建，随处复用

过去，同种业务类型的 Agent 被复制到多个应用和 Workflow 中，复制次数越多，更新维护越混乱。

新的 Agent 体验改变了这种依附关系，Agent 从具体应用和节点中独立出来，团队可以在 Agents 页面集中查看和维护工作空间中的 Agent，并按状态、创建者和更新时间快速筛选。

每个 Agent 都拥有清晰的名称、描述和配置来源，让团队知道它负责什么、目前处于什么状态，以及应该在哪里继续维护。

一份配置，多个使用入口

Agent 构建完成后，不会被固定在一种产品形态中。

在访问点（Access Point）中，团队可以查看 Agent 的所有使用入口。工作流访问（Workflow access）还会列出正在调用该 Agent 的流程、版本和更新时间，帮助维护者在修改配置前了解可能影响的业务范围。

进入 Workflow，只管理当前业务

同一个 Agent 进入不同 Workflow 时，可以承担不同工作。

流程设计者无需重新配置它的 Prompt、Skills、Tools，而是通过 Agent 任务（Agent Task）为当前节点补充任务说明：这一次要完成什么、可以使用哪些上游变量与预期结果。配合新增的声明式输出，Agent 的结果可以按照预设结构交付给后续节点。

我们来看一个示例：假设你已经搭建了一个增长分析 Agent，它能够解答增长相关问题、计算指标并生成图表。

你既可以单独使用它，也可以将同一个智能体接入到活动分析工作流中，为其分配更具针对性的任务（Task）。在此基础上，工作流可负责处理质量检查、分支逻辑以及人工审核环节。

对于仅限单个工作流使用的临时功能，可从空白 Agent 节点开始从零搭建。如果后续发现该功能在其他场景下也适用，可将其保存到 Agent 库中进行集中管理。

Agent 决定“会什么”，Workflow 决定“做什么”。

既保证了共享能力的一致性，又明确了不同流程的业务边界。

让工作过程清晰可见

当 Agent 被多个入口和 Workflow 复用时，仅依靠最终回答已经不足以定位问题。

因此，Dify 提供了从单次运行到长期表现的三层观测能力：

单次追溯

完整还原用户输入、规划过程、工具调用与回复。每条日志均标明请求来源，帮助团队判断是局部流程问题还是 Agent 配置问题。

节点流转检查

当 Agent 在 Workflow 中运行时，最终结果还会流经各类节点处理。

单节点运行信息与变量检查可帮助团队检查执行步骤及节点间传递的数据，看是否发生在 Agent 内部？还是后续的质量检查？条件分支或人工审核环节，从而更轻松地定位代理或其关联工作流中的问题。

长期指标监测

团队可以按时间和调用来源汇总使用量、交互情况、响应速度、用户满意度、Token 消耗与预估成本，并持续比较不同版本和业务场景下的质量、性能与成本表现。

此外，Dify 新增了 Workflow 日志归档功能，支持按月整理和下载历史运行记录，便于长期问题追溯、运营分析与内部审计。

该功能暂不在社区版中提供，关于日志留存与归档，请参阅：http://docs.dify.ai/zh/cloud/use-dify/monitor/logs#日志保留

为什么选择 Dify 构建企业 Agent

全新的 Agent 体验建立在 Dify 一贯强调的四项能力之上：

• 模型中立：灵活对接主流与私有模型，摆脱单一厂商锁定，平衡性能、成本与合规要求。
• 可视化构建：从真实任务开始，通过 Build Mode 逐步完善 Agent，既保留 Build Mode 的自然语言探索，又提供透明可视的结构化配置，打通业务与技术团队的协同障碍。
• 灵活组合： Agent 可以独立使用、通过 API 接入现有业务系统，也可以进入 Workflow，与数据处理、规则判断、人工审批及其他节点协同工作。同一份能力只需集中维护，便能服务不同团队和业务场景。
• 透明可控：覆盖 Logs、Tracing、Monitoring、版本控制、凭证隔离与 Human Input（人工介入），确保 AI 在安全可控的边界内运行。

对于企业而言，真正的挑战往往不是能否构建一个 Agent，而是能否让它在组织中被安全地复用、持续地维护，并以可观测、可治理的方式进入生产环境。

Dify 将模型、Agent、Workflow、API 与运行观测放在同一平台中，让团队可以围绕一份能力建立清晰的开发和改进流程。

即刻开始构建

Agent 负责动态判断，Workflow 负责流程结构与控制边界，在二者的结合下，让企业无需在上线前预设所有情况，而是能在真实业务场景中灵活迭代。

从一项真实业务开始构建 Agent，在运行中不断打磨，再将成熟的能力复用到更多业务场景。

马上开始使用 → 

https://cloud.dify.ai/agents

了解如何配置 Agent，请参阅 → 

https://docs.dify.ai/zh/self-host/use-dify/build/new-agent/build

文章来自于微信公众号 “Dify”，作者 “Dify”