Dify

Dify est une plateforme open source de développement d'applications LLM conçue par LangGenius, rendue open source le 15 mai 2023. Elle occupe l'espace entre les API LLM brutes et les frameworks d'IA full-stack : un environnement visuel prêt pour la production où les développeurs et les équipes produit peuvent assembler des workflows, créer des pipelines RAG, déployer des agents et tout exposer sous forme d'API REST sans avoir à gérer l'infrastructure de zéro. En mai 2026, la plateforme en est à sa version v1.14.0 avec 140 000 étoiles GitHub, 5 millions de téléchargements et plus de 800 contributeurs.

L'ensemble des fonctionnalités de base couvre cinq domaines : un canevas de workflow en glisser-déposer avec plus de 50 nœuds intégrés ; un pipeline RAG configurable prenant en charge la recherche hybride BM25 et vectorielle, le découpage (chunking) ajustable, le reclassement (reranking) optionnel et le filtrage par métadonnées ; un créateur d'agents utilisant les stratégies ReAct et Function Calling ; une place de marché de plugins avec plus de 120 intégrations couvrant OpenAI o1-series, Gemini 2.0, DeepSeek-R1, Perplexity, Firecrawl et ComfyUI ; et des outils LLMOps de niveau production incluant le chronométrage par étape, les journaux de conversation et l'exportation OpenTelemetry. Chaque workflow génère automatiquement un point de terminaison d'API REST, faisant de Dify un backend naturel pour les équipes se connectant à n8n ou à d'autres couches d'automatisation.

Ce que fait réellement Dify en mai 2026

Le canevas de workflow de Dify est l'interface principale. Vous glissez des nœuds sur un canevas visuel et les connectez : les nœuds Start acceptent des paramètres, les nœuds LLM appellent n'importe quel modèle configuré, les nœuds Knowledge Retrieval interrogent vos jeux de données RAG, les nœuds Code exécutent du Python ou du JavaScript en ligne, et les nœuds Template formatent la sortie pour une utilisation en aval. La ramification parallèle permet d'exécuter plusieurs appels LLM simultanément, le temps d'exécution se rapprochant de la branche la plus longue plutôt que de la somme de toutes les branches (une amélioration des performances apportée par la v1.8.0). Le nœud Human Input, ajouté dans la v1.13.0, permet aux workflows de se mettre en pause en cours d'exécution pour une révision humaine avant de reprendre.

Le pipeline RAG est sans doute la capacité la plus différenciante de Dify par rapport aux constructeurs plus légers. L'ingestion de documents prend en charge les PDF, le web scraping, la synchronisation Notion et les dépôts GitHub. Le découpage (chunking) est configurable : la taille des fragments, le chevauchement et la stratégie d'indexation sont tous ajustables, ce qui est crucial pour les types de documents complexes comme les manuels techniques ou les contrats juridiques. La récupération prend en charge à la fois la recherche sémantique vectorielle et la recherche par mots-clés BM25, avec des modèles de reclassement (reranker) optionnels appliqués après la récupération. Le filtrage par métadonnées, ajouté dans la v1.1.0, vous permet de limiter les requêtes à des sous-ensembles de documents sans avoir à reconstruire les embeddings.

Le créateur d'agents enveloppe ces composants dans une boucle autonome. Les agents utilisent soit ReAct (cycles de raisonnement-action) soit le Function Calling selon les capacités du modèle, le choix de la stratégie étant laissé à l'utilisateur plutôt que codé en dur. Les approches de raisonnement Chain-of-Thought et Tree-of-Thought sont configurables par agent. Dify est livré avec plus de 50 outils intégrés (recherche web, bacs à sable d'exécution de code, calculatrice, utilitaires de temps) et la place de marché de plugins étend encore ces possibilités.

La sortie de la v1.0.0 le 17 février 2025 a marqué le changement architectural le plus important de Dify depuis son lancement. Les modèles et les outils ont été découplés de la plateforme principale pour devenir des plugins remplaçables à chaud, la Dify Marketplace a été lancée avec plus de 120 plugins dès le premier jour, et le nœud Agent a été introduit comme un élément de premier plan du workflow. L'annonce de Dify l'a qualifié de « révolutionnaire » car cela permettait à des tiers d'étendre les capacités sans toucher au code principal, ce que l'architecture antérieure à la version 1.0 rendait peu pratique.

« un outil que nos ingénieurs backend apprécient beaucoup car il est très flexible » - Mingji Zhang, Product Hunt, 2024

« Je suis passé de l'idée à un assistant fonctionnel en moins de 48 heures. Je télécharge les diffs de commits dans un nœud RAG, j'exécute deux nœuds LLM en parallèle pour le résumé et la détection de problèmes, je fusionne les résultats dans un nœud Template, et je déploie le tout sous forme d'API que j'appelle depuis Slack chaque semaine. » - développeur anonyme, avis Skywork.ai, 2025

Où se situe Dify par rapport à Langflow et Flowise

L'espace des constructeurs d'applications LLM open source compte trois principaux concurrents, et les différences sont architecturales, non cosmétiques.

Langflow est une interface visuelle pour LangChain qui compile les flux directement en code Python LangChain. Cela le rend véritablement utile pour les équipes utilisant déjà LangChain en production : vous pouvez exporter un flux sous forme de module Python et l'intégrer dans un service existant. Le compromis est une architecture mono-locataire (single-tenant) par conception - il n'y a pas de primitives d'espace de travail intégrées, pas de contrôle d'accès basé sur les rôles et pas de file d'attente asynchrone. Langflow a été acquis par DataStax en 2024, lui offrant un soutien commercial d'entreprise et un hébergement cloud qui manquent au modèle startup de Dify. Il comptait environ 42 000 étoiles GitHub début 2025 contre 58 000 pour Dify à la même période. Idéal pour : les équipes d'ingénierie natives LangChain faisant du prototypage rapide et prévoyant d'intégrer des flux dans des services Python existants.

Flowise est l'option la plus légère. Il fonctionne avec 1 Go de RAM contre un minimum de 4 Go pour Dify, ce qui le rend pratique pour un déploiement local sur une machine basique. Flowise est construit sur LangChain et privilégie la création de chatbots par glisser-déposer avec des widgets intégrables. Les compromis sont réels : pas de file d'attente asynchrone intégrée, l'observabilité la plus faible des trois, et un contrôle logique limité aux conditions If/Else (pas d'itération parallèle). Il comptait environ 30 000 étoiles GitHub début 2025. Idéal pour : les widgets de chatbot intégrables, les démonstrations rapides de preuve de concept (POC) et les outils internes où la surcharge d'infrastructure doit rester proche de zéro.

Les avantages de Dify résident dans son infrastructure de production. Il est livré avec Celery et Redis pour la gestion des files d'attente asynchrones - les flux longs s'exécutent de manière asynchrone avec une interrogation d'état (polling) prête à l'emploi. Il dispose de primitives d'espace de travail explicites avec un contrôle d'accès basé sur les rôles et une prise en charge native du SSO (Azure AD, Okta, GitHub, Gmail, Notion OAuth ajoutés dans la v1.7.0). Chaque flux expose automatiquement un point de terminaison REST sans configuration supplémentaire. L'exportation OpenTelemetry et l'intégration Langfuse sont intégrées nativement, et non ajoutées a posteriori. Le coût de ces fonctionnalités est la complexité : Dify nécessite Docker Compose avec PostgreSQL, Redis et des conteneurs de travailleurs (workers). Ce n'est pas un projet d'auto-hébergement du week-end pour un utilisateur non technique.

Comparé à AnythingLLM, qui utilise un modèle RAG limité à l'espace de travail et optimisé pour des chatbots internes rapides, Dify traite le RAG comme un nœud au sein d'un pipeline d'orchestration plus large. AnythingLLM est plus rapide à configurer pour les questions-réponses sur des documents, mais manque du découpage configurable, du reclassement et des capacités de workflow plus larges qu'offre Dify. Pour les équipes dont le cas d'usage est de « discuter avec vos documents », AnythingLLM est plus simple. Pour les équipes créant des applications d'IA à plusieurs étapes qui incluent le RAG comme l'un de leurs composants, Dify est le bon choix. À comparer également : Open WebUI pour les équipes concentrées sur les interfaces de chat LLM locales plutôt que sur le développement d'applications, et RAGFlow pour les charges de travail RAG riches en documents avec des exigences d'analyse (parsing) approfondies.

À quoi ressemble la réalité du workflow

Le canevas visuel est véritablement utilisable pour les développeurs ayant des compétences techniques modérées. Les utilisateurs non techniques peuvent assembler des chatbots simples et des assistants de base de connaissances sans écrire de code. Mais l'approche « no-code » est trop prometteuse pour tout ce qui dépasse ces modèles. Les nœuds de code personnalisé nécessitent Python ou TypeScript. Le débogage des branches parallèles implique la lecture des journaux par étape et des données de chronométrage. Le développement de plugins nécessite de comprendre le SDK de plugins de Dify. La communauté de l'outil sur GitHub et Discord est active (plus de 800 contributeurs), mais la documentation est en retard par rapport au rythme des sorties - avec des versions mineures mensuelles publiées tout au long de 2025 et jusqu'en 2026, certaines fonctionnalités ont une documentation rare ou obsolète.

Les limites des forfaits cloud sont un point de friction récurrent. Les 200 crédits de messages du niveau Sandbox suffisent à peine pour l'évaluation. Le niveau Professional à 59 $/mois impose des limites de taille de charge utile (payload) et restreint l'injection de variables cachées, ce qui bloque certains modèles de production spécifiques. De nombreux utilisateurs sur les forums décrivent le même parcours : commencer sur le cloud, atteindre les limites, migrer vers l'auto-hébergement, découvrir que l'auto-hébergement a sa propre surcharge d'infrastructure. Les équipes qui peuvent investir dans la configuration Docker finissent généralement par choisir l'auto-hébergement comme choix de production pragmatique.

La mise en garde concernant la licence multi-locataire (multi-tenant) mérite d'être connue d'emblée. Malgré le badge Apache 2.0, la licence de Dify restreint l'utilisation de l'édition communautaire auto-hébergée pour créer un produit SaaS commercial desservant plusieurs locataires sans licence commerciale. Cela revient régulièrement dans les discussions GitHub et prend les équipes au dépourvu après qu'elles ont construit sur la version open source. Les équipes créant des outils internes pour leur propre usage n'ont aucune restriction ; les équipes créant un produit qui héberge plusieurs locataires clients finaux doivent soit acheter une licence d'entreprise, soit utiliser le niveau Team de Dify Cloud.

Pour qui Dify est-il conçu

Dify est le bon choix pour les équipes produit et les startups qui créent des fonctionnalités basées sur les LLM sans avoir une équipe complète d'ingénierie en IA. Si vous devez livrer un système RAG en production, un agent qui appelle des API externes, ou un workflow qui combine plusieurs appels de modèles avec une logique personnalisée, et que vous ne voulez pas assembler de zéro LangChain, Celery, Redis, une base de données vectorielle et une pile d'observabilité, Dify vous offre cette architecture pré-assemblée.

Les équipes informatiques d'entreprise créant des bases de connaissances internes avec des exigences de conformité bénéficient de l'intégration SSO de Dify, du contrôle d'accès basé sur les rôles et de l'option d'auto-hébergement. Les équipes utilisant déjà n8n ou Make.com pour l'automatisation trouvent que les points de terminaison d'API générés automatiquement par Dify s'intègrent naturellement - Dify gère l'orchestration de l'IA tandis que n8n gère les déclencheurs d'événements et les intégrations en aval.

Les 140 000 étoiles GitHub et les 5 millions de téléchargements de l'édition communautaire reflètent une véritable adoption au-delà de l'effet de mode. L'annonce du 5 juin 2025 des 100 000 étoiles GitHub a placé Dify parmi les 100 meilleurs projets open source à l'échelle mondiale - une métrique qui reflète une utilisation active, et pas seulement un simple ajout aux favoris.

Ce que Dify n'est pas

Évitez Dify si votre exigence principale est la configuration la plus simple possible. Flowise fonctionne avec 1 Go de RAM et un seul conteneur Docker. Dify nécessite 4 Go de RAM et une pile multi-conteneurs. Pour les développeurs solo créant un outil personnel, cette surcharge n'est pas justifiée.

Évitez Dify si vous êtes une équipe d'ingénierie native LangChain qui souhaite rester en Python. Langflow compile les flux visuels en code LangChain que vous pouvez inspecter et modifier. La sortie visuelle de Dify reste dans Dify.

Évitez Dify si vous créez un produit SaaS commercial multi-locataire et que vous n'êtes pas prêt à négocier une licence d'entreprise. La restriction de licence est réelle et appliquée.

Évitez Dify si vos utilisateurs finaux s'attendent à une interface de chat soignée et entièrement personnalisée. L'interface utilisateur de l'application web intégrée est fonctionnelle mais difficilement personnalisable. Les équipes ayant besoin de frontends spécifiques à leur marque utilisent généralement le backend API de Dify avec un frontend personnalisé - ce qui fonctionne bien mais ajoute une couche de développement.

Pour les équipes dont le besoin principal est de discuter avec des LLM locaux via une interface soignée plutôt que de créer des applications, Open WebUI est un meilleur choix. Pour le RAG pur riche en documents avec une analyse avancée des PDF, RAGFlow répond plus directement à ce créneau.