今天晚上參加了 數創實驗室的數創小聚，主題是有關 AI Agent 與 Dify 平台。
主講人是 Kiji Marudan博士，Dify的首席科學家及日本公司CEO。

這場分享對我來說，有點像是慢慢接近「Agent」的底層邏輯，聽到博士的幾個比喻和比較，思考了之後，慢慢拼湊出一個逐漸清楚的圖像。
這次大約分享幾點：

🧩 N8N vs. Dify：不同哲學的工作流

博士說：

• n8n 比較像是一個 RPA（Robotic Process Automation）工具，只是裡面「嵌入了一點 LLM 的元素」。它的核心還是事件觸發、自動化流程。
• Dify 則是完全顛倒過來：它是 以 LLM 為中心 的 workflow 平台，所有節點、模組都是圍繞著模型來設計的。

聽到這裡，我腦中浮現一個畫面：

👉 n8n 像是在一個老工廠裡，加裝了一台新機器。雖然更靈活了，但核心還是那套舊有的生產線。
👉 而 Dify 就像是全新打造的智慧工廠，生產線就是圍繞著 AI 模型設計的，所以可以做出更多變化。

但就我個人來說，兩個都是很棒的工具（平台），n8n的變化足夠入門者充分應用！

博士特別提醒：這不是「誰取代誰」的問題，而是兩種不同設計哲學的選擇。企業要先釐清需求，再選工具。

🔍 RAG 2.0 vs 傳統 RAG

博士還特別講到 RAG 2.0，這對我來說是另一個「啊哈！」的時刻。

我原本以為 RAG 就是：檢索（Retrieve）+ 增強（Augment）+ 生成（Generate）。
但博士的重點是，傳統 RAG 很容易掉進「垃圾進、垃圾出」的陷阱：如果檢索回來的資料不乾淨，模型再怎麼生成，還是錯得離譜。

而 RAG 2.0 的差別在於：

1. 把知識清洗流程「工作流化」，不是臨時丟幾個文件就上。
2. 引入前處理與後處理節點：確保資料在進入模型前後，都經過結構化處理。
3. 強調管線（Knowledge Pipeline） 的概念，把檔案收集、分段、索引、檢索、過濾，都當成獨立模組，能更透明、更可控。

博士補充：這就是「從模型導向 → 資料導向 → 流程導向」的演化。RAG 2.0 是一種工程化思維。

📊 台灣企業的即時調查

現場還做了一個即時投票，問大家：在導入 AI Agent 時，最擔心什麼？
結果最多人選 「可解釋性」（54%），其次是 「資料整合複雜度」（37%）。

博士解釋：這正好反映出台灣企業的「信任門檻」。

• 他們要的不是更花俏的應用，而是 可交代、可控、可追蹤。
• 如果 AI 的決策沒辦法解釋清楚，管理階層就不敢大規模導入。

🌍 開源與生態系的力量

博士還分享了 Dify 的開源故事：

• 2023 年釋出 0.6 版本，如今 GitHub star 數已經超過 11 萬。
• 在日本社群特別受歡迎，因為製造業強調「一次次輸出要一致、要可靠」。
• 開源的意義在於：快速迭代，建立生態系，而不是單一公司封閉開發。

這讓我很驚訝：原來工具的價值，不只是功能，而是能不能在 社群裡活下來。

🔔 主持人 Vincent 的加碼互動

Vincent 問博士：AI 和人的分工邊界怎麼抓？
博士回答：

• AI 擅長流程自動化、資料處理、快速生成。
• 人類專長在判斷、決策與倫理責任。
• 目標應該是 Hybrid Intelligence（混合智能），而不是替代。

🎹 Vibe Coding 的啟示

博士說他有時會做 Vibe Coding（靈感式快速寫程式），很有創意，但不適合正式專案。
因為：

• 缺乏嚴謹結構
• 無法保證結果可重現
• 工程實作需要 可控、可追蹤、可維護

博士妙語：「玩音樂可以 Vibe，寫程式還是要工程。」 🎶

💡 我的反思

聽完後，我心裡浮現三個 takeaway：

1. 從舊工具嵌 AI，到 LLM-native 平台，是一種世代交替。就像從馬車到汽車，不只是速度快一點，而是整個結構被重新設計。
2. RAG 2.0 的精神，不是單純「檢索+生成」，而是「工程化的資料管線」。這讓 AI 不再是黑盒，而是可以 debug、可以優化的系統。
3. AI Agent 的價值，不在炫技，而在落地。關鍵是流程設計 + 工具整合 + 人的介入。

📌 Q&A 精華整理

Q1：n8n 與 Dify 的差別是什麼？

A：

• n8n → 傳統 RPA 工具，嵌入 LLM 元素，但重心仍在流程自動化。
• Dify → LLM-native workflow，所有設計圍繞模型，支援多 Agent、知識管線、插件擴展。

Q2：什麼是 RAG 2.0？和傳統 RAG 有什麼差別？

A：

• 傳統 RAG → 檢索 + 增強 + 生成，容易「垃圾進垃圾出」。
• RAG 2.0 → 引入 知識管線，包含清洗、分段、索引、過濾，並有前後處理模組，讓整個流程工程化、可控。

Q3：台灣企業在導入 AI Agent 最擔心什麼？

A：
即時調查結果：

• 可解釋性：54%
• 資料整合複雜度：37%
• 即時性要求：5%
• 其他：5%

Q4：AI Agent 落地最大的挑戰是什麼？

A：

• 可控性（Controllability）：每個節點輸入輸出必須透明。
• 設計性（Designability）：可針對需求調整工作流。
• 協作性（Collaboration）：AI 與人類要互補。
• 應用導向（Application-oriented）：必須解決實際場景問題。

Q5：未來 AI 應用的模式會是什麼？

A：

• 不是追求單一最強模型，而是 Hybrid Intelligence（混合智能）。
• 模型 + 工具 + 流程 + 人類判斷 → 才能真正落地。

Q6：Dify 的開源社群影響力如何？

A：

• 2023 年在 GitHub 開源，0.6 版釋出。
• 目前累積超過 11 萬顆 star。
• 在日本尤其受到製造業社群歡迎，因為他們重視 可靠性與穩定性。

Q7：Dify 與企業現有系統能否結合？

A：

• 可以無痛整合現有系統（如 SAP、legacy system）。
• 透過插件結構快速接入，不需深度程式知識，甚至能自動生成插件。
• 強調 ecosystem，讓企業能逐步導入，而不是一次性替換。

🎁 結語

在 AI 時代的我們，「缺的不是資訊，而是觀點」。
今天的分享，讓我更確信：AI 要真正落地，不是靠單一最強模型，而是靠一個 可控、可設計、可協作的流程。