前十天，我們從底層摸透了 Prompt 防禦與 RAG 架構的運作原理，甚至親手用程式碼處理了文本切塊與向量化。身為軟體工程師，理解這些底層邏輯是無可取代的基本功。

但如果我們在企業中要同時維護數十個 AI 應用場景，每個專案都要重新寫一次 RAG 管線、刻一次 Prompt 管理系統，那開發效率絕對會被嚴重拖垮。這時，我們就需要導入現代化的架構工具——Dify。

什麼是 Dify？
Dify 是一款極度熱門的開源 LLM 應用開發平台。你可以把它想像成「AI 應用的中控台」。它將我們前十天學到的 Prompt Engineering、上下文管理、向量檢索等複雜的底層程式碼，全部封裝成直覺的視覺化（Low-code）操作介面。

今天，我們先來一趟 Dify 的核心介面巡禮，掌握它的三大基礎支柱：

1. 工作室 (Studio)：AI 應用的組裝工廠
   這是在 Dify 中建立專案的地方。Dify 提供了四種核心應用類型：

• 聊天助手 (Chatbot)： 類似 ChatGPT 的基礎對話視窗。

• 文本生成 (Text Generator)： 專注於單次任務的輸出（例如輸入標題，直接產出文章）。

• Agent (代理)： 具備自主思考與調用外部工具能力的進階助手。

工作流 (Workflow)： 這是最考驗工程師邏輯的地方。你可以透過拖曳「節點 (Nodes)」，把 LLM、判斷邏輯 (If/Else)、API 呼叫串連起來，打造極度複雜的自動化流程。

2. 知識庫 (Knowledge)：視覺化的 RAG 管線
還記得我們在 Day 8、Day 9 辛苦討論的 Chunking 策略和 Faiss 嗎？在 Dify 的「知識庫」模組中，這一切變得無比優雅。
你只需要上傳 PDF 或 TXT 檔案，Dify 的介面就會讓你直接用下拉選單挑選「分段規則（字數或語意）」與「Embedding 模型」。點擊確認後，系統會在背景自動幫你完成向量化並存入向量資料庫，完全省去手刻資料前處理的時間。

3. 工具 (Tools)：賦予 AI 與世界互動的雙手
大模型本身沒有連網能力，但在「工具」頁面中，Dify 內建了包含 Google 搜尋、Wikipedia、GitHub，甚至是自訂 RESTful API 的擴充能力。未來當我們開發 Agent 時，模型就能根據需求，自己決定何時要去呼叫這些工具來補足資訊。

了解 Dify 的三大核心介面後，你會發現它完美對應了我們第一階段辛苦打下的硬核基礎。明天 [Day 12]，我們將直接進入實戰：在 Dify 中建立你的第一個專屬 RAG 知識庫！