WorkflowAdvanced

Dify (2026 메이저 업데이트)

No-code platform for building LLM workflows with visual drag-and-drop functionality.

Previously, creating LLM-based automation required coding directly with frameworks like LangChain and connecting vector databases, document ingestion tools, and observability tools individually. Dify integrates all these steps into a single canvas, allowing you to drag and drop node boxes to bundle LLM chains, conditional branching, RAG searches, and external API calls at once. In the major update of 2026-03, it began to support MCP (Model Context Protocol) bidirectionally, enabling the Dify workflow itself to be called as a function from external clients like Claude or Cursor.

From a practical perspective, it allows you to (1) build a RAG pipeline for searching thousands of internal PDFs/PPTs with a chatbot in just 30 minutes, (2) replace 100+ LLM providers (including GPT, Claude, Mistral, and self-hosted Ollama) with a single click to compare costs and quality, and (3) combine Function Calling/ReAct agents with 50+ built-in tools (such as Google Search and DALL·E) to create multi-step automation.

💻 System Requirements

🧠RAM

Not required — LLM inference is delegated to an external API or a separate inference server (e.g., Ollama, vLLM). Dify itself operates using only the CPU.

💾Storage

Approximately 2-5GB total for the Docker image + vector database + PostgreSQL. This will increase depending on the scale of the RAG documents.

⚡ Installation

4-1. Quick Start (Docker Compose)

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

After installation, access http://localhost/install in your browser to perform the initial administrator setup.

4-2. Detailed Installation

# 1. Clone the repository (latest release)
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 2. Configure environment variables
cp .env.example .env
# Customize `SECRET_KEY`, database password, etc., in the `.env` file.
# For advanced configuration, refer to the theme-specific environment files under `docker/envs/`.

# 3. Start the services (API, Worker, Web, Plugin Daemon + PostgreSQL, Redis, Weaviate, Nginx, etc.)
docker compose up -d

# 4. Initial access
# `http://localhost/install` (local) or `http://<server IP>/install` (remote)

Kubernetes Deployment: Several community Helm Charts are available (Douban Charts, Magicsong AI Charts, etc.). One-Click Cloud Deployment: Supported on AWS Marketplace (Dify Premium AMI), Alibaba Cloud Computing Nest, and Terraform (Azure, GCP).

FAQ

What is Dify (2026 메이저 업데이트)?

Dify is an open-source LLM app platform developed by LangGenius (formerly from the Tencent Cloud DevOps team). In short, it can be described as a "visual IDE that assembles LLM workflows and RAG using drag-and-drop, without coding." Previously, creating LLM-based automation required coding directly with frameworks like LangChain and connecting vector databases, document ingestion tools, and observability tools individually. Dify integrates all these steps into a single canvas, allowing you to drag and drop node boxes to bundle LLM chains, conditional branching, RAG searches, and external API calls at once. In the major update of 2026-03, it began to support MCP (Model Context Protocol) bidirectionally, enabling the Dify workflow itself to be called as a function from external clients like Claude or Cursor. From a practical perspective, it allows you to (1) build a RAG pipeline for searching thousands of internal PDFs/PPTs with a chatbot in just 30 minutes, (2) replace 100+ LLM providers (including GPT, Claude, Mistral, and self-hosted Ollama) with a single click to compare costs and quality, and (3) combine Function Calling/ReAct agents with 50+ built-in tools (such as Google Search and DALL·E) to create multi-step automation.

When should I use Dify (2026 메이저 업데이트)?

No-code platform for building LLM workflows with visual drag-and-drop functionality.

📄 Official Docs 🐙 GitHub

📝 Update Notes

v1.18.010/27/2026
이번 업데이트에서는 에이전트가 조건에 따라 다음 작업 경로를 스스로 결정할 수 있어, 복잡한 실험 데이터 분석 파이프라인을 더욱 유연하게 자동화할 수 있어요. 또한, 모든 리소스를 포함한 .ifpkg 패키지 기능 덕분에 연구실 간에 분석 워크플로우를 손쉽게 공유하고 재현하기가 훨씬 수월해졌습니다. 중첩된 워크플로우의 세부 단계까지 상세히 추적할 수 있는 기능은 복잡한 바이오인포매틱스 분석 과정의 오류를 찾아내는 데 큰 도움이 될 거예요. 마지막으로 새롭게 도입된 에이전트 지식 베이스를 활용해 방대한 연구 문헌과 실험 데이터를 체계적으로 관리해 보세요.
v1.17.19/15/2026
이번 업데이트는 연구 데이터의 보안과 무결성을 강화하는 데 초점을 맞추고 있습니다. 특정 지식 베이스에만 접근 가능한 API 키 기능이 도입되어, 민감한 실험 데이터를 더욱 안전하게 분리하여 관리할 수 있습니다. 특히 CSV 데이터의 앞자리 '0'이 사라지던 추출 오류가 해결되었으니, 기존 데이터는 반드시 재업로드를 통해 데이터 무결성을 확인하시기 바랍니다. 또한, 키보드 조작 기능이 추가되어 복잡한 실험 워크플로우 설계 작업이 한층 더 편리해졌습니다.
v1.16.17/28/2026
이번 업데이트에서는 워크플로우 노드 추적 및 도구 다중 선택 기능이 추가되어, 복잡한 생물정보학 데이터 처리 파이프라인을 더욱 직관적으로 설계하고 디버깅할 수 있어요. 특히 RAG(지식 검색)의 데이터 처리 과정을 더 자세히 모니터링할 수 있고, 특수 문자가 삭제되던 버그도 해결되어 수식이나 기호가 중요한 생명공학 논문 분석의 정확도가 높아졌습니다. 또한 에이전트 설정을 파일로 쉽게 내보낼 수 있어, 연구용 AI 에이전트의 설정을 버전별로 관리하며 실험의 재현성을 확보하기에도 매우 유용해요.
v1.16.07/18/2026
이번 업데이트에서는 리눅스 샌드박스 기반의 새로운 'Dify Agent'가 도입되어, 복잡한 바이오 정보학(Bioinformatics) 분석 스크립트를 실행하거나 필요한 라이브러리를 직접 설치하여 자동화된 분석 에이전트를 구축할 수 있습니다. 구축한 에이전트를 워크플로우에 통합하거나 웹 앱 형태로 배포할 수 있어, 연구실 동료들과 맞춤형 분석 도구를 손쉽게 공유하고 협업하기에 매우 유용합니다. 또한, 최신 GPT-5.6 모델과의 호환성이 강화되어 더욱 정교한 생물학적 데이터 해석과 복잡한 추론 작업이 가능해졌습니다.
v1.15.06/25/2026
이번 업데이트에서는 터미널에서 바로 워크플로우를 실행할 수 있는 difyctl이 도입되어, 바이오인포매틱스 파이프라인 자동화가 훨씬 수월해졌어요. 모델의 추론 과정을 실시간으로 확인할 수 있는 CoT 기능 덕분에 AI가 도출한 과학적 논리의 타당성을 더욱 정교하게 검증할 수 있습니다. 또한, 엑셀 내 이미지 추출과 파일 업로드 기능이 강화되어 실험 데이터와 시각 자료를 워크플로우에 통합하여 관리하기가 매우 편리해졌어요.
v1.14.26/16/2026
이번 업데이트는 보안 강화와 워크플로우의 안정성 향상에 집중했어요. 특히 데이터 격리 및 권한 관리가 강화되어, 민감한 실험 데이터나 연구 자산을 더욱 안전하게 보호하며 AI를 활용할 수 있습니다. 또한 RAG(검색 증강 생성) 기능의 안정성이 개선되어 대규모 논문 및 실험 데이터베이스를 기반으로 한 정확한 정보 추출과 문서 분석이 더욱 원활해졌어요. 연구 자동화 파이프라인의 신뢰도를 높이고 싶은 연구원님께 이번 업데이트를 추천드려요.

🧪 Related Code of Life

No related Code of Life posts yet.