🧠 图解记忆： 先判断核心是系统流程、AI 应用还是文档 RAG，再选最贴近主任务的平台。
💡 答案要点
为什么开源Agent平台在2026年爆发？
2026年企业级AI应用从"demo走向生产"，三大驱动力：
- 数据安全合规：金融、医疗等行业不允许数据上云，必须自托管
- 成本压力：API调用成本太高，自托管使用开源模型更经济
- 定制需求：标准SaaS平台无法满足复杂的业务流程
五大平台核心定位：
| 平台 | 定位 | 许可证 | 核心优势 | 核心劣势 |
|---|---|---|---|---|
| n8n | 工作流自动化+AI | Apache 2.0 | 集成生态最广（400+应用），低代码 | AI能力偏弱，复杂Agent表达力不足 |
| Dify | LLM应用开发平台 | Apache 2.0 | 完整的LLM应用开发闭环，插件丰富 | 学习曲线中等，非纯低代码 |
| Coze | 智能体平台 | 部分开源 | 字节跳动背书，Bot市场成熟 | 主要是SaaS，开源版不成熟 |
| FastGPT | 知识库问答 | GPL | 知识库问答优化，RAG管道强 | 插件系统相对薄弱 |
| RAGFlow | 深度RAG平台 | Apache 2.0 | 文档理解能力最强，深度RAG | Agent能力较弱，专注RAG |
技术架构对比：
Dify 架构（最接近生产级LLM应用平台）：
┌─────────────────────────────────────────────────────┐
│ Dify 架构 │
├─────────────────────────────────────────────────────┤
│ 前端层 │
│ ├── 可视化画布（编排Agent工作流） │
│ ├── Prompt编辑器 │
│ └── 日志/监控面板 │
│ │
│ 后端核心 │
│ ├── API Server（Flask/Go） │
│ ├── 知识库引擎（文档解析+向量化+检索） │
│ ├── Agent运行时（ReAct/函数调用） │
│ └── 插件系统（MCP、API工具） │
│ │
│ 模型层 │
│ ├── 支持：OpenAI、Anthropic、Local模型 │
│ └── 支持：Ollama、vLLM、TensorRT-LLM本地推理 │
└─────────────────────────────────────────────────────┘n8n 架构（工作流自动化优先）：
┌─────────────────────────────────────────────────────┐
│ n8n 架构 │
├─────────────────────────────────────────────────────┤
│ 工作流引擎（Node-based） │
│ ├── Trigger nodes（定时、webhook、事件） │
│ ├── AI nodes（LLM、Embedding、Vector） │
│ ├── Integration nodes（400+应用集成） │
│ └── Logic nodes（条件、循环、代码执行） │
│ │
│ 独特的AI能力 │
│ ├── LangChain集成（记忆、链） │
│ ├── Sub-nodes（分解复杂任务） │
│ └── AI Agent节点（对话式AI Agent） │
└─────────────────────────────────────────────────────┘RAGFlow 架构（深度RAG专用）：
┌─────────────────────────────────────────────────────┐
│ RAGFlow 架构 │
├─────────────────────────────────────────────────────┤
│ 文档理解层（核心差异点） │
│ ├── 深度文档解析（表格、图表、公式） │
│ ├── 语义分块（不只是按长度切分） │
│ └── 多模态理解（图文混合文档） │
│ │
│ 检索层 │
│ ├── 混合检索（向量+关键词） │
│ ├── Re-ranking（重排序优化） │
│ └── 可配置的检索策略 │
└─────────────────────────────────────────────────────┘Dify vs Coze 对比（最常被问到）：
| 维度 | Dify | Coze |
|---|---|---|
| 开源 | 100%开源，Apache 2.0 | 仅部分开源，核心闭源 |
| 部署 | 随意自托管 | 以SaaS为主 |
| 插件系统 | MCP、API、Plugin | 官方Bot市场 |
| AI能力 | Agent工作流、ReAct | Bot对话编排 |
| 目标用户 | 企业自建LLM应用 | 快速搭建对话Bot |
| 大厂背书 | 社区驱动 | 字节跳动 |
选型决策树：
你的核心需求是什么？
│
├─ "我要自动化业务流程，集成现有系统"
│ └─ → n8n（400+应用集成，低代码）
│
├─ "我要搭建完整的LLM应用（Agent+RAG+监控）"
│ └─ → Dify（最完整的开发平台）
│
├─ "我要快速做一个对话Bot，有Bot市场"
│ └─ → Coze（最快上线，生态成熟）
│
├─ "我要做深度RAG，文档理解要求高"
│ └─ → RAGFlow（文档解析最强）
│
├─ "我要做知识库问答，强调准确性"
│ └─ → FastGPT（问答优化）
│
└─ "我要自托管，完全控制"
└─ → Dify（最成熟的自托管方案）面试话术：
"2026年开源Agent平台选型的核心是'你到底是做AI应用还是做工作流自动化'。n8n本质是自动化平台，AI只是其中一种节点类型；Dify是真正的LLM应用开发平台，有完整的Agent运行时、知识库、监控。我的经验是：用n8n做系统集成和流程自动化，用Dify做AI Agent应用开发，用RAGFlow做深度文档理解。面试时能说出这五个平台的技术架构和定位差异，说明你做过真实的LLM应用选型，不是只看表面的功能列表。"
各平台与MCP的集成情况：
| 平台 | MCP支持 | 说明 |
|---|---|---|
| Dify | ✅ 原生MCP插件 | 从2025年开始支持 |
| n8n | ✅ 通过代码节点 | 需手动配置 |
| Coze | ⚠️ 部分支持 | 主要通过API集成 |
| FastGPT | ❌ 暂无 | 专注知识库 |
| RAGFlow | ❌ 暂无 | 专注RAG |