前言
路宇在42章经的对谈中，有一个观点让我印象深刻。
“今天市面上的大多数自媒体，包括以Sam Altman为首的大佬们，花了相当多的篇幅、资金和故事，让大家去相信像Transformer这样的纯神经网络路线可以解决一切问题。我不相信这个，我从来没有相信过。”
这话说得很直接。直接到让人不舒服。
为什么不舒服？因为它挑战了我们对AI的集体想象。
过去两年，整个行业都在追逐"AGI"这个终极目标。从GPT-4到GPT-5，从Claude到Gemini，每个模型都在努力证明自己更接近"通用智能"。
但路宇选择了另一条路。
他坚定地相信：未来的AI必须是神经符号混合架构——既有神经网络的联想能力，又有符号系统的逻辑判断能力。
这个判断，让Dify在短短两年内成为GitHub Top 50开源项目，服务全球20%的财富500强企业。更重要的是，它在日本市场达到了"垄断级"的现象级流行。
这不是运气。这是对AI本质的深刻洞察。
一、为什么workflow不会消失？从"检查点"看人机协作的本质
2024年，OpenAI和Anthropic都在努力让AI变得更"简单"——一个输入框解决所有问题。
但路宇给出了完全相反的答案：
“对于企业来说，他们需要95%甚至更高的可靠性和可预测性。这意味着在AI处理复杂任务时，必须设置’检查点’——让人类在关键节点进行审核、反馈和决策。”
这个观点反直觉，但极其现实。
我们都被"完全自动化"这个概念洗脑了。但真实的企业场景中，你总需要"兜底"——确认数据准确性、人工审核关键决策、处理异常情况。
这不是技术不够先进。这是企业对"容错率"的要求与消费级应用完全不同。
路宇提到一个例子。
他的一个客户曾经用Dify帮一家公司搭建客服工作流。最初的想法是：让AI完全自动处理所有客户问题。
现实很快打脸。
客户的问题千奇百怪：有的涉及法律风险，需要人工判断；有的涉及特殊政策，需要灵活处理；有的纯粹是情绪发泄，需要情感回应。
这些"例外"情况占比不高，但影响巨大。
最终，他们设计了一个包含12个"检查点"的工作流。每个节点都明确了"AI处理 vs 人工审核"的边界。看似降低了自动化程度，实际效果却远超预期。
客户满意度提升40%，人工客服的工作效率也提高了——他们只需要处理真正需要人类智慧的复杂问题。
路宇把这种思路称为"两条不同的技术路线"：
- 激进派：直接冲AGI，试图用一个bot解决所有问题
- 务实派：从高可靠性的编码化流程逐步向智能化转换
前者的用户体验是"受挫、不可靠、焦虑"，后者是"轻松、安全、可靠"。
在企业市场，保守者远比激进者多得多。
核心洞察：工作流的本质是"认知节能系统"
路宇从仿生学和认知科学的角度论证了这个选择：
“人脑之所以能以极低的能耗实现高效智能，是因为内置了符号能力——通过二叉树式的快速分类进行高效判断，而不是每次都调用完整的神经网络。”
这个洞察非常重要。
人脑不是无限的计算资源。它必须高效地分配注意力。快速分类（男孩/女孩、老人/小孩）用极少能耗，复杂推理（数学证明、创意写作）才调用更多资源。
Dify的workflow，本质上就是这种"认知节能系统"的工程化实现。
让AI在结构化的逻辑框架中运行，而不是完全依赖黑盒式的神经网络输出。既有神经网络的联想能力，又有符号系统的逻辑判断能力。
这就是神经符号混合架构。
二、神经符号AI：路宇从未相信纯Transformer路线能解决一切
让我们深入探讨这个核心观点。
路宇说：
“今天市面上的大多数自媒体，包括以Sam Altman为首的大佬们，花了相当多的篇幅、资金和故事，让大家去相信像Transformer这样的纯神经网络路线可以解决一切问题。我不相信这个，我从来没有相信过。”
这话背后，是对AI发展路径的清醒认知。
当前AI的两大局限
局限1：统计学习的不确定性
Transformer本质上是一个统计模型。它通过海量数据学习模式，预测下一个token。这种模式非常强大，但有一个根本问题：它永远无法达到100%的确定性。
这在消费级应用中可以接受。用户容忍ChatGPT偶尔的幻觉和错误。但在企业级场景中，一次错误决策可能导致重大损失。
局限2：逻辑推理的脆弱性
神经网络擅长模式识别，但不擅长严格的逻辑推理。特别是涉及因果关系、长链条推理、多步骤证明时，纯神经网络经常出错。
路宇举了一个例子：
“你可以想象这么一个画面：当我要拿模型去解决一个复杂的任务，比如说自动帮我去找一个房子、签租房合同。整个通信流程中有很多很多中间节点。这个节点其实就是workflow。”
在这个场景中，你需要的不是"差不多"的答案，而是"可靠"的答案。
神经符号混合的解决方案
神经符号AI试图结合两种范式的优势：
- 神经网络：擅长模糊模式识别、直觉联想、创意生成
- 符号系统：擅长精确逻辑推理、规则执行、可解释性
关键是平衡点在哪里？
路宇的答案是：让AI在结构化的逻辑框架中运行，而不是完全依赖黑盒式的神经网络输出。
具体来说：
- **用符号系统定义"什么能发生"**（规则、约束、流程）
- **用神经网络定义"如何发生"**（模式识别、创意生成、直觉判断）
- 用工作流连接两者（检查点、反馈回路、人工审核）
这不是简单的叠加。这是一种全新的认知架构。
反直觉的判断：为什么行业主流错了？
这里有个反直觉的问题：既然神经符号混合这么好，为什么OpenAI、Anthropic没有大力推广？
路宇的分析很犀利：
“你可以说开源是Dify最大的正确选择。”
但更深层的原因可能是：
纯神经网络路线在商业上更有优势。
- 规模化效应：一个更强的模型可以服务更多场景，边际成本递减
- 数据飞轮：更多的用户产生更多的数据，优化效果更强
- 投资回报：做"AGI"更容易获得资本关注
而神经符号混合架构需要深度的工程化工作。每个场景都需要定制化的workflow设计，难以规模化复制。
这解释了为什么大多数公司选择"通用智能"路线，而Dify选择了"专用智能"路线。
但路宇认为，这是正确的选择：
“我们相信未来所有agent在良好工作的情况下，必须遵循神经符号混合形式——有神经网络的联想能力，也有符号系统的逻辑能力。”
三、为什么GPTs失败了？创作价值需要四类稀缺能力
2023年OpenAI发布GPTs时，路宇焦虑了两天，然后"再也没打开过这个产品"。
他的判断很犀利：GPTs的逻辑没有想清楚——这些简单的bot应该由谁创造？
这让我想起了另一个问题：为什么低代码平台没有彻底改变软件开发？
答案很简单：软件开发需要的不仅是工具，更需要系统性的工程能力。
路宇总结了"用AI做出好产品"需要的四类稀缺能力：
- 硬科技：硬件、算法优化，把模型成本做到最低
- 极佳的用户体验构建能力：游戏化交互、情感陪伴等创意能力
- 特殊数据壁垒：拥有别人没有的私有数据
- 流程理解：对企业SOP、业务逻辑的深度理解
只有第四类"流程"是可以被复用和泛化的，前三类都极度稀缺，普通人根本不具备。
“绝大多数人并不具备创作那些可再分发的、有实用价值的东西的能力。这就好比剪映和抖音的关系——短视频人人都能拍，因为它容易被消费。但用agent框架做东西，再小它也是一个产品，产品是要能解决人的问题的。”
这段话击中了要害。
创造好产品的门槛远比OpenAI想象的高。
GPTs、Coze的UGC模式没有爆发，不是因为技术不够好，而是因为创作门槛与消费门槛不匹配。
消费一个AI应用很容易，但创造一个有价值的AI应用，需要：
- 深入理解用户需求
- 熟练掌握业务流程
- 具备系统工程思维
- 有足够的迭代耐心
这四项能力，99%的人都不具备。
相比之下，Dify选择服务那些拥有"流程理解能力"的人——企业开发者、技术白领、业务专家。他们知道自己要解决什么问题，只是缺少一个高效的工具。
真实案例：安克的"人机对等"
路宇分享了一个让我印象深刻的案例：
“一些企业，比如安克，利用Dify做了上千个工作流，集成了上万个原子化能力。他们把agent和企业HR人力资源放到对等地位看待——当有新业务时，先分析需要哪些能力、设计什么流程，然后决定这里是放人还是放agent。”
这已经把agent上升到了企业生产资产的高度。
这种思路的转变很有意思。
传统企业数字化转型，都是在"替代人工"。RPA替代人工录入，聊天机器人替代人工客服。
但安克的做法是 **“增强人工”**——不是替代，而是协作。
当有新业务时，首先分析需要什么能力、需要什么流程。然后决定：这个地方用人工更合适，还是用agent更合适。
这是一种更高级的思维方式。
路宇进一步描绘了这种工作方式的愿景：
“每天早上九点钟上班，我打开手机看到一个看板，有很多任务等待我提取结果——有些需要review，有些需要给予反馈。当我点击一个流程，可以看到整个业务的生产全景。这是未来的工作方式，可以理解为一个操作系统。”
这个愿景让我想到：AI工具的本质，不是"更好的工具"，而是"操作系统"。
四、企业真实需求：Dify用得最好的用户都在做"不标准"的事情
路宇提出了一个反直觉的观点：
“大多数’标准场景’(财务、客服、营销)早就有专业SaaS解决了。Dify用得最好的用户都在做’不标准’的事情——需要胶水式工具连接企业内部各种系统、数据、流程，形成复杂的协作关系。”
这个洞察非常深刻。
为什么？
因为标准场景的解决方案已经很成熟了。
财务有SAP、Oracle，客服有Zendesk、Salesforce，营销有HubSpot、Marketo。这些工具经过几十年优化，已经非常成熟。
AI的优势不在于"替代"，而在于"连接"。
连接内部的系统、数据、流程，形成新的协作关系。这种"胶水式"的工作，传统的SaaS工具做不到。
这解释了Dify为什么能在日本市场"接近垄断"。
日本的企业有一个特点：业务流程高度标准化，但系统集成能力弱。
很多日本企业的IT系统是这样的：
- 财务系统用SAP
- 销售系统用Oracle
- 人事系统用另一个系统
- 生产系统又是另一个系统
每个系统都很成熟，但它们之间缺乏有效连接。
Dify就像"Excel"一样，提供了这种连接能力。
所以Dify在日本成功了。它解决了"系统孤岛"这个日本企业的核心痛点。
核心洞察：AI工具的"操作系统化"
这里有个更深层的洞察：Dify本质上是一个"操作系统"而非"应用"。
传统软件开发：
- 底层：操作系统(Windows, Linux)
- 中间层：数据库、中间件
- 应用层：各种业务软件
AI时代可能的新结构：
- 底层：大语言模型(GPT, Claude, Gemini)
- 中间层：Agent框架(Dify, LangChain, AutoGen)
- 应用层：各种智能应用
Dify在做的，不是某个具体的AI应用，而是连接模型与业务场景的中间层。
这让它可以：
- 不断升级底层模型（GPT-4到GPT-5）
- 保持上层业务逻辑不变（workflow可以复用）
- 支持复杂的业务流程（而不是简单的问答）
这种"操作系统化"的思维，是Dify成功的关键。
五、工程为什么值钱？抽象能力才是最稀缺的
很多技术投资者有个误区：工程不值钱。
但路宇的观点正相反：最值钱的就是工程。
“一个好的工程意味着你需要做分层设计，在目标用户和业务逻辑之间做抽象，把所有可变和不可变的东西分清楚。这是最费脑力的，需要和现实世界做最多接触的。”
这句话背后的洞察很深刻。
工程的核心是"抽象能力"
什么是抽象能力？
把复杂的世界，抽象成简单的模型。
把可变的部分和不可变的部分分开。
把用户的真实需求，抽象成可执行的工作流。
路宇举了workflow节点颗粒度的例子：
- 太细→像编程，普通人用不懂
- 太粗→能力不足，无法满足复杂需求
- 中间的平衡点需要无数次与用户磨合才能找到
这种磨合背后，是企业真金白银的AI投资学费在教你把产品捏成用户想要的样子。
工程的价值：柔性架构
路宇的另一个犀利批评：
“OpenAI新发的agent kit 80%代码是Codex自动编码做的。他们不重视工程，所以一定是脆弱的。但任何做了几年的产品，和不同客户、不同开发者、不同生产情景磨合后，这个磨合本身就是巨大的价值——是无数团队的AI投资学费教出来的。”
这段话里有一个关键词：柔性工程。
什么是柔性工程？
- 组件完全可扩展（热插拔、独立升级）
- 过去的技术资产可以保留（不会因为升级而废弃）
- 过早宣布1.0会导致架构撕裂
Dify两年时间保持在0.x版本，因为外部环境剧烈变化。过早宣布1.0会锁定架构，限制未来发展。
这种"柔性工程"思维，是创业公司面对快速变化的技术环境的生存之道。
工程的稀缺性：为什么工程人才这么少？
这里有个更深层的问题：为什么优秀的工程师这么少？
路宇的答案是：工程需要与现实世界做最多接触。
这意味着：
- 需要理解用户的真实需求，而不是技术人员的自嗨
- 需要平衡各种约束条件，成本、性能、可维护性
- 需要预测未来变化，让架构有足够弹性
- 需要处理复杂性，把混乱的现实中抽象出秩序
这些能力，都需要大量的实战经验和反思。
不像算法，有明确的优化目标。工程是"多目标优化"，需要在冲突的约束中寻找平衡。
这就是工程的价值所在。
六、模型已经"溢出"了，95%的失败不是技术问题
路宇提出了一个惊人观点：今天即使是开源模型，绝大部分潜能都没被发掘出来。
“对大部分人来说，今天的模型绝对是够用的，甚至是奢侈的。人类没有去主动探索它的能力边界，也没有花那么高的频次、那么多的投入去探索。”
这个判断颠覆了很多人的认知。
我们总是认为AI能力不够强，需要更大的模型、更强的算力。但路宇指出：问题不在模型，在应用。
他引用了MIT的报告：95%的企业AI试点失败，不是因为模型不够好，而是工具和组织学习能力的差距。
真正的瓶颈：应用层创新
这里有个关键的洞察：模型层的竞争已经白热化，应用层反而是蓝海。
看看过去两年的发展：
- 2023年：GPT-4发布，震撼世界
- 2024年：GPT-4o、Gemini 2.0、Claude 3.5，能力不断增强
- 2025年：GPT-5.1、Gemini 3 pro、Claude opus 4.5等模型能力继续提升，但应用层的创新明显滞后
为什么？
因为应用层创新需要更复杂的工程能力。
搭建一个聊天界面容易，搭建设计良好的workflow很难。
调用API容易，设计可靠的检查点很难。
生成答案容易，集成企业内部系统很难。
路宇把这称为"最后一公里"问题。
“接下来几年的机遇都在解决LLM应用最后一公里的问题。能把AI用好的真的是少数人——他们不断在模型边界上游走，充满好奇心。”
模型与应用的比喻
路宇有个很好的比喻：
“模型像一个巨大的数据球，你要找的东西在里面，但你需要输入正确的’密码’才能提取。”
这个比喻很精妙。
模型有答案，但它不会主动告诉你。
你需要：
- 设计好的提示词（相当于"密码"）
- 提供正确的上下文（相当于"搜索条件"）
- 设置合理的检查点（相当于"验证机制"）
Dify本质上就是一张"寻找模型答案的藏宝图"，帮用户设计好了地图，让他们能沿着最优路径得到答案。
95%失败率的真相
这里有个更深层的问题：为什么95%的企业AI试点失败？
路宇的分析很犀利：
“不是因为模型不够好，而是工具和组织学习能力的差距。”
具体来说：
- 工具差距：缺乏好的Agent框架和Workflow工具
- 组织差距：缺乏理解和应用AI的人才
- 方法论差距：不知道如何设计、检查、迭代AI应用
这解释了为什么Dify能在企业市场成功。
它不仅提供了工具，更重要的是提供了方法论——如何设计好的workflow，如何设置检查点，如何处理异常情况。
这就是Dify的价值：不仅是工具，更是方法论。
七、组织的竞争力：当智力被模型"对称"后，还剩什么？
路宇抛出了一个哲学问题：
“今天的模型里有几乎无限的世界知识，有接近硕士生或更高的逻辑水平。这些传统意义上的’智力’已经变得非常普及——就像阳光、空气和水一样对所有人对称。那么，人类或组织的竞争力还剩下什么？”
这个问题很深刻。
当AI拥有了"智力"，人类的价值在哪里？
非对称的优势
路宇的答案是：非对称的东西——价值观、决策能力、注意力机制、流程理解。
这些能力具有以下特点：
- 难以复制：不是通过训练就能获得的
- 情境依赖：需要结合具体场景
- 主观性强：不同人有不同判断
- 不可标准化：无法用固定规则描述
曲凯举的例子很生动：
“1万个人听完同一期播客，能写出1万个版本的总结——每个人听到的东西不一样。给AI也一样，不同的人会把重点放在不同地方，做出不同决策。”
这就是人类相对于AI的核心优势：我们有独特的视角和判断。
首席上下文官(CCO)的兴起
路宇进一步思考的问题：
“能不能通过memory、workflow、画布等方式，把组织中那些’非对称’的部分保存下来？把这部分和模型结合，形成独特的竞争力？”
这个问题引出了他对未来组织建设的判断：
“每一个企业都要有一个首席上下文官(CCO)。所有组织面临的最重要问题是上下文的组织——把信息总线连起来，让模型瞬间定位到你要的东西，精准回答问题。”
这个概念很有意思。
传统企业有CTO（技术官）、CFO（财务官）、COO（运营官），未来可能有CCO（上下文官）。
这个角色的职责是：
- 设计信息架构：如何组织企业内部的知识和数据
- 构建上下文体系：让AI能快速获取相关信息
- 管理非对称知识：把人类的判断和经验结构化
- 优化人机协作：设计更好的workflow和检查点
上下文工程的本质
这让我想到了一个概念：**上下文工程(Context Engineering)**。
什么是上下文工程？
不是简单地给AI提供更多信息，而是结构化地组织信息，让AI能高效利用。
具体来说：
- 分层组织：把信息按照重要性和使用频率分层
- 关联建模：建立信息之间的关联关系
- 动态更新：保持信息的实时性和准确性
- 访问优化：让AI能快速定位到相关信息
这就是Dify在做的事情：用workflow来组织上下文，用检查点来管理质量。
八、日本市场"接近垄断"：开源+社会结构的化学反应
Dify在日本的成功堪称现象级——电视上看得到、书店里有大量教材、咖啡店里都有人在用。
这个成功有多方面的原因，但最核心的是社会结构契合。
日本社会的特殊性
路宇总结了三个原因：
- 社会结构契合：日本技术人员极度匮乏，企业业务高度流程化
- 时区优势：相比北美团队，Dify能更及时响应东亚市场
- 产品审美：界面符合东亚用户习惯
但最核心的还是第一条：社会结构契合。
日本的企业文化有几个特点：
- 流程导向：每个工作都有标准的SOP
- 细节追求：对精确性和可靠性要求极高
- 系统集成需求强：企业内部系统复杂，需要连接
这与Dify的核心理念完美契合。
流程导向 → 需要workflow 细节追求 → 需要检查点 系统集成需求 → 需要胶水式工具
所以Dify在日本成功了。它解决了日本企业的真实痛点。
开源策略的威力
但更重要的是开源策略。
Dify在产品发布第一天就提供了日语版本，当2023年4-5月日本社区突然爆发时，Dify迅速在当地组建了十人团队。
开源带来的优势：
- 零销售成本：服务全球20%的财富500强企业
- 社区驱动：700+贡献者，400万+社区版部署量
- **全球化"从第一天就开始"**：而非"成功后才考虑"
路宇的总结很精辟：
“你可以说开源是Dify最大的正确选择。”
但开源不只是商业模式，更是工程哲学。
开源意味着：
- 透明性：用户能看到代码，信任度更高
- 可定制性：企业可以根据自己的需求修改
- 社区协作：全球开发者共同改进
- 技术债务透明：不隐藏技术问题
这与Dify的"工程优先"理念一致。
成功的外延：什么是可复制的？
这里有个重要问题：Dify在日本的成功能复制到其他市场吗？
答案可能是：部分可以，但需要本地化。
不同市场的社会结构不同：
- 美国：创新导向，更愿意尝试新工具
- 欧洲：隐私导向，对数据安全要求高
- 东南亚：成本导向，需要更便宜的解决方案
但核心原则是通用的：
- 解决真实痛点：不是创造需求，而是满足需求
- 本地化策略：从产品到运营都要本地化
- 社区先行：建立本地开发者社区
- 长期投入：不是快速盈利，而是长期建设
这就是Dify的成功公式：技术 + 本地化 + 社区 + 时间。
九、创业的"反常识"：创始人一定要让自己快乐
对谈的最后，路宇主动聊起了一个很多创业者会忽略的话题：快乐。
“传统观念认为创业者要背负责任、很苦逼。但我认为这恰恰是错的。创始人一定要让自己快乐——快乐意味着你把身心放在最好的状态，最好的想法来自头脑的自然涌现。你把问题放在头脑里，去斯坦福校园走一走，答案会自己出来，那是天上掉下来的礼物。”
这个观点很特别。
大多数创业者都在强调"努力"、“坚持”、“承受压力”。但路宇认为快乐更重要。
为什么？
因为创造力需要自由的状态。
当你一味照顾许多人的感受（同事、投资人），身上背满压力，你就没有了最初创作产品的表达状态，没有了改变世界的动力。你只是在负重前行。
Dify的实践：
- 反对996长期加班（给人沉重负担）
- 也反对8小时工作制（不符合创作者的心流状态）
- 提倡进入心流、忘却时间的智力工作状态
组织文化：
- 对投资者完全透明（所有内部文档可见）
- 信任先行（每个员工入职就有1000美元信用卡，事后审查）
- 员工流失率低于5%（AI行业这个数据非常罕见）
路宇的管理哲学借鉴了彼得·德鲁克：激发善意。
他们从day one就建立了"对的文化"，吸引那些理性、有战略性耐心的人加入。
为什么快乐更重要？
这里有个深层的洞察：快乐是创造力的必要条件。
神经科学研究表明：
- 快乐状态下，大脑的默认模式网络更活跃，更容易产生创造性连接
- 压力状态下，大脑主要激活生存回路，创造力下降
- 心流状态下，大脑能同时保持专注和开放，最容易产生突破
这就是为什么路宇强调"快乐"不是奢侈，而是必需。
但这里有个问题：如何在商业压力下保持快乐？
路宇的答案是：重新定义成功。
不是追求快速盈利、不是追求规模最大化、不是追求市场第一。
而是追求产品与价值观的一致性，追求长期主义的复利。
“我们不是厚积薄发，只是在提前用成熟市场的做法做产品。在成熟市场里，每个产品都要给自己打上十年二十年不变的厚重标签。Dify之所以是Dify，是因为我们在工程优先、长期主义、稳定可靠、开放协同这些标签上，从第一天坚持到现在一直没变。”
这种价值观驱动的创业方式，可能是未来AI创业的新范式。
十、务实者的胜利：Dify成功的反共识决策
整场对谈下来，我最大的感受是：Dify的成功不是运气，而是一系列"反共识"决策的必然结果。
什么是反共识？
就是与主流观点相反，但事后证明正确的决策。
Dify坚持的"反常识"选择：
- 当所有人追逐AGI时，他们选择从高可靠性的workflow入手
- 当所有人迷信scaling law时，他们坚持神经符号混合架构
- 当所有人做C端UGC时，他们服务懂流程的B端用户
- 当所有人用Codex快速迭代时，他们花两年打磨"柔性工程"
- 当所有人融资扩张时，他们零销售、全开源
这些决策在当时看来都是"反主流"的。
但现在回头看，这些反共识决策构成了Dify的核心竞争力。
反共识1：企业级市场 vs 消费级市场
主流观点：AI应该先从消费级市场突破，因为用户基数大、增长快。
Dify的选择：专注企业级市场，虽然增长慢，但粘性强、付费意愿高。
结果：服务全球20%的财富500强，零销售团队实现规模化。
反共识2：神经符号混合 vs 纯神经网络
主流观点：纯Transformer路线是未来，scaling law能解决一切问题。
Dify的选择：神经符号混合架构，workflow + AI的结合。
结果：更高的可靠性，更适合企业级应用。
反共识3：开源策略 vs 闭源策略
主流观点：AI是核心资产，应该闭源保护，商业化变现。
Dify的选择：完全开源，零销售团队，靠社区驱动增长。
结果：全球700+贡献者，400万+社区版部署量。
反共识4：工程优先 vs 速度优先
主流观点：AI变化太快，应该快速迭代，先占市场再优化。
Dify的选择：工程优先，两年保持在0.x版本，打磨架构。
结果：柔性工程，支持复杂业务场景，升级成本低。
反共识5：快乐创业 vs 苦逼创业
主流观点：创业就要996、承受压力、快速成功。
Dify的选择：快乐创业，激发善意，战略性耐心。
结果：员工流失率低于5%，团队稳定性极高。
这些反共识决策背后的逻辑是什么？
路宇的总结：
“在成熟市场里，每个产品都要给自己打上十年二十年不变的厚重标签。Dify之所以是Dify，是因为我们在工程优先、长期主义、稳定可靠、开放协同这些标签上，从第一天坚持到现在一直没变。”
这就是Dify的成功公式：反共识 + 坚持 + 长期主义。
结语：给AI创业者的启示
作为提示词工程师和AI应用开发者，我从路宇的分享中得到很多启发。
核心启示
1. 不追热点，找到自己坚定的技术路线
AI行业变化很快，今天是GPT，明天是Claude，后天可能是其他模型。
但底层逻辑是不变的：用户需要可靠、实用的解决方案。
不要被技术热点牵着走，而要思考用户的真实需求。
2. 重视工程和抽象能力，而不是炫技
技术炫技容易，工程落地难。
抽象能力是最稀缺的——把复杂问题简单化，把可变和不可变分开。
工程能力需要与现实世界接触，需要大量实战经验。
3. 关注"最后一公里"问题——如何让AI真正在企业落地
模型能力已经很强，但应用层创新还很少。
真正的机会在"最后一公里"：如何设计好的workflow，如何设置检查点，如何处理异常情况。
这需要深度的工程能力和业务理解。
4. 构建好的上下文体系，这是未来的核心竞争力
当AI拥有了"智力"，人类的价值在于非对称的东西——价值观、决策能力、注意力机制、流程理解。
首席上下文官(CCO)可能是未来企业的重要角色。
如何把人类的非对称知识结构化，让AI能高效利用，这是关键。
5. 保持快乐和好奇心，这是长期创作的源泉
创造力需要自由的状态。
不是996，而是心流；不是压力，而是好奇。
重新定义成功：不是快速盈利，而是价值观驱动；不是短期爆发，而是长期复利。
最后的思考
路宇的对谈让我想起了一句话：“在AI时代，做一个务实主义者。”
技术会不断进化，但那些从第一天就想清楚"要解决什么问题"、"要给用户什么感觉"的产品，终将脱颖而出。
Dify的成功不是偶然。它是对AI本质的深刻洞察，是对企业真实需求的准确把握，是对工程价值的坚定坚持。
最重要的是，它代表了AI创业的新范式：务实、创新、长期主义。
借用曲凯的话：AI不AI就那样，开心一点。
那么，如何系统的去学习大模型LLM？
作为一名深耕行业的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。
所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。
由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
👉①.基础篇👈
基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。
👉②.进阶篇👈
接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。
👉③.实战篇👈
实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。
👉④.福利篇👈
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！
扫一扫
11
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
