Dify 从被低估到成为明星项目，到底做对了什么｜对谈 Dify 创始人路宇

2023 年 5 月，Dify 开源。那时候曲凯做了一期节目，标题叫《这个男人帮 5 万个 AI 应用接上了大模型》。两年半过去，这个数字变成了几十万团队，GitHub 星标超过 11 万，是全球排名前五十的开源项目之一。财富 500 强里，有 20% 的企业在用 Dify。

但更让曲凯意外的是另一件事。这两年 AI 行业每隔几个月就冒出一个「杀死 Dify」的产品：GPTs、Coze、n8n、AgentKit，名单不断换排列组合。Dify 没被杀死，反而越活越好。于是这期节目，他把张路宇请回来，把过去两年最关键的判断、取舍和组织思考完整复盘了一遍。

聊到后半段，话题从竞争、技术路线、全球化一路走到组织文化，最后落在一个很多创业者不好意思谈的词上：快乐。张路宇说，创始人一定要让自己快乐，因为最好的想法来自头脑里自然的涌现，而人在重压之下是涌现不出来的。

三次认知迁移，Dify 每次都踩在点上 0:01:20

张路宇把这两年拆成三个阶段。2023 年，市场还在学怎么用 AI，谁能把技术做成一个人能看懂的产品，谁就能一炮走红。Dify 第一版做的是可视化 Prompt 工程，世界上第一个可视化的 RAG，虽然非常简陋，加上 Backend as a Service 的架构和友好的界面，这就够了。

2024 年，严肃的企业用户从年中到下半年开始进场。张路宇观察到一条规律：新技术出现，到真正有付费能力的生产者进来，中间有半年到一年的时间差。Dify 在 2024 年三四月发布 Workflow，正好接住这批用户，随后又搭起插件生态，解决复杂应用里怎么消除模型的幻觉、怎么和现有 API 结合的问题。

2025 年，模型能力大幅进步，开源模型追上闭源，多模态成熟。张路宇说，现在已经没人讨论开源模型强还是闭源模型强了。Dify 一开始押注的几个假设，模型中立、需要中间件、多模型共存，今天全部被验证。

和 LangChain 的本质差异：用户光谱上站的位置不同 0:04:11

2023 年跑融资时，投资人问得最多的一个问题是：Dify 和 LangChain 有什么区别？张路宇承认当年回答得不够清楚，只能说体验和工程更好。今天的答案清晰多了：两者的本质区别在于定位的用户不同。

LangChain 偏向有相当编码能力的人，帮他们加速编码开发和调试。Dify 则越来越向弱技术甚至无技术的受众偏移。张路宇举了日本市场的例子：大量白领用户完全没有技术背景，却用 Dify 构建企业内部的 SOP 和 Agent。

他把工程师画成一条从左到右的光谱，左边是硬核技术人，右边是完全不懂技术的人。Dify 今天大约站在五的位置，但要持续往右走。n8n 比 Dify 更靠左，技术属性更高；Coze 更靠右，但生产属性不足。OpenAI 的 AgentKit 在中间找了个点，甚至比 n8n 更左，更像给技术人员用的。

GPTs 和 Coze 为什么不是同类竞争 0:07:13

张路宇对 GPTs 的判断很直接：这是一个没想清楚的产品。理念很好，让人人创作 bot 发到 UGC 市场，但没想清楚一个问题：这些 bot 应该由谁创作出来？

他的分析是，绝大多数人并不具备创作有实用价值的东西的能力。剪映和抖音的逻辑能成立，是因为短视频人人可拍、容易被消费。但用 Agent 框架做出来的东西，再小也是一个产品，产品要能解决人的问题。

他总结出让 AI 产品有竞争力的四类属性：硬科技、极佳的用户体验构建能力、别人没有的数据壁垒、对流程的理解。四类里只有流程可以被复用和泛化，其余三类本质上都是稀缺能力。所以让大众去捏 bot，绝大多数人必然做不出好东西，因为他们不具备这四类要素中的任何一类。

Coze 2023 年 7 月发布时，张路宇确实焦虑过一阵，但焦虑没超过 48 小时，之后再也没有打开过这个产品。原因是他知道受众不同，背后的组织能力也不同。他用同事的一个比喻解释：模型就像一条鱼，放进不同的鱼缸会长成不同的样子。放进 IDE 里长成 Cursor，放进 Ubuntu 沙盒里长成 Manus，放进企业上下文里就是 Dify。

模型就像一条鱼，你把它放到不同的鱼缸里，那么它产生不一样的结果。

GPTs 那一波，自媒体标题都是「OpenAI 刚刚发布了什么，什么又要被杀死了」。结果谁也没被杀死。张路宇反而认为 GPTs 帮 Dify 做了市场教育：很多企业看到 GPTs 才明白原来 AI 能这么用，但自己没法直接用 GPTs，就转而部署 Dify。OpenAI 的产品在定位和效果上未必好，但在市场教育上非常受用。

n8n 和 AgentKit：看起来一样，内核完全不同 0:13:32

n8n 是 2019 年成立的欧洲创业公司，早期理念和 Dify 有接近之处：低成本、开源、中立、自动化。它当时要替代的是 Zapier，因为 Zapier 调用成本高，数据主权也让企业客户担忧。n8n 真正和模型结合是去年往后的事，靠的是过去数年积累的链接件和模板数量优势，再配合 UGC 营销。

张路宇承认两者在客户那里有交集，很多客户同时用。但 n8n 在涉及 LLM 的部分，比如做 RAG、多模态上下文处理，其实非常简陋，就是把 LangChain 包进去。这恰恰是 Dify 的优势，因为 Dify 是 AI native 的工程。n8n 的优势在自动化连接器更多，比如连 Salesforce，这是 Dify 起步较晚的领域。更关键的区别是交付形态：Dify 能提供端到端的交付，从界面创建一个应用到最终交付，流程是通的，n8n 做不到。

至于 OpenAI 的 AgentKit，张路宇判断六个月内不会对其他任何产品构成威胁。他拿电子书阅读器打比方：Kindle、reMarkable、Supernote 看起来都一样，但受众完全不同，有的专注书写，有的专注零延迟，有的专注书库生态，都能卖出好价格。to B 领域尤其如此，因为你和客户之间有长期的信任关系，是多维度的链接。

面对模型厂商和云厂商的竞争，张路宇认为开源中立产品的优势非常明显。企业选中间件是技术投资、是基础设施建设，决策非常谨慎。而把技术战略完全绑定到某一家模型厂商身上，没有哪个技术决策者敢做这个选择。「我今天只是买了一个插座回来，可以插上各种各样的标准，那这个投资我不会犯错。」

「工程不值钱」是最大的误解 0:19:25

很多人认为中间层薄、工程不值钱。张路宇的观点完全相反：最值钱的恰恰是工程。工程意味着分层设计，意味着在为目标用户和业务做抽象时，把所有可变和不可变的东西分得非常清楚，这是最费脑力、最需要和现实世界接触的部分。

他举了 Workflow 节点颗粒度的例子：节点做太细就像编程，普通人用不懂；做太粗能力又不足，抽象程度太高。中间那个平衡点，需要人来做判断，这样的决策在产品里有无数个。OpenAI 的 AgentKit 据传 80% 代码由 Codex 自动生成，张路宇的判断是它一定「薄」，因为不重视工程。

他拿 Dify 的 Workflow 和 RAG 关键组件举例：这些组件完全可扩展，可以用原生套件，也可以自己开发替换，两者热插拔、独立升级。用户从 1.0 升到 1.9，原来开发的套件一直能用。开发者既要最新技术，也要过去的技术资产被保留，否则一升级业务就挂掉。这种磨合背后是无数团队投入的 AI 投资，这些钱是学费，教会你把东西捏成客户想要的样子。

Dify 有接近两年停留在 0.x 版本，今年才发 1.0。张路宇称之为「柔性工程」：外部环境剧烈变化，模型厂商谁赢、RAG 技术还在不在、微调技术还在不在，都看不清，过早宣布 1.0 会让产品骨架发生撕裂和漂移，对用户不可信。发 1.0 说明两件事：外部技术环境已经稳定，今天的架构值得信赖三到五年。至于社区版升级后 bug 多的问题，他坦言这是所有同规模开源项目的通病，一千多个外部贡献者加内部团队协作，质量保障极难，只能把自动化测试做到史无前例的程度。企业版则更稳、测试更多、发得更慢。

Workflow 不会消失，因为人类工作需要检查点 0:25:09

过去半年有很多人质疑 Workflow 的必要性，理由是 AI coding 和自动化已经很强。张路宇非常坚定：不会消失。

逻辑起点是结果的可预测性。企业把生产流程和推理逻辑交给 LLM，需要 95% 甚至更高的可靠性，这一点永恒不变。他描绘了一个画面：让模型自动找房子、签租房合同，中间有一二三四五六七八九个节点，这些节点就是 Workflow。极端情况下是一个节点解决所有问题，也就是今天大家看到的输入框，输进去给结果，不满意就扔掉重来。但人类工作需要检查点，需要在关键时候回来和人类协作，流程就拉长了。

这是两条技术路线的分野。Dify 选的是从高代码、大规模编码的极度可靠性，慢慢往智能化转换，过程中始终给技术投资者可靠的东西。张路宇用丰田打比方：开不坏的丰田，用户的感觉是轻松、安全、可靠。另一条路线是直接冲 AGI，试图用一个 bot 解决所有问题，用户的感觉是受挫、不可靠、焦虑、我又被骗了。

我们要始终给用户交付可投产的技术，技术每年都在变，但是我的这条风险的水准线不变。

曲凯追问：务实会吃亏吗？别人拿一百个 case 里跑通一个惊艳的 case 来讲故事，大家就觉得 Dify 落后了。张路宇的回应是需要有去噪能力，因为基本逻辑没变。他把 Dify 的技术路线在学术上称为「神经符号 AI」：今天的 LLM 都是神经网络 AI，但更古早的符号 AI 更逻辑化、更基于判断。他相信所有良好工作的 Agent 必须遵循神经符号混合的形式。依据来自认知科学：人脑开销极小，因为除了神经网络的联想能力，还内置了符号能力，比如一眼判断眼前的人是男是女、是老人还是小孩，这种快速分类是节能系统，内生了因果认知。

我不相信这个，我从来没有相信过 Transformer 架构是智能的终极答案。

他认为市面上很多声音，包括以 Sam Altman 为首的大佬，花了大量篇幅、资金和故事，让人相信纯神经网络路线可以解决一切问题。他不信。

复盘：团队建设不够激进，使命想清楚得太晚 0:35:05

曲凯问过去两年有什么判断失误。张路宇给了两个答案。

第一是团队建设不够激进。2024 年初团队只有十几二十人，业务已经翻了好几倍，人完全没跟上。这跟财务考虑有关，但本质是信念不够坚定。业务一旦增长，一夜之间需要很多好的人，人不够就做得非常吃力。

第二是使命想清楚得太晚。Dify 早期很清楚要做一个开源中间件，技术好、受欢迎，但这是短期愿景和市场竞争策略。产品出现的使命一定和人类社会某件事有关。他今天把使命定义为「思考未来人与 AI 的生长和组织关系」，但过去一段时间没想清楚，所以技术上投入多，在适应系统性社会结构变革上欠了功夫。

关于 Agent 自主化，他承认速度超出预期。关键突破点是几次模型进步，这在 GPT-4 时代无法预估。一旦基点出现，受益的都是提前布局、守株待兔的公司。他提到现在有些人用这个思路做产品：先有基础产品和小范围用户，判断转折点半年到一年后到达，就等着成为第一个用上新模型能力的人。nano banana 这类模型能力很 fancy，谁先推出去谁就爆。从风险偏好看 Dify 不会这么做，但做风口型产品、捕捉短期机会，这个思路无疑是对的。

Anker 把 Agent 和 HR 放在对等位置 0:39:25

两年前很多人用 Dify 做 bot、陪聊、知识库、客服。张路宇当时就说过，不应该存在那么多 bot，谁需要每天打开聊天框？那只是让人快速了解这项能力、体验造物主感觉的东西。

今天的实际情况是，相当多团队在用 Dify 做非常复杂的流程。他见过最复杂的 Workflow 有四五百个节点，链接企业内各种组织关系和数据。Anker 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 资源和企业的 HR 人力资源放到对等的态度上看待：一项新业务来了，先分析需要哪些能力、设计什么 SOP，流程清楚之后，下一步想的是这里放人还是放 Agent。

曲凯感叹这比想象中快很多。张路宇说这不是一家企业，很多企业都这样做。至于 Dify 用得最好的场景，他给了一个反直觉的答案：不标准。「我们那些最常见的应用范例，一旦一个情景非常标准，就应该被一个垂直厂商做得非常成熟，已经有一个很大的垂直上市公司。」Dify 花过一段时间想提炼最标准的场景，后来发现用得最好的用户都是不标准的。

原因在于 Dify 是一种胶水性质的东西，链接原有业务流程和产品里的各种系统，形成复杂的协作关系。这件事在不同工种、不同组织里都不一样，过去需要 IT 人员和工程师做复杂的系统集成，成本极高。今天因为 LLM、AI coding、画布协同，成本降下来了。

那么 Dify 最终会变成什么？张路宇的答案是：一种新的组织协作方式。企业里大部分可以被抽象成标准化的东西，未来都应该在智能化平台上运作。平台解决两件事：内部各种原子能力怎么插上去，以及所有人怎么跟它协作，谁设计流程，谁做流程中的人类反馈节点。他描绘了未来的工作场景：早上九点打开手机看板，很多任务等着提取结果，有些需要 review，有些需要给反馈，点进一个流程能看到业务的生产全景。

零销售拿下 20% 财富 500 强，日本现象级流行的真相 0:45:42

Dify 基本是零销售状态。张路宇说，发展到今天最重要的一个决策就是很早开源，「没有这个决策，后面都不成立」。全球化要解决信任问题、快速传播问题、推广技术标准问题，开源一次性全解决了。

日本市场是很多人好奇的话题。Dify 今天在日本接近垄断地位，电视上能看到，书店里有大量教材，咖啡店里有人在用。为什么是日本？张路宇给了两个原因。第一是日本的社会结构和用工关系：技术人员非常匮乏，企业大部分业务被高度流程化。所以日本人看到 Dify，就像当年只写财务报表的会计看到 Excel。第二是相对北美团队，Dify 在服务日本上有时间优势，用户界面也更符合东亚审美，但这些是次要原因。

2023 年产品发布时就有日语版本，起初没太当回事。四五月份社区突然引爆，大量 KOL 在传播。等发现传播得不行的时候，Dify 在日本一个员工都没有，连会日语的人都没有，大量当地大企业找上门却没法承接。今天日本已经有接近十人的团队。

曲凯提到，日本传统上被认为是软件行业特别难进入的市场，营商壁垒很高。张路宇承认，Dify 是从一个现象级流行中幸运地切了进去。归根到底，最早的开源是最正确的决策。

全球化组织：第一天就假设必然出海 0:48:34

很多国内 AI 创始人第一天就面临全球化挑战：在中国、日本、美国建办公室，各办公室之间怎么配合。张路宇说 Dify 为此做了比别人更早的准备。有最近入职的同事看到内部基础设施、文档和文化积累，惊讶于一家两年的创业公司居然这么完善。

原因是第一天就做了假设：必然全球化、必然异步协作、必然迎接全球市场挑战。具体动作包括招聘有国际化背景的人才，团队里有很多 QS 前五十大学毕业的人。张路宇自嘲初中没读完，但公司里英语好的人很多，这是硬门槛。工具选择上大量使用美国 SaaS，一年花上万美金，把全球工具链连起来，谁处理邮件、谁处理财务、谁处理各种东西。这个过程本身也在学习产品能力：美国人是这么玩的，各种 SaaS 之间的集成是这样的。

怎么在两年内搞透日本的法律规则、招日本人、把团队和业务真正跑起来，同时在美国带团队？张路宇说，放到两年前他也没法想象。第一，AI 牛逼，想了解任何国家的营商环境和准入门槛，原来需要大量顾问和律师，今天只要提正确的问题，解决路径一定是清晰的。第二是人，组织建立第一天就有一些普世价值的东西，天然有吸引力。

他举了两条文化。一条叫对投资者透明：任何一个投资人可以看到内部所有文档，不会为他修饰好看的数据，可以参与团建和一切活动，对内对外对管理层都是一套数据。另一条是财务政策：每个员工入职拿一张一千美金的信用卡去花，不管怎么花，事后交凭据就行，没有事先卡报销，都是事后审查，确保中控没问题。信任先行的文化，对日本和其他地方的高级人才天然有吸引力。他说公司的理念就是彼得·德鲁克那套：激发善意。

关于工程师文化，张路宇极度同意曲凯之前写的「AI 是最重要的组织」那个观点。他的推理是：人与人之间的 IO 很低，大模型所有参数在一个模型里，没有通讯成本，所以非常强。而人和人之间把一个事情讲清楚太难了，因为原有的通讯方式和信息系统能传递的带宽有限。工程师文化背后的逻辑，是服务于超级个体的最优工作方式。未来有很多超级个体同时跟十个 AI 协作，达到超高产能，前提是上下文足够清晰准确。工程师文化本质上就是提前服务于这种异步的超级单兵工作模式。

Dify 是一张寻找模型答案的藏宝图 0:55:05

曲凯问，两年里对 AI 的理解有什么变化。张路宇说，他现在相信绝大多数问题在今天模型的基准线上都能被很好解决。两年前对模型的信任度可能只有六七成，今天可以高达 95% 以上，前提是把问题描述清楚。

他把和模型的交互比作一个巨大的数据球：你要先相信要找的东西在里面，然后输入正确的密码把它提取出来。需要跟它磨合、切磋，慢慢找到大概在什么位置。今天人类和模型没有很好协作起来，是因为这种路径寻找的能力不是所有人都具备，而且很难快速教学，它考验一个人本有的认知框架和提问题的能力。

所以 Dify 这类产品的价值，是把预先设计好的地图交付给用户：你解决某一类问题时，我这里有一张地图，顺着走就能找到正确答案。曲凯把这句话提炼成：Dify 就是人去寻找大模型答案的藏宝图。

另一个判断是，人类今天更多充当模型的现实世界传感器。论智力和逻辑，人比不过模型，但人有和现实世界感官交流的能力，把收集到的数据和反馈跟模型交互。「就我们今天是一个传感器。」

他还说，即使把商业模型和开源模型都算上，大量潜能都没被发掘，因为人没有主动探索能力边界，没有花足够高的频次和时间。用大白话说，今天大部分模型对大部分人绝对够用，甚至奢侈。Dify 从来不做模型技术预判，「我是教大家用电的，我为什么研究怎么发电」。但产品技术路径规划从原来只做半年，变成了做三年，因为技术变量基本稳定，剩下的是和现实世界连接的大量细微工作，比如 memory、MCP 整个生态要做的事。

曲凯问了一个他最近在想的问题：模型让智力变得对称，像阳光、空气和水一样人人可得，那人类和组织的竞争力还剩下什么？张路宇的答案是：把 AI 和人放在同一水平线上，找人和 AI 的竞争力就是找人和人的竞争力。区别在决策能力和注意力机制，也就是你把重点放在哪。同一期一小时的播客，一万个人听完写总结，会写出一万个版本，每个人听到的东西不一样。给 AI 也一样，不同的 prompt、不同的引导，挑出来的东西不同。背后是价值观，价值观让你看到不同的东西。比如 TikTok 在中东和巴西，同样的内容面临完全不同的规则和流量逻辑。

曲凯由此想到 Dify 的使命：模型对称之后，能不能把人和组织之间非对称的部分保存下来，通过 memory、Workflow 画布或其他方式，和模型共同产生合作效应，形成 Agent。张路宇的回答是，用 Dify 交付六十分的结果，随着模型进步和上下文提升，慢慢涨到七十、八十。但更根本的答案是：你要做一个九十分、一百分的人，那就无法被取代，六十分的人很可能被取代。

他最近在想的另一个问题，是怎么把七八十人、遍布全球办公室的组织变成一条高效的信息总线。总线里有次序、有共同的 memory，Agent 回答任何问题时可以立即连上整个上下文，精准找到东西再回来。这是今天所有 Agent 用户面临的问题：上下文的组织。原来的上下文组织不被重视，无序、充满噪音，今天却是所有组织最重要的课题。曲凯开玩笑说每个企业都要有一个首席上下文官，CCO。张路宇说创始人自己就是。

投资人看走眼了什么 1:04:08

好几个投资人都跟曲凯说，没想到 Dify 能发展到现在这样。张路宇觉得，Dify 在做一件需要耐心的事，这似乎和今天很多 AI 初创公司背道而驰。但因为这件事想得很清楚，吸纳进团队的人都是这种素质：理性、有战略性、有耐心，能认真按这件事需要的标准去做。这是 Dify 从 day one 开始积累的最大竞争力，一旦有了这样的团队，在这件事上就必然赢。

他不喜欢「精耕细作、厚积薄发」这类说法，觉得自己只是在提前用一个成熟市场的做法做产品。他拿汽车行业打比方：美国大街上跑得最好的是丰田、本田、宝马，汽车是巨成熟的市场，这些企业活下来是因为每个都找到了准确的位置。丰田是成本可靠，沃尔沃是安全，特斯拉是自动驾驶。成熟市场里，每个产品都要给自己打上一个厚重的、十年二十年不变的标签。Dify 的标签是工程优先、长期主义、稳定可靠、开放协同，从第一天坚持到现在没变。「你与其问我们一直做了什么，应该去问我们什么东西是自始至终没有变的。」

曲凯说，可能是因为这两年其他 AI 公司太跳了，显得 Dify 务实。张路宇承认务实，但强调只是用成熟市场的正确方式在做事情。

下一个结构性机会：AI 应用最后一公里 1:07:01

张路宇补充了两句关于模型能力溢出的判断。LLM 诞生带来了生产力的飞跃：加速代码生成，比如 Cursor；极低成本完成复杂知识工作；结构化数据处理。但这股生产力远没有被释放。MIT 有一份报告说，95% 的公司在人工智能试点都失败了。他认为这一定不是模型的原因，报告揭示的问题是：绝大多数企业 AI 实践失败，源于工具和组织的学习能力差距。

下一个机会窗口不在制造模型本身，模型肯定够用，而在于建桥：打造弥合鸿沟的基础设施、人机交互的范式、与 AI 高效协同的工作流，让怎么和 AI 快速提取数据、完成工作的知识形成更广泛的传播。接下来几年的机遇都在解决 AI 应用最后一公里的问题，这正好是 Dify 在解决的问题。

给用户的建议，张路宇说得很不客气：能把 AI 用好的真的是少数人。怎么定义用好？一个极端情况是认为 AI 不够用，觉得速度不够快、token 不够多。Dify 内部会衡量每个开发者的模型消耗量，看到很明显的趋势：一些人用得巨好，另一些人可能还在问模型今天吃了吗。这个差距分布比八二原则更明显。所以最重要的是找到这些超级个体。他们用得好的核心原因是不断在模型边界上游走，特质是充满好奇心。

创始人一定要快乐 1:10:47

节目最后，张路宇主动讲起快乐。他说作为一个两年的创业者，今天的状态比最开始还要好。一方面加州的环境舒服，另一方面他重新调整了自己的定位。

传统社会观里，创业者身上背着很多 CEO 的责任，朋友见面会问：你怎么看起来没那么苦逼，怎么一点都不辛苦？张路宇认为这恰恰是错的。创始人一定要让自己快乐，快乐意味着把身心放在最好的状态里。最好的想法来自头脑里自然的涌现。把问题放在头脑里，去斯坦福校园走一走，它会出来，像天上掉下来的礼物，重压之下不行。

创始人一定要让自己快乐，快乐意味着说你把自己的身心放在一个最好的状态中。

团队管理也一样。一味照顾很多人的感受，同事、投资人，身上背满压力，就没有最初创作产品时那种表达的状态，没有改变世界的动力，只是在负重前行。所以他选择主动让自己快乐起来。

曲凯接话说，这像他写文章，本来一周一篇，后来开会多了就没心思写。理性拆解的话，开会五天写两天完全来得及，但 mindset 完全不一样，处理琐事的时候就是没有心思做别的。把自己放空一点、开心一点，才是更长期可产出的状态。

张路宇把话题升华了一下：不止创始人，每个人都应该开心，做自己热爱的事情，放开跑。如果觉得不开心，要反思问题是什么，去解决它。他提到公司有两个看起来对立的价值观：不喜欢 996 和长期加班，因为那给人背上巨重负担，一定不快乐；但同时也反对八小时工作制，朝九晚五不是一个人正常的创作状态。正常状态是今天有个想法想去追，进入心流，注意力投射在这件事上，忘却时间，不停把东西吐出来，这是智力工作者最好的状态，和八小时工作制背道而驰。

曲凯分享了在纽约的观察：那边的人全都闯红灯。当地人的解释是，如果判断车过去会受影响，他们就不闯；如果车开得很慢、前面堵着，就往前走。他由此想到，规则是为了约束人、达到统一结果，但最好的规则是没有规则，所有人的目标和方向一致。知道目的是最大化交通效率，红绿灯就不重要了，否则会出现明明没有行人、车还要等红灯的情况。规则是为了用最小成本管理大多数人。最好的状态是相对混沌，但所有人的心往一处使。

节目在「希望大家开心，AI 不 AI 就那样」的玩笑里收尾。两个人约好过几年再聊，那时候 Dify 就是标准定义者了。

这期节目里最值得带走的，可能是张路宇反复回到的那个判断方式：先想清楚你的用户是谁、他们在光谱上站在哪个位置，再决定产品长什么样。Dify 躲过一轮又一轮「被杀死」，靠的是把工程、开源、中立、稳定这几件事从第一天坚持到现在。如果你在做 AI 产品，可以问自己三个问题：你的用户具不具备做出好产品的四类稀缺能力之一？你交付的是可投产的确定性，还是一次惊艳的抽卡？你的团队里，有多少人在模型边界上游走？

最后一个问题留给自己：你现在做的事，让你快乐吗？如果不快乐，张路宇的建议很直接，先解决这个问题。