Dify.AI 사용 후기: 코드 없이 UI로 생성형 AI 워크플로를 만드는 방법과 한계

핵심 메시지

• Dify는 코드를 직접 작성하지 않고 화면에서 블록을 연결해 생성형 AI 워크플로를 구성하는 오픈소스 도구다.
• 발표자는 고객 요청으로 UI 기반 워크플로를 만들어야 했고, 그 과정에서 자신이 쓰던 RAG 에이전트 API를 Dify 워크플로에 연결했다.
• 질문 입력, API 호출, 응답 파싱용 코드 블록, 결과 표시로 이어지는 단순한 흐름부터 조건 분기가 들어간 복잡한 흐름까지 같은 방식으로 만들 수 있다.
• 문서를 넣어 오디오 팟캐스트를 만드는 흐름이나 환자 접수 챗봇처럼 이미 만들어진 예제 워크플로를 불러와 수정하며 쓸 수 있다.
• 같은 영역에 Langflow, LangGraph 등 대안이 여럿 있으므로 직접 써 보고 자신에게 맞는 것을 고르라는 것이 발표자의 조언이다.

쉽게 이해하기

데이터 과학자인 발표자가 업무 중에 UI 기반으로 생성형 AI 워크플로를 구성해야 할 일이 생겼고, 그때 살펴본 Dify를 짧게 소개하는 영상입니다. 플랫폼 전체를 훑는 강의가 아니라 자신이 실제로 무엇을 만들었고 무엇을 느꼈는지를 공유하는 형식입니다. 여러 후보 중 Dify를 본 이유로는 오픈소스라는 점을 먼저 꼽습니다.

만든 것은 단순한 흐름입니다. 질문을 입력받는 시작 블록에서 질문이 문자열 변수로 잡히고, 그 변수를 다음 블록으로 연결해 자신이 운영하는 RAG 에이전트 API를 호출합니다. 응답에서 필요한 내용만 뽑아내야 해서 코드 블록으로 본문을 파싱한 뒤, 마지막 블록에서 답변을 보여 주는 구조입니다. 블록 사이를 선으로 잇는 것만으로 데이터 흐름이 만들어집니다.

기본으로 제공되는 블록의 폭이 넓다는 점도 언급됩니다. 대규모 언어 모델을 다루는 블록, 조건 분기를 처리하는 블록처럼 개발자라면 코드로 처리했을 기능들이 이미 준비되어 있습니다. 발표자는 이것을 코딩을 못 해서 쓰는 도구가 아니라, UI를 선호하는 사람이나 코드를 보고 싶어 하지 않는 팀원과 결과물을 공유해야 할 때 유용한 선택지로 설명합니다.

예제 워크플로도 여럿 준비되어 있습니다. 문서를 입력하면 그 내용을 분석하고 여러 프롬프트를 거쳐 오디오 팟캐스트를 만들어 내는 흐름, 조건 분기가 들어간 환자 접수 챗봇 같은 것들입니다. 작업 공간에 추가하면 실제 구성이 그대로 보이고, 연결선을 떼거나 새로 그어 원하는 대로 고칠 수 있습니다.

마지막으로 발표자는 이 영역에 Langflow, LangGraph 같은 대안이 여럿 있으니 직접 실험해 보고 맞는 것을 고르라고 권합니다. 한 가지 실용적인 조언도 덧붙입니다. 어느 정도 알려진 도구라면 막혔을 때 화면을 캡처해 대화형 AI에 물어보는 방식으로 해결할 수 있었다는 것입니다. UI 기반 작업에서도 이런 도움이 유효했다고 말합니다.

주요 인사이트

• 노코드 도구의 진짜 쓸모가 "코드를 못 쓰는 사람"이 아니라 "코드를 보여 주기 어려운 상황"에 있다는 관점이 눈에 띕니다. 팀과 공유해야 하는 워크플로일수록 화면으로 설명되는 편이 낫습니다.
• 완전한 노코드가 아니라는 점이 오히려 현실적입니다. API 응답에서 필요한 부분만 꺼내는 작업에는 결국 코드 블록이 필요했고, 실무 워크플로에서는 이런 접합부가 반복해 등장합니다.
• 기존 API 자산을 그대로 블록 하나로 끼워 넣을 수 있다는 점이 도입 문턱을 낮춥니다. 이미 운영 중인 RAG 시스템을 새로 만들지 않고 워크플로에 편입시킬 수 있기 때문입니다.
• 도구를 고를 때 출시된 지 어느 정도 지났는지가 실질적인 판단 기준이 됩니다. 자료가 쌓인 도구는 막혔을 때 AI에게 물어 해결할 수 있지만, 나온 지 얼마 안 된 도구는 그런 도움을 기대하기 어렵습니다.
• 예제 워크플로를 그대로 불러와 수정하는 방식은 학습 비용을 크게 줄여 줍니다. 빈 화면에서 시작하는 것보다 완성된 구조를 뜯어보는 편이 빠릅니다.

자주 묻는 질문

관련 AI 소식