Coze3.0的背后：AI 编程杀进来后，Dify、n8n 还能活多久？

本文来自微信公众号： 叶小钗 ，作者：叶小钗，原文标题：《Coze 3.0 的背后：AI 编程杀进来后，Dify、n8n 还能活多久？》

最近AI圈有个事件：Coze3.0发布了，只不过貌似并没有扬起太大的水花：

上一次关于Coze的大事件应该追寻到一年前的核心模块开源了：

当时大家还会为Dify捏把汗，在好奇Coze的开源会不会对他造成影响，结果大家也知道了：受Agent尤其是AI Coding Agent影响，整个这种编排的低代码平台似乎都活得不太好。

那么今天的问题也就来了：

1. 为什么Coding Agent会对Coze/Dify/n8n等编排低代码平台造成影响；

   
   

2. 未来编程智能体与Coze/Dify/n8n的关系或边界应该是什么呢？

   
   

大家先带着这个问题，我们开始今天的旅程，首先依旧是上分层模型：

不要管市面上出了多少产品，你就站在我要做这个产品的角度出发，将他进行分类，分类后再对每个品类的产品，做参数区分，也就是思考如何做选型，只要做到这一步，那么你的基础知识框架就算建立了，比如这个AI框架：

现在，我们就来用这套模型去拆解Coze/Dify/n8n和Agent的关系：

Coze/Dify/n8n

首先，我们需要对Coze/Dify/n8n做清晰的定位，他们都属于低代码平台，进一步是完成确定性编排（Workflow）的平台型产品。

2023年是Coze/Dify最风光的一年，那时候模型虽强，但普通人无法把模型变成产品。技术人员虽然能写代码，但也需要大量重复工作，而他同时解决了三个角色的问题：

• 技术人员：终于不用每个小需求都写胶水代码了；

  
  

• 业务用户：虽然这种编排系统依旧成本不低，但相比古法编程已经足够友好了，至少不用去搞那个开发环境问题；

  
  

• 管理者：看到了效率提升、降本增效的可能，并且在一定场景下他是成立的；

  
  

于是乎，那时候很多人开始尝试用Coze/Dify/n8n承载自己的工作流/Workflow，其中企业私有化部署喜欢选Dify、个人的话多半选Coze生态。

所以，Coze等低代码平台之所以能火，无非是一个核心原因：效率高，解决了一些人一些效率问题；其中无论是模板还是插件，都在进一步解决门槛低、效率高的特点。

如图所示，他展示了AI1.0到AI2.0时代，各个企业主流的技术体系演进方向，也就是说在2025年前，很多公司最终都会有一套自己的低代码平台，大家注意去看法律明星Agent Harvey的架构，跟我们说的很类似的：

但这种伴随AI而生的低代码平台是具有天生的局限性的，你拿他做做Demo是可以的，但你要拿他做复杂业务，那么两个绕不过去的核心问题就产生了：

第一，复杂流程像蜘蛛网，维护成本指数级上升

比如，下图是某客服公司的核心业务Workflow，其复杂程度令人发指，几乎达到了动一下、错一下的地步，并且团队只有3个人有能力去改：

第二，模型幻觉很厉害的，你用Coze/Dify去承载下工作流还行，但要去上面搞相对复杂的RAG知识库，那复杂度就高了

总而言之，在处理复杂业务流程的时候、在处理复杂RAG场景的时候，Coze/Dify的灵活性就没那么高了。

而且这些场景往往也不是Demo一下就算了，非技术人员还是有很大的瓶颈。所以，在复杂生产链路里面，Coze/Dify的定位一直是很尴尬的。

Agent

如前所述，整个Coze/Dify/n8n的定位已经很清楚了，得益于其低代码平台的特性，他们在效率上具有不小的优势，这是他们崛起的原因；

但因为程序员更喜欢用灵活性更高的代码去做复杂业务，所以这些平台面对复杂业务的时候就有些鸡肋了...

另一方面，非技术人员这里也显示出了很多问题：

1. 第一是不想去整理SOP/Workflow，但如果非要整理，这个他们可以克服；

   
   

2. 第二是一定不想去编排SOP，这对他们简直是一种折磨；

   
   

3. 第三是数据处理这块，几乎是不可能学会的；

   
   

在这个背景下，行业就会期待工具能不能更进一步、更简单一点、能不能利用AI的能力，提升Workflow的泛化能力：

也就是在积累了足够SOP/Workflow后，能不用自然语言就能AI生成符合要求的SOP/Workflow？而就算不满足，也能用自然语言去调整、优化，而不是压去拖那个蜘蛛网。

在这个诉求下，基于ReAct框架的Agent诞生了，他还真能实现一句话生成完整的SOP/Workflow：

只不过问题又来了，这次的问题是：这家伙实现不太稳定。

相同的输入可能拿不到相同的输出，每次生成的SOP可能都不一样，并且他是个黑盒，就算出了问题也不能改。

不稳定、不可干预、不具备可观测性，成了这类Agent走向生产，最大的问题

在这个基础下Claude Code类Coding Agent来了：

Coding Agent

从Coze/Dify/n8n到Agent的出现，我们知道了大家需要的是可以简单表达的工作流。

于是乎Skills规范应运而生，可以让大家用自然语言在markdown里面描述工作流，于是乎整个技术框架变成了这个样子：

现阶段来说，Skills已经变成了Coding Agent的标配了，并且Agent整个输出稳定性高了非常多。

但要注意的是：就算Skills的加入，依旧不能保证100%的稳定性，所以整个Coding Agent现在的定位是协作型Agent：

他并不保证结果的正确性，人可以对他的结果进行审核、优化

综上，就是整个低代码编排系统到Agent再到协作型Coding Agent的背景信息了，大家可以看到Coze/Dify等低代码平台因为效率高而上位，但现在确实被Coding Agent压制得厉害：

在了解前因后果后，我们就可以正式展开今天的讨论了：在Coding Agent大势所趋的情况下，Coze/Dify/n8n的生存空间在哪？

Coze/Dify/n8n的生存空间

看懂整个产品推衍逻辑后，我们再回归Coze3.0这次更新，就不会把他只当做一次产品迭代了。

要看明白Coze3.0这次更新背后的逻辑，要要结合整个行业，包括Dify与n8n的最新路线，再叠加Anthropic、LangChain对workflows与agents的公开判断放在一起看。

这里整个趋势就很清晰了：整个Agent应用平台（生成Agent的工具），因为效率、门槛的诉求，正在从“确定性编排”转向“受控自知”。

这个转移过程的背后重新分配的是任务执行过程的控制权，他也会导致用户选择的分叉，更多的人会转向更为简单的Agent，因为多数人的诉求就是一个允许出错的Demo：

所以，Coze现在已经把自己放到新一代AI团队的叙事里，主打多Agent、项目化空间，以及云端与本地Agent的统一托管；

这就让Coze 3.0有点像一个在线版的Codex/Claude Code工作台，但是不要求用户必须理解本地环境、CLI、仓库等专业名词，而是把Agent放进一个在线项目空间里，让所有的操作在线就可以完成。这里的差异就很关键了：

Claude Code、Codex更像程序员手里的Agent工具，Coze 3.0更像普通人也能用的Agent团队入口

工具表现的差异会直接导向用户及场景的差异：Coze3.0切的依旧是海量想用Agent工具生成Demo（简单应用）的人群。

相应着其他平台也在积极变化，寻找更适合自己的定位：

1. Dify把自己定义为building agentic workflows的开源平台；

   
   

2. n8n也明确把自己定位成AI workflow automation platform，强调you can see and control，并上线了AI Workflow Builder。

   
   

换句话说，几家主流平台都已经在产品层面承认：纯手工拖拽不够了，但纯自治Agent也还不够。

进一步需要思考的命题也从谁要淘汰谁变成了：哪些任务应该继续走预定义路径，哪些任务可以把更多执行权交给模型这个更务实的课题。

问题回归模型

继续回归知识框架，并且这里会出现新的分层，先把东西分层，后面的很多争论就不会跑偏：

第一层：确定性编排层

Dify的官方文档把workflow解释成一种把模型、工具和逻辑组合成reliable,repeatable processes的方式，原因也说得很直白：

模型本身会hallucinate、会漏步骤、会输出不一致，所以在生产环境里需要更强的控制。

n8n的官方文档则把workflow定义成a collection of nodes connected together to automate a process，并强调所有自动化都建在workflow canvas上。

也就是说，在这一层里，平台的中心的核心诉求就是：让AI稳定发挥。

第二层：自治执行层

到了这一层，交互对象不是基于Workflow的节点和画布，而是任务目标、工具权限和上下文管理。

这一层的核心是：把执行权和决策权从人交给模型，当前经典实现是ReAct框架，在循环中交替进行Thought→Action→Observation，让模型自己决定每一步走什么，而不是被人提前画好。

Anthropic把agent说成是在任务明确后，能够自己规划、调用工具、依据环境反馈继续推进，并在检查点上向人类请求判断的系统；

OpenAI把多Agent编排拆成handoffs和agents-as-tools两种模式，本质上都在讨论谁拥有这一段任务的执行权与最终评价权。

第三层：治理层

这一层就比较常规了，他初期不重要，但上生产环境后就不可或缺，现在大家熟知的Harness也是其中一种实现。

其出现目的是为了保证系统的稳定、可评测。Dify、n8n等平台都有对应的功能，比如：

1. Dify限制最大迭代次数；

   
   

2. n8n提供human-in-the-loop for AI tool calls；

   
   

三层模型摆在这里，前面的争论就不难理清了：第一层要的是稳定、第二层要的是自主、第三层要的是可控。

但现在的问题是：Coding Agent正在同时挤压第一层和第二层，

Coding Agent为什么会形成挤压

原因很简单，最前面也说了，它直接拿走了平台最核心的价值：降低门槛、提升效率。

Claude Code的逻辑是你描述目标，AI探索实现，你来审阅，这把Coze、n8n曾经引以为傲的拖拽搭建给重构了，这简直是降维打击！

那么既然Coding Agent都这么吊了，为什么Workflow平台还在呢？这是最后一个问题：

为什么Workflow平台还在？

其实原因很简单啊：ReAct框架把治理层的难题放大了，这里的工程难度比大家想象的高。

Anthropic明确建议团队先找最简单的方案，再逐步增加复杂度：

1. workflow适合well-defined tasks；

   
   

2. agent适合open-ended problems；

   
   

   

   
   

而Agent灵活背后的代价是更高的成本、更多的延迟，以及更高的工程维护成本。

换句话说，主流国内外观点并不支持全面自治，而是在强调：自治只在你真的需要灵活性时才值得。

这也是为什么生产平台会不断往人工确认和可观测性上补。

n8n把它的优势说得毫不遮掩：它适合生产，绝不是他比Agent聪明，而是因为它有预设的逻辑、人工审批节点等，并且使用他的成本和响应速度比Agent快多了。

Dify的Agent节点同样有最大迭代次数、记忆和工具配置，用来防止无限循环、工具滥用和上下文膨胀。

这里还没说安全问题，如果要处理他，那工程复杂度就高咯！

综上，无论是稳定性、成本、效率还是安全问题，现阶段正常的企业不可能将核心业务场景放给不稳定的Agent去玩，除非Agent可以搞定可观测、权限、日志、成本效率等等一系列问题。

只不过现在对于企业来说，还是不太成熟。

但要注意的是，如果所有的这些问题还是在围绕这Coze/Dify这批目标用户在讨论，也就是不会写代码的，又想要出Demo的人，他们倒是无所谓，直接无脑使用更低门槛的Coding Agent平台就好...

所以，现在是个过渡时期，大家都会存在，但接下来会如何演进呢？

混合架构

现阶段国外的普遍观点是：确定性流程/Workflow与自治智能体/Agent现在是个混用的状态，也就是说：

1. 若任务高度明确，一致性要求高，如财务流程、数据同步，Workflow更合适；

   
   

2. 若场景开放，需要动态决策，如客户支持中的多轮复杂提问，则Agent更表现会好一些；

   
   

然后具体到几个工具定位的话，可以用这个四象限图：

结语：FDE和KnowHow

近半年顶级基座模型厂商OpenAI、Anthropic在大幅扩招FDE，这个岗位既不是纯研发，也不是销售/售前，他们对其的描述是：驻扎在客户现场、把AI能力变成业务成果的角色。

而这里问题就来了：为什么FDE突然火了？

其答案是：基模公司会发现，自己模型能力已经足够高了，但是很多企业实际却并不能真正用AI解决很多问题。他们经过调查发现当前各个企业真正的问题是没办法把业务系统的KnowHow梳理清楚、再接入AI能力。

所以，当前的核心瓶颈其实并不是工具而是业务KnowHow，顺着这条线索，真正的问题就来了：

在AI能自动写代码、搭流程的今天，什么才是最稀缺的？各个企业的壁垒又在哪？

这个问题的答案可能就在FDE这个岗位里，其背后就是Coze/Dify/n8n/Coding Agent要承载的KnowHow/Workflow：

最后我们回归一下，Coze、Dify、n8n等低代码Workflow编排平台，正在因为被Coding Agent不断积压而不断演进，并且为了适应低门槛、高效率的用户诉求，现阶段工具能力会有趋同的趋势。

只不过，未来的竞争点不是谁的工具更厉害，而是谁的KnowHow更深，毕竟真的理解业务，要学个Coze谁还不会呢？