📌 核心速览 (TL;DR)
- n8n（206k ⭐）：系统集成优先，AI 是其中一环。适合”把几十个软件连起来”的复杂自动化管道。
- Dify（157k ⭐）：LLM 应用优先，内置 RAG 引擎和 Prompt Studio。适合构建 AI 聊天机器人和知识库问答系统。
- Coze：对话机器人优先，一键接入 Telegram/Discord。适合快速原型，非技术用户友好。
- LangChain/LangGraph：代码优先，无上限定制。适合需要精细控制 Agent 状态和记忆的工程师。
极客 Homelab 推荐组合：n8n（调度中枢）+ Dify（AI 大脑）+ Ollama（本地模型），三者全部支持 Docker 自托管，零云 API 费用。
如果你在 2026 年初接触 AI 自动化这个话题，可能会被一片工具的海洋淹没：n8n、Dify、Coze、LangChain、LangGraph、Flowise（已归档）、ComfyUI……每隔两周就有新工具在 GitHub 出现，每隔一个月就有一波”XX 是最好的 AI 工作流工具”的中文博客文章。
作为一个把服务器当乐园的 Homelab 极客，我花了相当多的时间亲手部署和测试这些工具。本文的目标只有一个：用一个清晰的框架，帮你在 10 分钟内定位自己的需求，然后找到正确的工具。
先问自己三个问题
在看对比表之前，先回答这三个问题，答案决定了你 80% 的选型：
问题一：你的核心需求是”连接系统”还是”构建 AI 产品”？
- “连接系统”：我想让 Notion 自动同步到 Obsidian，让监控告警自动发 Telegram，顺带加一个 AI 总结步骤 → 去看 n8n
- “构建 AI 产品”：我想做一个公司内部的知识库问答机器人，接入公司文档 → 去看 Dify
问题二：你是否有 VPS 或 Homelab 服务器？
- 有服务器 → 所有工具都能自托管，优先考虑 n8n + Dify + Ollama 全本地部署
- 没有服务器 → Coze / Dify Cloud 提供免费云端托管，但功能受限且有隐私风险
问题三：你愿意写代码吗？
- 不愿意写代码，想拖拖拽拽 → n8n 或 Dify
- 愿意写 Python，追求极致控制 → LangChain/LangGraph
四大平台深度横评
📊 核心维度对比
| 维度 | n8n | Dify | Coze | LangChain |
|---|---|---|---|---|
| GitHub ⭐（2026/10） | 206k | 157k | 闭源 | 95k |
| 开源协议 | Fair-code（源码可见） | Apache 2.0 | ❌ 闭源 | MIT |
| 自托管支持 | ✅ 完整 | ✅ 完整 | ❌ 不支持 | ✅ 框架级 |
| 核心定位 | 系统自动化 | LLM 应用构建 | 对话机器人 | 代码框架 |
| 学习曲线 | 低（拖拽） | 低（可视化） | 极低 | 高（写代码） |
| AI 集成 | 节点式（外挂） | 原生内置 | 原生内置 | 框架级 |
| RAG 支持 | 需手动搭建 | ✅ 内置 RAG 引擎 | 有限 | ✅ 完整但需编码 |
| 本地 LLM（Ollama） | ✅ HTTP 节点 | ✅ 官方集成 | ❌ | ✅ LangChain-Ollama |
| 400+ 系统集成 | ✅ 原生内置 | ❌ 有限 | ⚠️ 插件式 | ❌ 需手写 |
| 云端定价 | 从 €24/月 | 从 $59/月 | 按量免费 | 按 API 用量 |
| 自托管费用 | 完全免费 | 完全免费 | 不支持 | 完全免费 |
🔧 n8n — 自动化管道的”水管工”
一句话定位：把所有你用的软件”焊”在一起，AI 是这条管道上的一个聪明节点。
n8n 的优势不在于 AI，而在于超过 400 个原生集成：Gmail、Slack、Notion、PostgreSQL、GitHub、Webhook、Cron 定时任务……你能想到的系统，它几乎都有现成节点。当你需要把 AI 处理嵌入到某个更大的业务流程中（比如”每天早上 7 点抓取 RSS → AI 总结 → 发 Telegram 频道 → 存 Notion 数据库”），n8n 是无可争议的最佳选择。
实际工作流示例：
[Cron: 每小时] → [HTTP: 抓取 Hacker News API]
→ [AI Agent: Ollama/Qwen 总结]
→ [Telegram: 推送摘要]
→ [PostgreSQL: 存档记录]n8n 的局限：它不擅长构建对话型 AI 应用。如果你想做一个多轮对话、有记忆、能检索文档的 AI 助手，n8n 需要大量手动搭建，远不如 Dify 省力。
📎 延伸阅读：本专题 Day 2 文章《n8n 自托管完全部署指南》将提供完整的 Docker + PostgreSQL + Nginx 反代配置。
🧠 Dify — AI 应用的”乐高积木”
一句话定位：让你不写一行代码，就能构建出生产级的 RAG 知识库和 AI 聊天机器人。
Dify 是专门为 LLM 应用设计的平台。它内置了：
- RAG 引擎：上传 PDF/Word/网页，自动切片、嵌入向量、建立索引。用户问问题时，系统自动检索最相关的文档片段
- Prompt Studio：可视化管理系统提示词，支持 A/B 测试不同提示词版本
- 多模型路由：在 Ollama（本地 Qwen/Llama）、OpenAI、Claude、Gemini 之间灵活切换，甚至设置 Fallback 回退策略
- 监控面板：查看每次对话的 Token 用量、响应延迟和错误率
典型使用场景：
- 公司内部知识库问答（上传所有技术文档，员工直接问 AI）
- 个人 Obsidian 笔记智能检索助手
- 客服机器人（对接产品手册）
Dify 的局限：系统集成能力弱，它不擅长”连接第三方系统”这件事。如果你需要 AI 应用主动去操作外部系统（发邮件、更新数据库），还是要配合 n8n 使用。
📎 延伸阅读：本站已有文章 《Dify 实战：结合本地 Ollama 打造具备联网能力的私有 RAG 知识库》，可作为 Dify 入门基础。
💬 Coze（扣子）— 对话机器人的”傻瓜相机”
一句话定位：字节跳动出品，最快 10 分钟在 Telegram/Discord 上跑一个 AI 机器人。
Coze 的目标用户是非技术用户和快速原型验证场景。它的界面极其友好，内置大量预制插件（搜索、计算器、图片生成等），支持一键发布到 Telegram、Discord、飞书等平台。
为什么 Homelab 极客通常不选 Coze：
- 不支持自托管：你的数据和工作流全部跑在字节的云端
- 模型选择受限：无法接入本地 Ollama，只能用平台提供的模型
- 定制上限低：一旦需求复杂，会很快碰到平台的天花板
适合场景：快速给非技术朋友演示 AI 机器人 Demo，或者评估 AI 能力是否符合需求，然后再迁移到 n8n/Dify 自托管方案。
⚙️ LangChain / LangGraph — 工程师的”乐高散件”
一句话定位：不是产品，是 Python 框架。给你最大的自由，也要你自己承担所有的复杂度。
LangChain（基础框架）+ LangGraph（状态机 Agent 编排）是目前生产级 AI Agent 的工业标准。当你需要构建的 Agent 具有以下特征时，你几乎无法避开它：
- 复杂的多步骤推理（ReAct 循环：思考 → 行动 → 观察 → 再思考）
- 长期记忆持久化（用向量数据库或关系型数据库存储对话历史）
- 多 Agent 协同（一个 Agent 调用另一个 Agent）
- 需要精确控制每一次 LLM 调用的参数、Token 限制和 Fallback 策略
为什么 Homelab 初学者不应该先学 LangChain：学习曲线极陡，部署复杂，调试困难。先用 n8n + Dify 把场景跑通，有了具体需求再迁移到 LangChain，是更合理的路径。
推荐选型路径
你的需求是什么？
│
├─ 连接多个外部系统 + AI 处理
│ └─ → 首选 n8n（自托管 Docker）
│
├─ 构建 AI 聊天/知识库应用
│ └─ → 首选 Dify（自托管 Docker）
│
├─ 快速给人演示 Demo
│ └─ → 用 Coze（无需服务器）
│
└─ 开发复杂的自定义 AI 产品
└─ → LangChain / LangGraph（写 Python）Homelab 极客的终极组合（本专题后续全面覆盖）：
Ollama（本地 LLM 推理）
↓
Dify（AI 应用层：RAG / Prompt 管理 / 多模型路由）
↓
n8n（调度层：定时任务 / 系统集成 / 触发器）
↓
MCP Server（工具层：让 AI 直接操作你的 Homelab）所有组件均可通过 Docker Compose 在同一台 VPS 或 NAS 上运行，互相通过内网 API 通信，零云 API 费用，数据完全自主。
2026 年的一个重要信号：Flowise 已归档
值得一提的是，曾经广受好评的可视化 LLM 应用构建器 Flowise 已于 2026 年 8 月 13 日正式归档，项目停止维护。这给了我们一个警示：AI 工具领域淘汰速度极快，选择拥有活跃社区和商业支撑的平台（n8n / Dify）远比跟风小众工具更安全。
❓ 常见问题与 AI 快问快答 (FAQ)
Q：n8n 和 Dify 能一起用吗？不会重复吗？
A：不仅不重复，而且强烈推荐组合使用。标准架构是：Dify 负责 AI 对话和知识库（大脑），n8n 负责触发时机和系统集成（神经系统）。n8n 工作流可以通过 HTTP 节点直接调用 Dify 的 API，实现”定时从外部系统拉取数据 → Dify AI 处理 → n8n 分发结果”的完整闭环。
Q：在 1 核 2G 的 VPS 上能同时跑 n8n 和 Dify 吗？
A：仅 n8n（不用 AI 模型）只需约 256 MB RAM；Dify 自身需要约 512 MB–1 GB RAM（不含向量数据库）。1 核 2G 可以同时跑两者，但非常紧张，强烈建议至少 2 核 4G。本地大模型（Ollama）单独需要 4–8 GB RAM，需要额外的服务器或将 Ollama 跑在另一台机器上。
Q：LangChain 和 n8n 哪个更适合”把 AI 集成到已有系统”？
A：完全不同的层面。n8n 是面向”编排”的——把哪个系统的数据送到 AI 处理，AI 结果再发到哪个系统。LangChain 是面向”实现”的——AI 本身如何思考、调用工具、维护记忆。绝大多数中小项目用 n8n 就足够，只有当你需要开发一个复杂的 AI Agent 产品时才需要 LangChain。
Q：Coze 支持接入私有知识库吗？
A：支持，Coze 提供了”知识库”功能，可以上传文档作为 AI 的上下文。但由于数据存储在字节云端，不适合有隐私合规要求的场景（如企业内部文档、个人敏感笔记）。隐私敏感场景请用 Dify 自托管。
Q：这四个平台都支持 MCP 吗？
A：截至 2026 年 10 月，Claude Desktop 是 MCP 客户端的主要实现，n8n 和 Dify 可以作为 MCP 工具服务的消费方（通过 HTTP 节点调用 MCP Server）。本专题 Day 4 和 Day 5 将详细介绍如何将 MCP Server 接入 Homelab 自动化体系。