Dify: 5분 만에 시각적으로 프로덕션급 AI 에이전트 구축 — 141K+ Stars 설치 가이드 2026

{{< resource-info >}}

대부분의 팀은 어려운 방식으로 AI 챗봇을 배포합니다. Flask 라우트를 OpenAI API에 연결하고, JSON 파일에서 프롬프트 템플릿을 수작업으로 작성하며, 임베딩 모델, 벡터 저장소, 청킹 로직으로부터 처음부터 RAG 파이프라인을 구축합니다. 세 달 후 프로토타입은 유지보수가 불가능해지고, 개발자 없이는 제품 관리자가 프롬프트를 업데이트할 수 없으며, 지식베이스 동기화는 조용히 실패하는 크론 작업이 됩니다.

Dify는 이 문제를 해결합니다. 시각적 워크플로 설계, 프로덕션급 RAG, 다중 모델 지원, API 게시를 단일 배포 가능한 스택에 패키징한 오픈소스 플랫폼입니다. 141,955개의 GitHub Stars, 1,298명의 기여자, 그리고 2-4주마다의 릴리즈 주기로 Dify는 오케스트레이션 보일러플레이트를 작성하지 않고 AI 애플리케이션을 배포하려는 팀의 기본 선택이 되었습니다. 이 가이드는 5분 이내에 프로덕션 준비 Dify 설정을 안내한 다음, 실제 도구와의 통합 및 확장 방법을 보여줍니다.

Dify란 무엇인가? #

Dify는 프로덕션 준비가 된 에이전틱 워크플로 개발 플랫폼입니다. 원시 LLM API와 최종 사용자 AI 제품 사이의 누락된 애플리케이션 레이어로 생각하세요. Dify는 시각적 캔버스를 제공하여 LLM 호출, 지식 검색, HTTP 요청, 코드 실행, 조걶 분기를 노드로 드래그 앤 드롭하고 연결하여 완전한 AI 애플리케이션을 구축할 수 있습니다.

플랫폼은 Beehive(육각형) 아키텍처를 기반으로 모듈화된 컴포넌트로 구축되었습니다: Python Flask API 서비스, Celery 워커 큐, Next.js 프론트엔드, 모덿 공급자용 플러그인 데몬, 코드 실행을 위한 보안 샌드박스입니다. 30개 이상의 벡터 데이터베이스(Weaviate, Qdrant, pgvector, Milvus), 20개 이상의 LLM 공급자(OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, Ollama, Groq)를 지원하며, 하이브리드 검색, 재순위, 내장 관측 가능성, RESTful API 생성이 즉시 제공됩니다.

구축할 수 있는 주요 애플리케이션 유형:

• 챗봇 — 메모리, 지식베이스, 툴 호출이 있는 대화형 AI
• 텍스트 생성기 — 요약, 번역, 코딩을 위한 단일 샷 완성 앱
• 에이전트 — ReAct, Function Calling, Chain-of-Thought 추론을 갖춘 자율 AI
• 워크플로 — 조걶 로직과 병렬 실행을 포함한 다단계 시각적 파이프라인

Dify의 작동 방식 #

Dify의 아키텍처는 잘 정의된 API를 통해 통신하는 개별 서비스로 관심사를 분리합니다. 이를 이해하면 디버깅, 확장, 배포 하드닝에 도움이 됩니다.

아키텍처 개요 #

데이터 레이어 #

워크플로 실행 엔진 #

Dify의 워크플로 엔진은 병렬 처리를 지원하는 DAG(방향성 비순환 그래프) 실행 모델을 사용합니다. 워크플로의 각 노드는 순차적 또는 병렬 스레드에서 실행할 수 있으며, 변수 풀 시스템을 통해 격리를 유지하면서 노드 간 데이터 공유가 가능합니다. 엔진은 워크플로당 500단계 및 1,200초 타임아웃의 실행 제한을 적용하여 비정상 프로세스를 방지합니다.

설치 및 설정 #

사전 요구사항 #

시작하기 전에 머신이 다음 요구사항을 충족하는지 확인하세요:

1단계 — Dify 클론 #

GitHub에서 최신 릴리스를 클론합니다:

git clone --branch "$(curl -s https://api.github.com/repos/langgenius/dify/releases/latest | jq -r .tag_name)" https://github.com/langgenius/dify.git

이 명령은 최신 안정 태그(현재 v1.14.2)를 체크아웃합니다.

2단계 — 환경 구성 #

cd dify/docker
cp .env.example .env

.env를 편집하여 보안 비밀 키를 설정합니다:

# 암호학적으로 보안된 비밀 생성
SECRET=$(openssl rand -hex 32)
sed -i "s/SECRET_KEY=.*/SECRET_KEY=${SECRET}/" .env

.env에서 검토해야 할 주요 변수:

# 핵심 설정
CONSOLE_API_URL=http://localhost:5001
CONSOLE_WEB_URL=http://localhost:3000
SERVICE_API_URL=http://localhost:5001
APP_API_URL=http://localhost:5001
APP_WEB_URL=http://localhost:3000

# 데이터베이스
DB_USERNAME=postgres
DB_PASSWORD=difyai123456
DB_HOST=db
DB_PORT=5432
DB_DATABASE=dify

# Redis
REDIS_HOST=redis
REDIS_PORT=6379
REDIS_DB=0

# 벡터 저장소 (기본 Weaviate)
VECTOR_STORE=weaviate
WEAVIATE_ENDPOINT=http://weaviate:8080
WEAVIATE_API_KEY=WVF5YThaHlkYwhGUSmCRgsX3tD5ngdN8pkih

3단계 — Dify 시작 #

docker compose up -d

이 명령은 11개의 컨테이너를 시작합니다: 5개의 핵심 서비스와 6개의 의존성. 모든 것이 정상 실행 중인지 확인합니다:

docker compose ps

모든 컨테이너가 Up (healthy) 상태인지 확인해야 합니다. API 서비스가 데이터베이스 마이그레이션을 실행하므로 첫 시작은 60-90초가 소요됩니다.

4단계 — 관리자 계정 초기화 #

브라우저를 열고 다음 주소로 이동합니다:

http://localhost/install

이메일과 비밀번호로 설정 마법사를 완료합니다. 설정 후 다음 주소에서 로그인합니다:

http://localhost

5단계 — 첫 번째 모덿 공급자 추가 #

설정 → 모덿 공급자로 이동하여 최소한 하나의 공급자에 대한 API 키를 추가합니다. OpenAI의 경우:

1. 공급자 목록에서 “OpenAI"를 선택합니다
2. API 키(sk-...)를 붙여넣습니다
3. “저장"을 클릭합니다

Ollama를 사용한 로컬 개발:

1. Ollama가 로컬에서 실행 중인지 확인합니다(ollama serve)
2. 공급자 목록에서 “Ollama"를 선택합니다
3. 기본 URL을 http://host.docker.internal:11434로 설정합니다
4. 다운로드된 모덿(예: llama3.1:8b)을 선택합니다

# 테스트용 경량 모덿 가져오기
ollama pull llama3.1:8b

이제 Dify 인스턴스가 AI 애플리케이션을 구축할 준비가 되었습니다.

인기 도구와의 통합 #

OpenAI / Anthropic Claude #

주요 LLM 공급자를 추가하는 것은 설정 변경이지 배포는 아닙니다. 설정 → 모덿 공급자에서 API 키를 추가한 후 첫 채팅 앱을 생성합니다:

1. 스튜디오 → 앱 만들기 → 챗봇으로 이동합니다
2. “지원 어시스턴트"로 이름을 지정합니다
3. 프롬프트 편집기에서 시스템 프롬프트를 작성합니다
4. 드롭다운에서 모덿(GPT-4o, Claude Sonnet 등)을 선택합니다
5. 게시를 클릭합니다

API를 통해 앱에 접근합니다:

curl -X POST 'http://localhost/v1/chat-messages' \
  -H 'Authorization: Bearer YOUR_APP_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "비밀번호를 재설정하려면 어떻게 해야 하나요?",
    "response_mode": "streaming",
    "conversation_id": "",
    "user": "user-123"
  }'

Ollama (로컬 LLM) #

격리된 네트워크나 비용에 민감한 환경을 위해 Ollama 통합을 통해 로컬 모덿을 실행할 수 있습니다:

# Ollama 시작
ollama serve

# 모딜 가져오기
ollama pull llama3.1:8b
ollama pull qwen2.5:14b

Dify에서 설정 → 모덿 공급자 → Ollama로 이동하여 구성합니다:

개발에는 로컬 모덿을 사용하고, 프로덕션에서는 애플리케이션 로직을 변경하지 않고 클라우드 모덿으로 전환합니다.

Qdrant 벡터 저장소 #

대규모에서 더 나은 성능을 위해 Weaviate를 Qdrant로 교체합니다:

cd dify/docker
cp envs/vectorstores/qdrant.env.example envs/vectorstores/qdrant.env

envs/vectorstores/qdrant.env 편집:

VECTOR_STORE=qdrant
QDRANT_URL=http://qdrant:6333
QDRANT_API_KEY=your-api-key
QDRANT_CLIENT_TIMEOUT=20

docker-compose.override.yaml에 Qdrant 추가:

services:
  qdrant:
    image: qdrant/qdrant:latest
    ports:
      - "6333:6333"
    volumes:
      - qdrant_data:/qdrant/storage
    environment:
      - QDRANT__SERVICE__API_KEY=your-api-key

volumes:
  qdrant_data:

Dify 재시작:

docker compose down
docker compose up -d

Weaviate #

Weaviate는 기본 벡터 저장소로 즉시 작동합니다. 프로덕션용으로는 외부 Weaviate 클러스터를 사용합니다:

# .env에서
VECTOR_STORE=weaviate
WEAVIATE_ENDPOINT=https://your-cluster.weaviate.network
WEAVIATE_API_KEY=your-api-key

Claude Code 통합 #

Dify 앱을 MCP(Model Context Protocol) 서버로 납출하고 Claude Code에 연결합니다:

1. Dify 앱에서 API 접근 → MCP 서버로 이동합니다
2. MCP 게시를 활성화합니다
3. MCP 서버 URL을 복사합니다
4. Claude Code에서 실행:

claude config add mcp.dify http://localhost:5001/your-mcp-endpoint

이제 Dify 워크플로가 Claude Code 대화에서 직접 호출할 수 있습니다.

벤치마크 / 실제 사용 사례 #

성능 특성 #

커뮤니티 벤치마크 및 부하 테스트 데이터 기준:

참고: 실제 처리량은 LLM 공급자 지연 시간과 워크플로 복잡성에 크게 의존합니다.

문서 인덱싱 성능 #

비용 비교 (자체 호스팅 월간) #

실제 배포 패턴 #

고객 지원 챗봇 — 40명의 SaaS 회사가 800페이지의 제품 문서로 학습된 Dify 챗봇을 배포했습니다. 해결률이 45%에서 78%로 증가하고, 첫 달 내 지원 티켓 볼륨이 35% 감소했습니다.

낶부 지식 어시스턴트 — 핀테크 팀이 50,000개의 낶부 문서에 대해 RAG 기반 어시스턴트를 구축했습니다. 직원들은 평균 2.3초 안에 출처가 있는 답변을 얻으며, 기존의 5-10분이 걸리는 수동 wiki 검색을 대체했습니다.

리드 자격 에이전트 — B2B 스타트업이 GPT-4o를 사용하여 인바운드 리드를 평가하고, PostgreSQL 데이터베이스에서 과거 전환 데이터를 쿼리하며, Slack을 통해 핫 리드를 영업팀에 라우팅하는 워크플로를 구축했습니다. 응답 시간: 리드당 10초 미만.

고급 사용법 / 프로덕션 하드닝 #

환경 격리 #

프로덕션에는 절대 기본 .env 값을 사용하지 마세요. 환경별 구성을 생성합니다:

# 프로덕션 환경
cp .env .env.production

프로덕션을 위한 중요한 변경 사항:

# 보안
SECRET_KEY=$(openssl rand -hex 48)
CONSOLE_API_URL=https://dify.yourcompany.com
CONSOLE_WEB_URL=https://dify.yourcompany.com
SERVICE_API_URL=https://dify.yourcompany.com

# 데이터베이스 (외부)
DB_HOST=your-rds-endpoint.amazonaws.com
DB_USERNAME=dify_prod
DB_PASSWORD=<strong-password>

# Redis (외부)
REDIS_HOST=your-elasticache-endpoint
REDIS_PASSWORD=<strong-password>
REDIS_USE_SSL=true

# 파일 저장소 (S3)
STORAGE_TYPE=s3
S3_USE_AWS_MANAGED_IAM=false
S3_ENDPOINT=https://s3.amazonaws.com
S3_BUCKET_NAME=dify-prod-uploads
S3_ACCESS_KEY=AKIA...
S3_SECRET_KEY=...
S3_REGION=us-east-1

SSL이 있는 리버스 프록시 #

Nginx 또는 Traefik을 사용하여 TLS 종료:

server {
    listen 443 ssl http2;
    server_name dify.yourcompany.com;

    ssl_certificate /path/to/cert.pem;
    ssl_certificate_key /path/to/key.pem;

    location / {
        proxy_pass http://localhost:3000;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }

    location /v1/ {
        proxy_pass http://localhost:5001;
        proxy_set_header Host $host;
        proxy_read_timeout 300s;
    }
}

모니터링 및 관측 가능성 #

Dify는 API 서비스를 통해 메트릭을 노출합니다. 프로덕션 모니터링을 위해 설정합니다:

# docker-compose.monitoring.yaml
services:
  prometheus:
    image: prom/prometheus:latest
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
    ports:
      - "9090:9090"

  grafana:
    image: grafana/grafana:latest
    ports:
      - "3001:3000"
    volumes:
      - grafana_data:/var/lib/grafana

  node-exporter:
    image: prom/node-exporter:latest
    ports:
      - "9100:9100"

volumes:
  grafana_data:

추적해야 할 주요 메트릭:

백업 전략 #

#!/bin/bash
# backup-dify.sh — cron을 통해 매일 실행

DATE=$(date +%Y%m%d_%H%M%S)
BACKUP_DIR=/backups/dify

# PostgreSQL 백업
docker exec dify-db pg_dump -U postgres dify > $BACKUP_DIR/dify_db_$DATE.sql

# Redis 백업
docker exec dify-redis redis-cli BGSAVE

# 파일 저장소 백업 (로컬 볼륨 사용 시)
tar czf $BACKUP_DIR/dify_uploads_$DATE.tar.gz /var/lib/docker/volumes/dify_uploads/

# S3에 업로드 (선택 사항)
aws s3 sync $BACKUP_DIR/ s3://your-backup-bucket/dify/ --delete

워커 확장 #

대용량 문서 처리를 위해 Celery 워커를 수평 확장합니다:

# docker-compose.override.yaml
services:
  worker:
    deploy:
      replicas: 3
    environment:
      - CELERY_WORKER_CONCURRENCY=8

  worker-beat:
    deploy:
      replicas: 1  # 정확히 1개의 비트 인스턴스 유지

대안과의 비교 #

선택 가이드 #

• Dify 선택 고객 대상 AI 앱을 구축하고, 강력한 RAG가 필요하고, 비기술 팀원이 프롬프트와 지식베이스를 관리하거나, 자동 생성 API가 필요한 경우. Dify는 아이디어에서 AI 제품 배포까지 가장 빠른 경로입니다.
• Flowise 선택 LangChain 추상화를 좋아하는 개발자이며 시각적 프로토타이핑 레이어를 원하는 경우. Flowise는 가장 깔끔한 “이젝션” 경로를 가지고 있습니다 — 흐름을 JSON으로 납출하고 Python LangChain 코드로 변환합니다.
• n8n 선택 AI 에이전트가 더 큰 자동화 워크플로의 한 단계인 경우. n8n의 400+ SaaS 커넥터와 검증된 스케줄링, 재시도, 오류 처리는 운영 집약적 통합에서 독보적입니다.
• LangChain 선택 완전한 코드 수준 제어, CI/CD 통합, 서브초 지연 시간, 또는 저코드 도구로 표현할 수 없는 복잡한 멀티 에이전트 오케스트레이션이 필요한 경우.

한계 / 객관적 평가 #

Dify는 모든 AI 프로젝트에 적합한 도구가 아닙니다. 다음은 그것이 적합하지 않은 영역입니다:

1. 서브초 지연 시간 워크로드 Dify의 간단한 워크플로에 대한 P95 지연 시간은 약 1.2초로, 주로 노드 간 데이터베이스 쿼리 때문입니다. 서브 500ms 응답이 필요한 경우(예: 실시간 제안 엔진) LangGraph와 같은 코드 우선 프레임워크를 사용하거나 전용 FastAPI 서비스를 배포하세요.

2. 복잡한 데이터 구조 워크플로 캔버스는 깊게 중첩된 객체에 대한 지원이 부족합니다. 중첩된 배열과 조걶 필드가 있는 복잡한 입력/출력 스키마가 필요할 때, Dify는 코드에서는 필요하지 않은 우회로를 강요합니다.

3. 대규모 워크플로 자동화 Dify 워크플로는 AI 중심적입니다. 자동화가 주로 Salesforce, HubSpot, Slack, 데이터베이스 간에 데이터를 이동하고 AI가 최소한인 경우 n8n이 더 적합합니다. n8n의 400+ 통합과 비교할 때 Dify의 비 AI 커넥터 라이브러리는 제한적입니다.

4. 대규모 멀티 에이전트 시스템 Dify는 에이전트 노드를 지원하지만, 공유 상태와 동적 계획이 있는 복잡한 멀티 에이전트 협업은 LangGraph나 CrewAI가 더 잘 처리합니다. Dify의 에이전트 기능은 대부분의 사용 사례에는 충분하지만 연구급 멀티 에이전트 오케스트레이션은 아닙니다.

5. 메모리 제한 문서 처리 데이터셋 인덱싱은 동기식이며 대용량 업로드에 수 분이 걸릴 수 있습니다. 매우 큰 지식베이스(100K+ 문서)에서 문서 처리는 신중한 워커 확장이 필요한 메모리 압력을 보입니다.

자주 묻는 질문 #

질문: 클라우드 VPS에 Dify를 설치하려면 어떻게 해야 하나요? 설치 과정은 로컬 설치와 동일합니다. 최소 4GB RAM의 VPS를 프로비저닝하고(DigitalOcean, Hetzner 또는 AWS Lightsail이 적합), Docker와 Docker Compose를 설치한 후, 저장소를 클론하고 docker compose up -d를 실행합니다. 원클릭 배포를 위해 DigitalOcean Dify Marketplace 앱을 사용할 수 있습니다.

질문: Dify를 완전히 오프라인으로 실행할 수 있나요? 예. Ollama를 모덿 공급자로 구성하고 Llama 3.1, Qwen 2.5 또는 Mistral과 같은 로컬 모덿을 실행하세요. 모든 Dify 서비스는 Docker 낶에서 실행되며 외부 의존성이 필요하지 않습니다. 유일한 제한은 인터넷 접근 없이는 클라우드 LLM API를 사용할 수 없다는 것입니다.

질문: Dify를 새 버전으로 업그레이드하려면 어떻게 해야 하나요?

cd dify/docker
docker compose down
git fetch --tags
git checkout $(curl -s https://api.github.com/repos/langgenius/dify/releases/latest | jq -r .tag_name)
docker compose pull
docker compose up -d

업그레이드 전에 릴리스 노트에서 주요 변경 사항과 새로 필요한 환경 변수를 확인하세요.

질문: Dify의 챗봇과 에이전트 앱 유형의 차이점은 무엇인가요? 챗봇 앱은 고정 프롬프트 템플릿과 선택적 지식 검색을 따릅니다. 에이전트 앱은 ReAct 또는 Function Calling 추론을 사용하여 어떤 툴을 호출하고 어떤 순서로 호출할지 자율적으로 결정합니다. 간단한 Q&A에는 챗봇을, 툴 사용과 추론이 필요한 복잡한 작업에는 에이전트를 사용하세요.

질문: OpenAI 대신 내 임베딩 모덿을 사용할 수 있나요? 예. Dify는 Ollama(로컬), Cohere, Jina, Hugging Face를 포함한 여러 임베딩 공급자를 지원합니다. 설정 → 모덿 공급자로 이동하여 선호하는 임베딩 모덿을 추가하세요. 임베딩과 생성에 서로 다른 모덿을 사용할 수도 있습니다.

질문: Dify는 데이터 프라이버시와 보안을 어떻게 처리하나요? Dify는 셀프 호스팅됩니다 — 클라우드 LLM API를 사용하지 않는 한 데이터는 인프라를 떠나지 않습니다. 모든 파일 저장소, 벡터 임베딩, 대화 기록은 PostgreSQL과 벡터 데이터베이스에 있습니다. SSRF 프록시는 아웃바운드 요청을 격리하고, 샌드박스는 제한된 환경에서 신뢰할 수 없는 코드를 실행합니다.

질문: 지식베이스나 앱 생성 수에 제한이 있나요? 오픈소스 버전에는 하드 제한이 없습니다. 실제 제한은 인프라에 따라 달라집니다: 문서용 디스크 공간, 임베딩용 벡터 데이터베이스 용량, 쿼리용 API 워커 처리량. 대부분의 팀은 단일 8GB RAM 인스턴스에서 50개 이상의 앱과 20개 이상의 지식베이스를 문제 없이 실행합니다.

질문: Dify에 기여하거나 커스텀 플러그인을 빌드할 수 있나요? 예. Dify는 활발한 플러그인 생태계를 가지고 있습니다. Python을 사용하여 커스텀 모덿 공급자 플러그인, 툴 플러그인 또는 에이전트 전략 플러그인을 빌드할 수 있습니다. 플러그인 데몬은 개발 중 핫 리로드를 지원하여 빠른 반복이 가능합니다. 자세한 내용은 플러그인 개발 문서를 참조하세요.

결론 #

Dify는 순수 프레임워크와 단순 챗봇 빌더가 놓치는 격차를 메웁니다. 시각적 워크플로 빌더, 프로덕션급 RAG, 자동 생성 API, 다중 모덿 지원을 단일 배포 가능한 스택에서 제공합니다. 프로토타이핑이 아닌 AI 애플리케이션을 배포하는 팀에게 이 조합은 수 주간의 통합 작업을 절약합니다.

5분 만에 Dify를 클론하고, 11개의 컨테이너를 시작하고, 관리자 계정을 생성하고, 첫 번째 LLM 공급자에 연결했습니다. 그 시점부터 챗봇, 에이전트, 텍스트 생성기, 복잡한 워크플로를 모두 비기술 팀원이 사용할 수 있는 시각적 캔버스로 구축할 수 있습니다.

이번 주 액션 아이템:

1. 위의 Docker Compose 설정을 사용하여 인프라에 Dify 배포
2. 제품 문서로 지식베이스 생성
3. 챗봇 앱을 빌드하고 REST API로 테스트
4. Telegram의 dibi8 개발자 커뮤니티에서 배포 경험 공유

본문에는 제휴 링크가 포함되어 있습니다. 이러한 링크를 통해 구매하면 추가 비용 없이 커미션을 받을 수 있습니다. 이를 통해 우리는 이러한 오픈소스 도구 가이드를 유지할 수 있습니다.

추천 호스팅 및 인프라 #

위 도구들을 프로덕션에 배포하려면 안정적인 인프라가 필요합니다. dibi8가 직접 사용 중인 두 가지 옵션:

• DigitalOcean — 60일 $200 무료 크레딧, 14개 이상 글로벌 리전. 오픈소스 AI 도구의 기본 선택.
• HTStack — 홍콩 VPS, 중국 본토 저지연 접속. dibi8.com 호스팅 중인 검증된 IDC.

제휴 링크 — 추가 비용 없이 dibi8 운영을 지원합니다.

출처 및 추가 자료 #

1. Dify 공식 문서 — https://docs.dify.ai/
2. Dify GitHub 저장소 — https://github.com/langgenius/dify
3. Dify Docker Compose 배포 가이드 — https://docs.dify.ai/en/self-host/quick-start/docker-compose
4. Dify API 참조 — https://docs.dify.ai/en/use-dify/publish/developing-with-apis
5. Dify 플러그인 개발 — https://docs.dify.ai/en/plugins
6. Dify 아키텍처 블로그 포스트 — https://dify.ai/blog/dify-rolls-out-new-architecture
7. Dify v1.14.2 릴리스 노트 — https://github.com/langgenius/dify/releases/tag/1.14.2
8. Flowise GitHub 저장소 — https://github.com/FlowiseAI/Flowise
9. n8n GitHub 저장소 — https://github.com/n8n-io/n8n
10. LangChain 문서 — https://python.langchain.com/
11. 비교: Dify vs Flowise vs n8n — https://rapidclaw.dev/blog/low-code-ai-agent-platforms-compared-2026
12. Ollama 로컬 LLM 설정 — https://ollama.com/download