刚刚dify 1.9.0发布，抢先看看有哪些新变化？

开篇：开源LLM平台的架构级跃迁

Dify 1.9.0 通过知识管道（Knowledge Pipeline） 与队列图引擎（Queue-based Graph Engine） 双架构升级，解决传统RAG数据处理僵化与工作流并行执行难题，为企业级AI应用开发提供全链路支持。

核心功能解析：知识管道

旧版本RAG痛点

• • 第三方系统接入需定制开发
• • PDF表格/图片等富媒体丢失
• • 专业文档分块上下文割裂

四大技术突破

1. 可视化节点编排：拖拽式流程定制，数据源接入/格式解析等五大环节零代码配置。

2. 多模态图片检索：自动提取文档图片URL，实现LLM图文混合输出，产品手册图表信息可直接引用。

3. Q&A结构分块：识别文档问答对并绑定为语义单元，客服场景检索精度提升35%。

4. 单步调试：节点级执行与中间变量预览，调试效率提升60%。

一键迁移工具

存量知识库自动格式转换，迁移耗时仅为传统方式1/5。

核心功能解析：队列图引擎

旧工作流问题

• • 并行分支数据同步延迟
• • 执行轨迹不可视化

三大技术创新

1. 统一任务队列：动态调度电商客服等场景的并行节点，避免资源竞争超时。

2. 命令机制：支持暂停/重试指令，确保多节点输出顺序正确。

3. 插件化扩展：Python接口自定义监控指标，二次开发零侵入。

关键配置

• • WORKFLOW_MAX_EXECUTION_STEPS=500

应用场景与开发者价值

典型案例

• • 法律文档解析：条款分块使查询效率提升95%
• • 电商客服：响应速度提升25%

新旧版本对比

效率与场景拓展

开发周期从2周→3天，适配金融/医疗等10+领域。

总结展望

升级步骤

1. 1. 备份：tar -cvf volumes-$(date +%s).tgz volumes
2. 2. 拉取代码：git checkout 1.9.0 && git pull
3. 3. 迁移：uv run flask transform-datasource-credentials

下一个路线图

• • 多模态检索（图片/音频向量）
• • 工作流人工审批节点