研究Aiops有一段时间了，目前手里有不少可落地的方案了，接下来会把这些方案全部整理到我的大模型课程里。同时，欢迎大家把你遇到的场景在评论区留言。我会在能力范围内给你提供思路和建议。
同样的提示词、同样的MCP，在dify中效果非常好，但到了n8n的AI Agent里变得不再好用，而且动不动就超过最大 iterations数量限制。
你可能会说，为什么不去调整Max iterations参数？没用的，就算调整到100甚至1000都无用，只是白白浪费掉Token资源而已，这可是白花花的银子直接打了水漂！
我仔细检查了每次大模型的输入和输出内容，输出的内容都是一样的，有时候明明知道自己错了，它还是不停地、反复地去做同样的事情，简直就是茅坑里的石头又臭又硬！
我一开始觉得是我prompt写的不好，所以我就开始各种约束和各种提醒，但结果依然是不停地、反复地去做同样的事情！今天我折腾了一下午，甚至把n8n升级到了2.0版本，依然不好用。
而到了Dify的Agent，用起来就很顺手，遇到明显的错误，会用不同的工具尝试，尝试无果后，直接返回错误，这才是正常人的思维。
做个比喻，现阶段的n8n就是一个智障，用多了会让你血压飙升，甚至摔键盘！而Dify的Agent就好像一把瑞士军刀，指哪打哪，好用的不得了！
所以，我决定，现阶段做运维智能体，我还是用Dify。虽然n8n有它的优势，个别场景非常适合，但配合MCP工具做智能体还是不太行。
其实我想着复杂工作流场景用n8n，遇到调用MCP时用Dify，两者可以配合着来。甚至我们可以在n8n里直接通过API的形式来调用Dify的Agent应用，当然这里有一些细节需要处理。
比如，Dify的Agent用的是流式输出，那么n8n在调用其API时也会遇到卡点，因为它返回的数据并不是一个完整的json，而是多段数据块：
这就需要做一个中转服务，它的职责是：
总之，现阶段搞Aiops无论是Dify还是n8n都有不足的地方，我的策略就是不同的场景哪个合适就用哪个，必要时可以两者配合使用。
