Dify & Flowise : créer des agents IA open source

Pour les équipes techniques qui veulent du contrôle total sur leurs agents IA (souveraineté complète, self-hosting maîtrisé, pas de vendor lock-in), Dify et Flowise dominent l’écosystème open source en 2026. Les deux plateformes proposent un canvas visuel pour construire des applications LLM, mais s’adressent à des profils très différents : Dify mise sur une plateforme LLMOps complète production-ready, Flowise reste un canvas léger basé LangChain. Ce guide tech vous donne l’architecture, les étapes de self-hosting, les choix de configuration et les pièges à éviter pour faire le bon choix entre les deux.

Cet article complète notre comparatif des plateformes no-code agents IA et notre analyse de LangChain en entreprise, avec une approche orientée équipes techniques qui veulent self-héberger.

En bref

• Dify : plateforme LLMOps complète avec 80K+ stars GitHub, soutenue par LangGenius Inc. (30 M$ de funding, 180 M$ valuation). Architecture Docker Compose à 8 services, 4 GB RAM minimum, 8 GB recommandé. Production-ready avec RAG avancé, Knowledge Base UI, observabilité native.
• Flowise : canvas visuel léger basé LangChain, licence Apache 2.0 pure. Tourne en 1 container Docker, 1 GB RAM. Idéal pour prototypage rapide et équipes dev qui maîtrisent LangChain.
• Pricing self-hosted : les deux sont gratuits en self-host. Hetzner CX11 à 4 €/mois suffit pour Flowise. Comptez 8 €/mois minimum (Hetzner CX21 ou DigitalOcean Basic 4 GB) pour Dify.
• Pricing managed cloud : Dify Cloud Pro à 59 $/workspace/mois avec 200 appels GPT-4 gratuits en sandbox. Flowise Cloud à partir de 35 $/mois.
• Différence clé : Dify = plateforme LLMOps pour production avec RAG sérieux + équipes / Flowise = canvas LangChain pour prototypage rapide et contrôle dev.
• Pour structurer le déploiement de Dify ou Flowise dans votre organisation, Proactive Academy propose une formation aux frameworks visuels open source pour agents IA.

Pourquoi Dify et Flowise dominent l’open source en 2026

Le marché des plateformes d’agents IA open source s’est consolidé autour de deux acteurs principaux. Dify et Flowise répondent à un besoin commun (canvas visuel + self-hosting) mais avec des philosophies différentes.

Selon GitHub officiel Dify (mai 2026), « Dify est une plateforme open source de développement d’applications LLM. Son interface intuitive combine workflow IA, pipeline RAG, capacités d’agents, gestion des modèles et fonctions d’observabilité (Opik, Langfuse, Arize Phoenix) pour passer rapidement du prototype à la production ». Le projet, démarré à Singapour par LangGenius Inc., a accumulé plus de 80 000 stars sur GitHub et levé 30 millions de dollars pour atteindre une valorisation de 180 millions.

Selon Flowise officiel, Flowise se positionne plus simplement comme « un builder visuel open source pour applications LLM, basé sur LangChain ». La plateforme propose trois canvas distincts : Assistant (pour les chatbots simples), Chatflow (pour les workflows conversationnels), Agentflow (pour les architectures multi-agents).

La différence philosophique se résume en une phrase : Dify veut être votre plateforme, Flowise veut être votre canvas.

Selon AI Agents Hub (février 2026), « choisissez Dify si vous voulez une plateforme self-hostable avec un workflow Knowledge/RAG clair et un écosystème de plugins. Choisissez Flowise si vous voulez un canvas visuel Apache 2.0 et que vous tenez à la connectivité MCP vers les outils et sources de données ».

Architecture comparée : 8 services vs 1 container

La différence d’architecture est décisive pour le choix.

L’architecture Dify avec ses 8 services Docker (api, web, worker, postgres, redis, weaviate, nginx, sandbox + ssrf-proxy) reflète sa philosophie de plateforme complète. Vous obtenez beaucoup, mais vous gérez beaucoup.

L’architecture Flowise avec son container unique reflète sa philosophie minimaliste. Vous obtenez moins, mais vous démarrez en 5 minutes.

Self-hosting Dify en 7 étapes

Pour les équipes qui choisissent Dify, voici la procédure de déploiement Docker Compose.

• Étape 1 : Provisionner un VPS adapté. Hetzner CX21 (2 vCPU, 4 GB RAM) à 4,51 €/mois est le minimum viable. Pour la production avec quelques utilisateurs concurrents, prenez un CX22 (2 vCPU, 8 GB RAM) à 6,21 €/mois ou équivalent DigitalOcean. Ubuntu 22.04 LTS est l’OS recommandé.
• Étape 2 : Installer Docker Engine et Docker Compose plugin. Sur Ubuntu, c’est la procédure classique : ajouter le repository officiel Docker, installer docker-ce, docker-ce-cli, containerd.io et le plugin docker-compose-plugin. Ajouter votre user au groupe docker pour éviter les sudo.
• Étape 3 : Cloner le repository Dify. git clone https://github.com/langgenius/dify.git, puis cd dify/docker. C’est le sous-dossier qui contient le docker-compose.yaml et le template .env.example.
• Étape 4 : Configurer le fichier .env. Copiez .env.example vers .env, puis éditez les variables critiques : SECRET_KEY (générée avec openssl rand -base64 42), DB_PASSWORD (mot de passe PostgreSQL fort), REDIS_PASSWORD, CONSOLE_URL et APP_URL pour le domaine. Optionnel mais utile : OPENAI_API_KEY pour le démarrage rapide.
• Étape 5 : Lancer la stack avec Docker Compose. docker compose up -d démarre les 8 services en arrière-plan. Vérifiez avec docker compose ps que tous les containers sont en état « running ». Suivez les logs avec docker compose logs -f pendant le démarrage initial pour repérer d’éventuelles erreurs.
• Étape 6 : Initialiser la console Dify. Accédez à http://votre-ip/install dans le navigateur, créez le compte admin avec un mot de passe fort, puis configurez votre premier model provider (OpenAI, Anthropic, ou Mistral selon vos préférences). Dify valide la clé API à la sauvegarde.
• Étape 7 : Configurer la sauvegarde automatique. C’est l’étape critique souvent oubliée. Selon OSSAlt (mars 2026), « les volumes Docker ne sont pas automatiquement sauvegardés. Si vous supprimez un volume ou que l’hôte fail, les données sont perdues sans recovery possible ». La solution : un workflow automatique avec Restic + Rclone qui pousse les snapshots vers du stockage S3-compatible (Cloudflare R2, Backblaze B2, OVH Object Storage).

Self-hosting Flowise en 3 étapes

Pour Flowise, c’est radicalement plus simple. Selon Flowise officiel, trois étapes suffisent.

Étape 1 : Installer Flowise via npm. npm install -g flowise puis npx flowise start. Pas même besoin de Docker pour démarrer en local. Pour un déploiement serveur léger, utilisez plutôt Docker : docker run -d -p 3000:3000 flowiseai/flowise.

Étape 2 : Accéder à l’interface. Par défaut sur http://localhost:3000. Configurez votre premier model provider dans Settings > Credentials, puis créez votre premier flow depuis l’un des 3 builders : Assistant pour les chatbots simples, Chatflow pour les workflows conversationnels, Agentflow pour les architectures multi-agents.

Étape 3 : Optionnellement, basculer vers PostgreSQL. Flowise utilise SQLite par défaut. Pour un usage en équipe, basculez vers PostgreSQL via les variables d’environnement (DATABASE_TYPE=postgres, DATABASE_HOST, etc.). Le SSO reste réservé à l’édition Enterprise selon la documentation officielle.

Pour un déploiement Hetzner CX11 à 4 €/mois (1 vCPU, 2 GB RAM), Flowise tourne sans problème. C’est typiquement la configuration des prototypes et POCs internes.

Choisir entre Dify et Flowise selon votre profil

Quatre cas d’usage typiques pour vous orienter.

• Cas 1 : Prototype RAG rapide pour valider une idée Vous voulez tester si un chatbot RAG sur votre documentation interne apporte de la valeur. Vous n’avez pas besoin de production, juste de valider. → Choisir Flowise. Setup en 5 minutes, 3 nœuds (document loader, vector store, LLM), démo en 30 minutes. Si la valeur est démontrée, vous migrerez vers Dify ou n8n pour la production.
• Cas 2 : Production RAG avec hybrid search et re-ranking Vous avez besoin de RAG sérieux : multiple stratégies de retrieval, hybrid search (vector + keyword), re-ranking, custom chunking, knowledge base UI pour vos équipes. → Choisir Dify. C’est précisément ce que Dify fait mieux que tout le reste de l’écosystème open source.
• Cas 3 : Architecture multi-agents avec MCP et human-in-the-loop Vous voulez construire des architectures où plusieurs agents collaborent (supervisor + workers), avec connectivité MCP vers vos outils internes, et points de validation humaine. → Flowise est mieux placé grâce à Agentflow et son support MCP officiel. Dify supporte aussi le multi-agents mais avec une UX moins fluide pour ce cas spécifique.
• Cas 4 : Plateforme LLMOps pour équipe de 10+ développeurs Vous voulez une plateforme où plusieurs développeurs travaillent ensemble sur des applications LLM, avec gestion fine des permissions, observabilité, A/B testing de prompts, déploiement géré. → Dify uniquement. Flowise n’a tout simplement pas ces capacités enterprise dans son édition Community.

Les pièges techniques à anticiper

Trois erreurs reviennent dans les déploiements échoués.

Sous-dimensionner le VPS pour Dify. La documentation indique 4 GB RAM minimum, mais c’est juste pour démarrer. Avec quelques utilisateurs concurrents et une knowledge base de quelques milliers de documents, vous serez vite à l’étroit. Pour la production, partez sur 8 GB RAM minimum. Cette erreur cause les « indexing stuck at 0% » que vous voyez régulièrement dans les forums de support Dify.

Ne pas configurer la sauvegarde dès le déploiement initial. Sur Dify, les 8 volumes Docker contiennent des données critiques (PostgreSQL, vector store Weaviate, fichiers uploadés). Une erreur humaine ou un crash hôte sans backup = données perdues définitivement. Investissez 2 heures dès le déploiement initial pour configurer Restic + Rclone vers du stockage S3-compatible. Vous vous remercierez plus tard.

Confondre Apache 2.0 et « Dify Open Source License ». Selon AI Agents Hub, « le Community Edition de Dify est décrit comme Apache 2.0-based avec des conditions additionnelles (« Dify Open Source License »). Traitez cela différemment d’un pur Apache 2.0 si vous prévoyez de la redistribuer ou de l’embarquer dans un produit commercial multi-tenant ». Si vous êtes éditeur SaaS et envisagez d’héberger Dify pour des clients, lisez attentivement la licence avant de signer un contrat.

Quand combiner Dify ou Flowise avec d’autres briques

L’erreur fréquente : penser que Dify ou Flowise suffisent à tout. Voici les combinaisons qui fonctionnent en production en 2026.

Pattern « Dify + n8n » : Dify pour les applications LLM connectées à votre Knowledge Base interne, n8n pour l’automatisation des workflows business qui déclenchent les agents Dify via leurs API. Cette combinaison couvre 80 % des cas d’usage enterprise.

Pattern « Flowise + LangGraph » : Flowise pour le prototypage rapide visuel, LangGraph en Python pour l’industrialisation des agents qui ont fait leurs preuves. Voir notre analyse de LangChain en entreprise pour la dimension framework code.

Pattern « Dify + Mistral local » : Dify configuré pour utiliser un modèle Mistral self-hosted via Ollama, pour les organisations avec contraintes de souveraineté absolue (santé, défense, secteur public sensible). Configuration plus complexe mais offre un contrôle total.

Comment former vos équipes à Dify ou Flowise

Le choix de la plateforme conditionne le profil à former.

Pour Dify, votre lead architecte ou DevOps doit maîtriser : déploiement Docker Compose, configuration des 8 services, monitoring avec Grafana, gestion des sauvegardes, troubleshooting des problèmes d’indexation, configuration RAG avancée (hybrid search, re-ranking, chunking strategies), gestion des permissions multi-utilisateurs. Comptez 3 à 5 jours de formation initiale + accompagnement sur les premiers cas d’usage production.

Pour Flowise, votre développeur référent doit maîtriser : déploiement Docker simple, fondamentaux LangChain (le canvas Flowise est une abstraction visuelle de LangChain), configuration des 3 builders (Assistant/Chatflow/Agentflow), intégration MCP, embedding des flows dans des applications via API REST. Comptez 2 à 3 jours de formation + autoformation sur la base des templates Flowise.

Dans les deux cas, l’investissement formation est rentabilisé sur le premier déploiement production sérieux. Une organisation qui se lance sans formation gaspille typiquement 4 à 8 semaines à apprendre par essai-erreur ce qu’une formation d’une semaine couvre.

C’est exactement le périmètre que nous structurons dans notre parcours formation aux frameworks visuels open source pour agents IA, avec adaptation à votre stack technique et à votre maturité actuelle.

FAQ : Dify vs Flowise pour les équipes techniques

Dify et Flowise représentent deux philosophies complémentaires de l’open source pour agents IA en 2026. Dify s’impose comme la plateforme LLMOps complète production-ready avec son RAG avancé, ses 8 services et sa Knowledge Base. Flowise reste le canvas LangChain léger idéal pour le prototypage et les équipes dev. Le bon choix dépend de votre cible production, pas de la beauté du canvas. Une organisation qui démarre par Flowise pour valider une idée et bascule vers Dify pour la production fait souvent le bon choix, à condition d’accepter de reconstruire ses flows. Pour structurer cette démarche dans votre organisation, se former aux frameworks visuels open source pour agents IA en entreprise avec Proactive Academy reste le moyen le plus direct de transformer votre intention technique en déploiement durable.