Dify でセルフホスト（Docker）するのは難しいですか？

Docker / Docker Compose の基本が分かれば 30 分〜 1 時間で立ち上げ可能です。難しいのは運用フェーズ（バックアップ・アップデート・監視）で、社内 IT 部門の支援があると安心です。

業務で Dify を使うとき、機密情報の扱いはどうすればいいですか？

(1) LLM プロバイダーのデータ取り扱いポリシーを事前確認、(2) 機密情報を不用意にアップロードしない社内ルール合意、(3) 厳格要件ならセルフホスト＋ Bedrock / Azure 等、(4) 最終判断は社内法務・コンプライアンスへ。

【初心者OK】Dify 使い方｜30分でチャットボット5ステップ

Q: Dify は無料で使えますか？

クラウド版（dify.ai）には Sandbox（Free）プランがあり、個人試用なら無料です。本格運用は Professional 月 $59〜、または OSS のセルフホスト版が一般的です。LLM API 料金は別途必要で、最新の料金は dify.ai/pricing で必ず事前確認してください。

Q: プログラミング未経験でも Dify でチャットボットを作れますか？

はい、Dify は GUI ベースのため未経験でも 30 分程度で作れます。最初の壁は API キー取得（クレカ登録）の心理的抵抗ですが、利用枠制限を必ず設定すれば「うっかり数万円課金」を防げます。

Q: Dify と n8n / Make / Zapier、どれを選ぶべきですか？

LLM アプリ構築特化なら Dify、社内ワークフローをセルフホストで持ちたいなら n8n、既存 SaaS スタックが大量にあるなら Zapier または Make が使い分けの目安です。

Dify を触ってみたいけれど、Chatbot・Agent・Workflow・Chatflow の 4 つが並んでいて、どこから手を付ければいいか分からない——そう感じていませんか。

結論から言うと、まずクラウド版（dify.ai）の Free プランで「Chatbot」を 5 ステップ・30 分で公開するのが最短です。アプリの種類・使う LLM・プロンプトを GUI で指定するだけで、コードを書かずに動くチャットボットが立ち上がります。本記事は「使い始め方」「4 アプリの選び分け」「ナレッジ機能での RAG」「クラウド／セルフホスト」「料金」に絞った、Dify 使い方の専門ガイドです。

すぐ動かしたい方は初心者 5 ステップ、何を作るか迷う方は4 アプリの選び方から読むと判断材料が早く揃います。

筆者はノーコード AI エージェント構築の道具立て（Dify / n8n / Make / Zapier 等のいずれか）を業務で常用しています（具体ツール名は案件の都合で伏せます）。「絶対 Dify が一番」とは申し上げません。料金・機能・最適解は組織要件・既存スタック・チーム規模で振れます。最終判断は社内の情シス・法務・コンプライアンス部門へご相談ください。

Difyの正体とMake/n8n/Zapierとの違い｜ノーコードLLMアプリ基盤

Dify の正体は 「ノーコードで AI チャットボット／RAG／エージェントを作れるオープンソース基盤」 です。LangGenius 社が開発し、GitHub 上で Apache 2.0 ライセンス（商用可・改変可）で公開されています。提供形態は 2 系統です。

クラウド版（dify.ai）：LangGenius がホスティングする SaaS。アカウント作成で即時試用可。Sandbox（Free）／Professional／Team／Enterprise の料金体系
セルフホスト版（Community Edition）：自社サーバや VM 上に Docker Compose で立ち上げる形態。Dify 本体は無料、サーバコストは別計算

まず触るならクラウド版、機密情報や社内ポリシーが厳しければセルフホスト版が一般的です（クラウド vs セルフホストで詳述）。

「Dify と Make / n8n / Zapier、何が違うのか」をよく聞かれます。一言でいえば、Make / n8n / Zapier は汎用ワークフロー自動化、Dify は LLM アプリ構築に特化です。

ツール	主な役割	LLM 統合
Dify	LLM アプリ構築（Chatbot / Agent / Workflow / Chatflow / RAG）	中核機能（主要 LLM を統合済み）
n8n	汎用ワークフロー自動化（セルフホスト可）	プラグイン経由
Make	汎用ワークフロー自動化（SaaS 連携の老舗）	プラグイン経由
Zapier	汎用ワークフロー自動化（最多の SaaS 接続）	プラグイン経由

業務感覚では、「LLM をアプリの中核に据えたい」なら Dify、「既存 SaaS の橋渡しが中心」なら n8n / Make / Zapier。AI エージェントを作る別ルート（Python + LangChain / Copilot Studio / GPTs 等）の俯瞰は親ハブ AIエージェント作り方の「ルート B：ノーコードで作る」で扱っています。

初心者5ステップと4アプリの選び方｜30分でChatbot公開・どれを作るか3問で判定

ここからが本記事の主軸です。最初の 1 個を 30 分以内に立ち上げる 5 ステップを、未経験者の壁ごとに分解します。

ステップ1〜5——アカウント作成からPublishまで

アカウント作成（30 秒〜1 分）：dify.ai で「Sign Up」。GitHub または Google 連携のワンクリックが手早い
Chatbot を選択（30 秒）：「Create App / Create from Blank」→ 4 タイプの選択画面で 迷わず Chatbot。システムプロンプトだけで動き、5 分で成功体験が得られ、後から横展開できる
モデル設定（5〜10 分・最初の壁）：Dify は LLM を内蔵しないため 外部 LLM の API キーが必要。「Settings → Model Provider」で登録する
システムプロンプト入力（5 分）：「Instructions」欄に AI の役割を書く（次の最小例）
テスト → 公開（5 分）：「Debug & Preview」で何往復か確認し、満足したら「Publish」

ステップ 2 の理由を補足すると、Agent や Workflow から始めたい気持ちは分かりますが、Dify の概念（モデル設定・プロンプト・公開）を Chatbot で先に掴むのが結果的にいちばん早いというのが業務感覚です。

ステップ 3 の最大のつまずきは クレカ登録が必要な点です。各社で Free 試用クレジットが付くことは多いものの本番は課金前提なので、最初に必ず利用枠制限（usage limit）を設定し、「うっかり数万円課金」を防いでください。API キーは絶対に他人と共有しないこと。公開リポジトリにコミットすると数分で悪用されます（API キー取得の前段は ChatGPT 始め方参照）。

ステップ 4 のシステムプロンプトは「あなたは○○です。〜してください。」型のシンプル指示から始めます。

あなたは社内 IT ヘルプデスクのアシスタントです。
- 専門用語は初出時にカッコ書きで意味を添える。
- 機密情報を含む質問は回答せず、情シス担当者を案内する。
- 分からないことは「分かりません」と正直に答える。

ステップ 5 で公開すると、Web App の URL を社内 Slack で共有して触ってもらうのが、フィードバックを集めるいちばん早い方法です。公開方法の詳細はアプリの公開で扱います。

4アプリタイプの違いと、どれを作るか3問判定

ここが SERP 上位記事に少ない、本記事の差別化軸です。4 アプリタイプを 1 表で俯瞰します。

Dify の4アプリタイプを3問で選び分ける判定マップ。Q1会話UIが不要ならWorkflow、Q2AIが道具を自律選択するならAgent、Q3会話の途中で分岐が必要ならChatflow、いずれもNoならChatbot。Chatbotは単純な一問一答でナレッジと相性が良く入門向きと示した図

アプリタイプ	性格	適した用途	複雑度
Chatbot	単純な質問応答型	社内 FAQ / カスタマーサポート	★（最も入門しやすい）
Workflow	線形ノードの自動化フロー	業務処理パイプライン / 一括処理	★★
Chatflow	分岐型対話のフロー設計	段階的ヒアリング / 分岐型サポート	★★★
Agent	LLM が道具を自律選択して実行	業務自動化 / 検索 + 推論	★★★★（最も難しい）

どれを作るかは次の 3 問でおおむね絞れます。

Q1：ユーザーとの会話 UI が必要？ No なら Workflow。Yes なら Q2 へ
Q2：道具を AI が自律的に選んで実行する？ Yes なら Agent。No なら Q3 へ
Q3：会話の途中で分岐ロジックが必要？ Yes なら Chatflow、No なら Chatbot

迷ったら 3 問とも No になりやすい Chatbot から。なお アプリタイプ自体は乗り換え不可ですが、中身（プロンプト・モデル設定・ナレッジ）は別アプリにコピー可能です（2026 年 5 月時点）。1 個目で得たノウハウは次の作り直しの 8 割の資産になります。

4アプリの作り方とRAG構築｜Chatbot・Workflow・Chatflow・ナレッジ機能で組む

ここからは Chatbot / Workflow / Chatflow の型と、ナレッジ機能による RAG をまとめて扱います。

アプリの公開——Web App / 埋め込み / API の3形態

Dify のアプリは 3 形態で外部公開できます（2026 年 5 月時点）。

Web App：dify.ai のサブドメイン URL で即時公開。社内向けなら URL を Slack / Confluence に貼って完結
Web 埋め込み：HTML タグまたは iframe を社内ポータル・公式サイトに貼ってウィジェット表示
API：cURL や Python / Node.js から叩ける REST API として外部公開

まず Web App 公開で社内に出し、1〜2 週間フィードバックを集めてから埋め込み or API 化を判断するのが手戻りの少ない順路です。なお 公開スコープ（公開／社内限定／IP 制限）は必ず設定してください。Web App のデフォルトは「URL を知っていれば誰でもアクセス可」で、社内ナレッジを載せた Bot を意図せず外部公開する事故が起こり得ます（失敗パターン）。

社内 FAQ ボットなら、システムプロンプトで役割・回答方針・NG 行動を 5〜10 行書き、ナレッジを接続（次のRAG 構築）して公開、の 3 ステップが最小の型です。最初の 1 週間は「実際の問い合わせを観察 → プロンプトを 1 行ずつ追記」のサイクルを回すのが、いちばん早い育て方です。

Workflow——ノードを繋ぐ線形自動化

Workflow は ノードを線で繋いで「入力 → 処理 → 出力」を組み立てる線形パイプラインです。「Start ノード」から始まり、LLM / Knowledge Retrieval / HTTP Request / Code / If-Else を繋ぎ「End ノード」で終わります。工場のベルトコンベアのイメージです。

頻用ノードは、Start（入口）／LLM（中核）／Knowledge Retrieval（RAG 検索）／HTTP Request（外部 API 呼び出し）／Code（任意コードの逃げ道）／If-Else（条件分岐）／Iteration（繰り返し）／End（出口）。最初は Start → LLM → End の 3 ノードだけで動かし、慣れたら段階的に増やします。

たとえば「営業日報を受け取り、LLM で 3 行要約し、Slack に投稿する」フローは Start → LLM → HTTP Request（Slack Webhook）→ End の 4 ノードで組めます。毎日 15 分の共有作業が 30 秒で済みます。こうした小さい自動化の積み重ねが結局いちばん効きます（事例は AI 業務効率化事例）。

失敗しやすいのは、ノード過多（30〜50 個で保守不能）・エラー処理の未設計（タイムアウトで止まる）・コストの計算漏れ（叩かれ続けて月末に課金）の 3 点。回避策は「小さく作って観察してから足す」に尽きます。

Chatflow——対話と分岐を足したフロー設計

Chatflow は Workflow に「対話 + 分岐」を足したバージョンです。Workflow が「1 回入れて 1 回返す」線形パイプライン（書類審査）なら、Chatflow は「何往復もしながら入力ごとに分岐する」対話型フロー（面接）です。判断軸は 1 つ——ユーザーとの会話が必要か、1 回入れて 1 回出すだけか。

向く典型は、問い合わせを分類 →（IT／総務／人事に分岐）→ 該当 FAQ を検索 → 回答 or 人間にエスカレーション、という流れです。Question Classifier で分類し、If-Else で分岐、各経路で Knowledge Retrieval → LLM → Answer、人事だけ Slack 通知に回す、といった設計で AI 完結と人間引き継ぎを自動で仕分けられます。

Chatbot との使い分けは、Chatbot は単発の質問応答、Chatflow は分岐や段階的ヒアリングが必要な複雑な対話。迷ったらまず Chatbot を動かし、「分岐が必要」と感じた時点で Chatflow に作り直す順路が挫折しにくい流れです。

ナレッジ機能でRAGを組む——アップロードだけで精度を上げる

Dify のナレッジ機能は、文書をアップロードするだけで、自動チャンク化＋埋め込み生成＋ベクトル DB 保存まで一括で済ませてくれる箱です。Python + LangChain でベクトル DB を立てて埋め込みモデルを呼ぶ自前構築より、立ち上がりが圧倒的に早い。利用者が操作するのは「アップロード」だけで、残りは Dify が裏側で自動実行します（RAG の仕組み自体は RAG とは）。

Dify ナレッジ機能でRAGを組む流れの図。1.PDFやWordを手動でアップロード、その後Difyが自動で2.チャンク化（500〜1000字に分割）3.埋め込み生成（ベクトル化）4.ベクトルDB保存を実行し、Knowledge Retrievalノードで質問に応じ関連チャンクを検索してLLMに渡す。Top-K=3・閾値0.5・rerank OFFから始める

検索精度は 3 つのパラメータで調整します。Top-K（上位何件を LLM に渡すか、典型 3〜5）、スコア閾値（この類似度以上を採用、典型 0.5〜0.7）、再ランキング（取得後にもう一度並べ替え、精度向上だがコスト増）。最初は Top-K = 3、閾値 = 0.5、再ランキング OFF で動かし、物足りなければ Top-K を 5、それでもダメなら再ランキング ON、と段階的に上げます。

作ったナレッジは、Chatbot なら右側「Context」で紐付け、Workflow / Chatflow なら「Knowledge Retrieval ノード」で呼び出すと、入力に応じて自動で関連チャンクを検索し LLM に渡します。

Dify ナレッジと Python + LangChain の自前 RAG の選び分けは、PoC や 1〜2 ヶ月の検証なら Dify ナレッジ、本番で精度・コスト・カスタマイズが要件になるなら自前構築です。Dify で立ち上げ、要件が見えた段階で自前 RAG に移植する段階移行もありえます。

ナレッジでつまずきやすいのは、チャンクサイズの不適切（契約書は長く FAQ は短い。300〜2,000 字で調整）・埋め込みモデルの選定ミス（日本語に英語特化モデルを当てない。多言語対応を選ぶ）・閾値が高すぎて「分かりません」を連発、の 3 点です。

モデル・ホスティング・料金｜プロバイダー選び・クラウドvsセルフホスト・料金表

モデルプロバイダー設定——どのLLMを呼ぶか

Dify は Settings → Model Provider から複数プロバイダーを登録できます。主要なのは Anthropic（Claude）／OpenAI（GPT）／Google（Gemini）の直 API、企業向けの Azure OpenAI／AWS Bedrock、そして Ollama / LM Studio 経由の ローカル LLM です（最新は公式 docs で確認を）。

「結局どのモデルか」は 3 軸で考えます。

コスト重視（量産タスク） ＝ Claude Haiku / GPT-4o mini / Gemini Flash
性能重視（複雑要件・長文） ＝ Claude 上位 / GPT-4o / Gemini Pro
社内データ厳格運用 ＝ Bedrock 経由 Claude / Azure OpenAI / セルフホスト + ローカル LLM

最初は 1 つのモデルから始め、運用しながら「ここはコスト重視」「ここは性能重視」と気づいた時点で増やすのが現実的です。Claude のモデル別使い分けは Claude Opus と Sonnet の違い、Bedrock 経由は AWS Bedrock で整理しています。なおローカル LLM 統合は「構成が可能」という公開情報レベルの紹介にとどめ、本番運用の保証はしません（手順は公式「Local LLM Integration」を参照）。

クラウド版 vs セルフホスト版——Docker構築の判断軸

クラウド版は LangGenius がホスティングする SaaS で、アカウント作成 30 秒で開始でき、運用負担ゼロ。セルフホスト版は OSS の Dify を自社サーバ・社内 PC・クラウド VM に自分で立ち上げる形態で、データが社内ネットワーク内で完結します。典型シーンは、機密情報を社外サーバに置けない金融・医療・公共系の企業利用です。

軸	クラウド版（dify.ai）	セルフホスト版（Community Edition）
立ち上がり速度	30 秒（アカウント作成のみ）	30 分〜数時間（Docker Compose 起動）
機密情報の社外送出	LangGenius サーバを経由	社内ネットワーク内で完結
コスト	月 $59 〜（Professional）	サーバ + 運用人件費（規模で振れる）
運用負担	LangGenius 側で対応	自社で対応（更新・バックアップ・監視）
カスタマイズ性	提供機能の範囲内	コード改変可能（Apache 2.0）

セルフホスト最小手順は次の通りです（最新は GitHub の README で確認を）。

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env   # 編集: DB/Redis/API キー等
docker compose up -d   # 起動
# http://localhost/install で管理者アカウント作成

Docker の基本が分かれば立ち上げは 30 分〜 1 時間。難しいのはむしろ運用フェーズ（バックアップ・アップデート・監視）で、社内 IT 部門の支援があると安心です。失敗しやすいのは、DB バックアップ忘れ（PostgreSQL が飛んで会話履歴・ナレッジ全消失）・更新追従の手間・API キーの Git コミット漏れ。バックアップを Cron で自動化し、API キーは Secrets 管理サービスに分離する——一般的なシステム運用の作法と同じです。

セルフホストするなら、サーバはどこに置く？

Dify はクラウド版の Free プランや手元 PC のセルフホスト版だけでも十分試せ、無料で足りるうちは何かを契約する必要はありません。区切りが来るのは、「PC を起動していない間も 24 時間動かしたい」「社内外からいつでもアクセスできる場所に置きたい」と思った段階です。そこまで来たら、月数百円〜千円台から選べる VPS（自分専用の仮想サーバ）に Docker Compose ごと載せるのが現実的な置き場所です（スペック・料金は時期で変わるので各社公式で確認を）。あくまで「常時公開したくなったら」の選択肢で、試す段階や PoC では不要です。

料金感——クラウド版のプランとLLM API料金

料金は頻繁に改定されるので、以下は 2026 年 5 月時点の目安です。最終確認は dify.ai/pricing で必ず行ってください。

プラン	月額	想定対象	主な目安
Sandbox（Free）	$0	個人試用	メッセージ・ナレッジ件数に上限、概念学習用
Professional	$59	個人プロ・小規模チーム	メッセージ枠増・本格運用の入口
Team	$159	複数メンバーのチーム	チーム共有・複数アプリ・ナレッジ大量保持
Enterprise	商談ベース	大企業・組織導入	SLA / SSO / 高度な権限管理

※プラン名・価格・上限は変動します。最新は dify.ai/pricing（取得：2026-06-27）で必ず事前確認してください。

重要なのは、Dify サブスクとは別に LLM API 料金（Anthropic / OpenAI / Google 等）が独立して発生する点です。たとえば Professional（月 $59）＋ LLM API（実利用ベースで月 $10〜数百）という二重構造になります。両者の合計を月次でモニタリングし、API 側は利用枠制限を必ず設定してください。

セルフホスト版は Dify 本体こそ無料ですが、サーバコスト・ベクトル DB・運用人件費・LLM API が別途かかります。「OSS だから無料」と思い込まず、人件費を含めた TCO（総所有コスト）で考えるのが筋です。組織導入は、Professional 数席で 1〜2 ヶ月運用してから Team / Enterprise に乗り換える段階移行が、予算と意思決定の両方を外しにくい流れです。

刺さる用途・失敗パターン・FAQ｜全社推進で見た躓きと業務利用の注意点

Difyが刺さる用途と、全社推進で見てきた躓き

最も手応えがあるのは 「PDF を根拠に出典付きで答えるボット」 です。製品 Q&A、就業規則や経理規程の問い合わせ——人が「資料を開いて該当箇所を読みに行く」タイムラグを、ナレッジ機能（RAG 構築）が吸収します。担当者は「ボットが答えられない例外」だけに集中できる点が、導入のたびに喜ばれます。ただし機密規程の社外送出には毎回ブレーキを踏み、コンプラ要件が厳しい組織ではセルフホスト版＋ Bedrock 経由 Claude を検討するか、機密度を社内法務と事前確認してください。

次に効くのが 業務フローの自動化（Workflow） です。文字起こし → 要約 → 通知のような定型作業は、まず公開テンプレートを写経して型を掴み、慣れてから自分の業務に改変する順路が挫折が少ない。学習の入口としては Dify Agent でツール選択＋自律実行を GUI で見るのが、Python 環境構築に躓く前に「エージェントの動き」を手で掴める一歩です（概念は AIエージェントとは、Python 自前構築は AIエージェント作り方）。

現場でほぼ毎回ぶつかる躓きは 3 つ。最初の壁は技術でなく「API キー取得＋利用枠制限」（最初は Free 試用クレジットで動かす）、「動くもの」が 30 分で手に入る効果は大きい（だから5 ステップを最初に通す）、継続運用には「観察 → プロンプト改善」が必須（作りっぱなしでは精度が育たない）。

失敗パターン5個と回避策（YMYL警戒節）

「絶対安全な構成」とは申し上げません。最適解は組織要件・データの機密度・契約形態で振れ、最終判断は社内の情シス・法務・コンプライアンス部門、必要に応じて弁護士へご相談ください。

API キーをクライアント側に露出：フロントの JavaScript に直書きすると数分で悪用される。Dify では Settings 内で管理し、セルフホスト版の .env を Git にコミットしない。Secrets 管理サービスと統合する
機密情報をアップする前の確認漏れ：就業規則・契約書・顧客リストはモデルプロバイダーのサーバを経由する。アップ前にデータ取り扱いポリシー・社内ルール・法令適合・情シス相談を確認。厳格ならセルフホスト＋ Bedrock 経由
LLM API コストの暴騰：Workflow の無限ループや大量メッセージで暴走する。利用枠制限、Iteration / Agent の最大反復回数、週次のコスト監視を設定
監視・エラー処理の未設計：タイムアウトや API レート制限時に「分かりません」だけ返す設計は信頼を失う。フォールバック応答とエスカレーション経路を組み込み、週次でレビュー
商用利用条件・ライセンスの確認漏れ：Dify 本体は Apache 2.0 で商用可だが、クラウド版利用規約・各モデルプロバイダーの商用条件・ナレッジ文書の著作権は別途確認が必要（画像は AI 画像生成無料と同じ観点）

よくある質問（FAQ）

Q1: Dify は無料で使えますか？

クラウド版には Sandbox（Free）プランがあり、個人試用なら無料です。メッセージ数やナレッジ件数に上限はありますが、概念理解には十分。本格運用は Professional 月 $59〜、またはセルフホスト版（OSS）が一般的です。なお LLM API 料金は Dify サブスクとは別途必要で、最新は dify.ai/pricing で必ず事前確認してください。

Q2: プログラミング未経験でも作れますか？

はい。Dify は GUI ベースで、未経験でも Chatbot を 30 分程度で作れます。最初の壁は API キー取得（クレカ登録）の心理的抵抗ですが、利用枠制限を必ず設定すれば「うっかり数万円課金」を防げます。まずは Free プラン＋試用クレジットで「動かす感覚」から始めてください。

Q3: セルフホスト（Docker）は難しいですか？

Docker / Docker Compose の基本が分かれば 30 分〜 1 時間で立ち上がります。難しいのは運用フェーズ（バックアップ・アップデート・監視）で、社内 IT 部門の支援があると安心です。

Q4: Dify と n8n / Make / Zapier、どれを選ぶ？

LLM アプリ構築特化なら Dify、社内ワークフローをセルフホストで持ちたいなら n8n、既存 SaaS スタックが大量にあるなら Zapier または Make。目的で選ぶのが結局いちばん早い、というのが業務感覚です（詳細は AIエージェント作り方のルート B 章）。

Q5: 機密情報の扱いはどうすれば？

一般論として、(1) LLM プロバイダーのデータ取り扱いポリシーを事前確認、(2) 機密情報をナレッジにアップしない運用ルールを社内合意、(3) 厳格要件ならセルフホスト版＋ Bedrock / Azure 等の組織契約モデル、(4) 最終判断は社内法務・コンプライアンス部門へ。必要に応じて弁護士へご相談ください。

この記事は、法人営業を約 7 年やってから未経験 SE → 自社開発と移ってきた現役の生成AIエンジニア aikun が、ノーコード AI エージェント構築の道具立て（Dify / n8n / Make / Zapier 等）を業務で使い（具体ツール名は案件の都合で伏せています）、非エンジニア部門への AI 活用を全社で推進している立場から書いています。Dify 単体の記述は公式ドキュメントと、本記事執筆のため実際に Dify を触って検証した内容を組み合わせています。

訂正連絡先

本記事の数字・出典・記述に誤りや古い情報があれば、send@bon-bon-tools.com までお知らせください。確認の上、反映いたします。

AIエージェント作り方 — 4 ルート全体の親ハブ
AIエージェントとは — エージェント概念の前提整理
RAG とは — RAG の詳しい仕組み
LangChain とは — 自前 RAG で使うフレームワークの概念ハブ
LLM とは — LLM の前提
AI コーディング — AI コーディング全体の親ハブ
AWS Bedrock — エンタープライズ AI 基盤、Bedrock 経由 Claude
Claude 使い方 — Claude プロダクト全体の使い方
Claude Opus と Sonnet の違い — モデルの使い分け
ChatGPT 始め方 — OpenAI API キー取得の前段
AI 業務効率化事例 — 5 領域×5 職種マトリクス
AI 業務効率化ツール — 業務効率化ツール俯瞰

出典

Dify 公式サイト（取得：2026-06-27）
Dify 公式ドキュメント（取得：2026-06-27）
Dify GitHub リポジトリ（langgenius/dify）（取得：2026-06-27）
Dify 料金ページ（dify.ai/pricing）（取得：2026-06-27）
Apache License 2.0（取得：2026-05-19）
Anthropic 公式（Claude API）（取得：2026-05-19）
OpenAI 公式（Platform）（取得：2026-05-19）
Google AI Studio（取得：2026-05-19）
AWS Bedrock 公式（取得：2026-05-19）