Dify:Agent と Workflow の本当の違いは何か

Dify:Agent と Workflow の本当の違いは何か

2026年5月25日
377 回閲覧
dify agent workflow chatflow llm no-code comparison mcp

Lena です。先週、私は Dify の "Create App" 画面の前で午後をまるまる費やしてしまいました。簡単そうで実はそうでもない問いに引っかかっていたからです:自分が作ろうとしているもの、Agent と Workflow のどちらを選ぶべきなのか?

この種の決断は、いったん理解してしまうと当たり前に見えますが、最初に向き合うと本当に混乱します。どちらも LLM を呼べる。どちらもツールを使える。どちらも出力を出せる。じゃあ本当の違いは何なのか——そして、選択を間違えるとどこで何時間も無駄なやり直しを食らうのか?

これから書くのは、両方のモードを行き来し、Dify のドキュメントを認めたくないほど何度も読み直し、同じプロジェクトを 2 度作り直したあとに、自分が腑に落ちたことです。

早めの結論:柔軟性なら Agent、コントロールなら Workflow

30 秒バージョンが必要なら:Dify の Agent はその場で推論して決めます——どのツールを、いつ呼ぶかを自分で選びます。 Dify の Workflow はあなたが事前に定義した経路をたどります——どのステップも見えて、どの分岐も明示的です。

タスクがオープンエンドなら Agent。タスクのステップが安定しているなら Workflow。それが核となる分かれ目です。

ただし実際の景色はもう少し入り組んでいるので、続きを読んでください。

Dify Agent vs Workflow 比較表

観点Dify AgentDify Workflow / Chatflow
制御フローLLM が実行時に経路を決める視覚的なキャンバスであなたが経路を定義する
メモリとコンテキスト会話メモリを内蔵(最大 500 メッセージ)Workflow:メモリなし。Chatflow:LLM ノードごとに設定可能なメモリ
ツール利用モデルが自律的にどのツールを呼ぶかを選ぶツールは固定ノードとして配置——いつ動くかはあなたが決める
デバッグ追跡が難しい——モデルの推論はブラックボックスノード単位でのデバッグ、単一ノードのテスト実行が可能
信頼性予測しにくい——モデルの推論品質に依存高い予測性——同じ入力に対して同じ経路

ものを作っている間、この表に何度も戻りました。一番意外だったのは、デバッグ体験が両者でどれほど違って感じられるかという点です。これは後で触れます。

制御フロー

Dify Agent では、プロンプトを書き、ツールを取り付け、順序はモデルに任せます。フローを描きません。ゴールを記述するだけで、LLM が Function Calling や ReAct のような戦略を使って手順を推論します——どのツールを呼ぶかを決め、結果を処理し、また次を決める、という具合に。

Workflow では、あなたはキャンバス上にいます。ノードをドラッグして——LLM、Knowledge Retrieval、If/Else、Code、HTTP Request——それらを線でつなぎます。Dify の workflow ドキュメント によれば、Workflow は最初から最後まで一度だけ走り、Chatflow は同じノードシステムの上に会話レイヤーを足したものです。

この違いは、両方を実際に試すまで抽象的でした。Agent は誰かに工具箱を渡して「あとは自分でなんとかして」と言うようなものです。Workflow は組み立て説明書を書くようなものです。

メモリとコンテキスト

これは想定外でした。Agent は自動的に会話履歴を保持します——最大 500 メッセージか 2,000 トークン、先に到達したほうが上限になります。上限を超えると古いメッセージから捨てられます。

Workflow にはメモリがありません。実行は毎回まっさらの状態から始まります。Chatflow はメモリをサポートしますが、LLM ノードごとに手動で設定する必要があり、会話 ID とセッション変数に紐づきます。私は自分の workflow が実行間で全部「忘れて」しまい、20 分ほど自分が壊したと思い込んだ末に、ようやくこのことに気付きました。

ツール利用

Agent はツールを動的に選びます。ツールを agent に取り付けると、LLM がユーザーのクエリに基づいて、実行時にどれを使うかを決めます。

Workflow ではツールを固定ノードとして使います。"Google Search" ノードや "HTTP Request" ノードを、自分が置きたい場所にぴったり配置します。実行がそのノードに到達したらツールが走ります——モデルの判断は介在しません。

デバッグ

……ここで少し立ち止まって考えました。

Dify Workflow には step-run 機能 があり、個別のノードを単独でテストできます。単一ノードにテスト入力を与えて、何を出力するかを正確に見ることができます。これは本番運用にとって大きな意味があります——どのノードがおかしいのかを正確に切り分けられるのです。

Agent はそれを与えてくれません。会話ログでモデルのツール呼び出しは見えますが、なぜ 特定の経路を選んだのかを追うのははるかに難しい。推論はモデルの内部で起きていて、ログは何が起きたかを記録するだけで、必ずしも理由を説明してくれません。

信頼性

このトレードオフはまだ完全に理解できているとは言えませんが、気付いたのはこういうことです:同じ入力に対して、workflow は同じ出力経路をたどります。 If/Else 分岐が課金関連の質問を左に、技術的な質問を右にルーティングするなら、毎回そうなります。

Agent は驚きを与えてくることがあります。モデルがツールを異なる順序で呼んだり、ひとつを完全にスキップしたりするかもしれません——クエリをどう解釈するか次第です。これが柔軟性のコストです。

Dify Agent を使うべきとき

タスクが推論やオープンエンドなツール利用を必要とするとき

ユーザーが何でも訊いてくるかもしれない場合——「このデータを分析して」「X を検索して要約して」「この 2 つを比べて」——そしてステップを予測できない場合、agent が筋の通った選択になります。

データ分析アシスタントは Dify 自身が挙げる例です:agent が自律的にデータを取得し、チャートを生成し、結果を要約する。あなたはペルソナを記述し、ツールを取り付けるだけ。

ユーザーのやり取りが経路を変える

次のステップがユーザーが直前に何を言ったかに依存する複数ターンの会話——これは agent の領域です。組み込みのメモリのおかげで、agent は 3 メッセージ前に話した内容を覚えています。これを Workflow で再現しようとすると、セッション変数を手動で管理することになり、たちまち複雑になります。

Dify Workflow を使うべきとき

プロセスのステップが安定しているとき

レポート生成。チケット分類。ドキュメント処理。メールルーティング。作り始める前にホワイトボードに四角と矢印でプロセスを描けるなら、それは workflow です。

私はチケット振り分けを Chatflow として作りました:ユーザーメッセージが入る → LLM が意図を分類する → If/Else が異なる返信テンプレートに分岐する → Answer ノードが結果を出力する。すべてのステップが見えます。すべての分岐がテスト可能です。分類が間違ったら、どのノードを直せばいいかがすぐ分かります。

出力の予測性が柔軟性より重要なとき

一貫性と監査可能性のある振る舞い を必要とする本番システムは、workflow に属します。IBM は agentic workflows を「最小限の人間の介入で agent が決定を下す AI 駆動プロセス」と定義していますが——実務では多くの本番チームが望んでいるのはむしろ逆です:判断経路に対する最大限の人間のコントロール を保ち、各ステップ内部の重い処理を AI が担う、というかたちです。

Workflow が与えてくれるのはまさにこれです。経路はあなたが制御する。各ノード内部の生成は LLM が担当する。

ハイブリッドパターン:workflow の中に agent、agent の周りに workflow

……このあたりから面白くなります。

Dify が Agent Node をワークフローのコンポーネント として導入して以降、agent の推論を workflow の内側に埋め込めるようになりました。Workflow は全体構造——分類、ルーティング、条件分岐——を担い、Agent Node が特定のステップで引き継いで、自律的な推論が必要な部分をやります。

こう考えるとよいかもしれません:あなたの workflow は高速道路で、Agent Node はランプウェイ——LLM がそこを降りて自由に探索したあと、本線に戻ってきます。

Agent Node はプラガブルな戦略をサポートします——Function Calling と ReAct が組み込みで、Dify Marketplace から他のものをインストールすることもできます。これはつまり、厳密に制御されたパイプラインの中に、「ここはお前が自分で考えろ」と委ねる一段を持てるということです。

私はシンプルな版を試しました:Start → Question Classifier(LLM ノード)→ 技術的な質問なら → ドキュメントツールを持つ Agent Node → Answer。Classifier が決定論的にルーティングし、agent がオープンエンドな部分を担当します。私のユースケースでは、どちらか単体よりもうまく動きました。

逆方向も成り立ちます——Workflow を MCP server として公開し、外部の agent からツールとして呼ばせることができます。Workflow がより大きな agentic システム内の信頼できるサブルーチンになるわけです。

Dify プロジェクトでよくある間違い

決定論的なタスクに agent を使う

プロセスが「入力を受け取る → 分類する → ルーティングする → 応答する」で、ステップが決して変わらないなら、agent を使ってはいけません。ルーティングは一貫性を欠き、デバッグは難しくなり、トークンコストは上がります。Workflow なら 4 つのノードでこれを曖昧さゼロでこなせます。

私も早い段階でこの間違いをやりました。FAQ ボットを agent として作ったのは、設定が単純そうだったからです。実際そうでした——同じ質問に対して答えがブレ始め、会話ログを掘り返さないと理由が分からなくなるまでは。

あいまいなタスクに workflow を使う

逆方向の間違いです。ユーザーの質問が 2 つのツールを要するかもしれないし 5 つを要するかもしれない、それを予測できない場合、あらゆる可能性に対して workflow の分岐を作るのは保守の悪夢になります。そういうときに agent(または workflow 内の Agent Node)が活躍します。

最近見え始めたパターンはこうです:workflow を骨組みに、agent を関節に。 構造が剛体である必要があるところでは剛体のまま。柔軟性が要るところにだけ柔軟性が現れる。

FAQ

Dify における Agent と Workflow の違いは何ですか?

Agent は LLM の推論を使ってどのツールをどの順序で呼ぶかを決めます。Workflow は視覚的なキャンバス上に固定されたステップ列を定義します。Agent は柔軟ですが予測しにくい。Workflow は予測可能ですが、あらゆる経路を自分で設計する必要があります。

Dify Agent と Dify Workflow はいつ使い分けるべきですか?

オープンエンドなタスクには Agent——リサーチアシスタント、データ分析、会話ボットなど。安定した繰り返しのプロセスには Workflow——チケットルーティング、レポート生成、バッチ処理など。

Agent と Workflow はメモリやコンテキストをどう扱いますか?

Agent は会話履歴を自動で保持します(最大 500 メッセージ)。Workflow は実行間でメモリを持ちません。Chatflow はセッション変数を通じて設定可能なメモリをサポートします。

同じプロジェクト内で Dify Agent と Workflow を組み合わせられますか?

可能です。Agent Node は自律的な推論を Workflow の内側に埋め込みます。Workflow を agent から呼べるツールとして公開することもできます。

両方のモードを触ったあとずっと考え続けていることがあります:本当に難しいのは Agent と Workflow のどちらを選ぶかではなく、システムのどの部分が推論を必要とし、どの部分がレールを必要とするか を見抜くことだということです。この agent-vs-workflow という問いは、AI システム設計のあらゆる層で繰り返し現れます——そして、答えはますます「両方を、注意深く組み合わせる」になってきています。もしあなたが、単一の会話の中だけでなくタスクをまたいで学んだことを保持しなければならない ような agent を作っているなら、それは 別種の問題 で、注目する価値があります。

……このあたりがどう進化していくか、引き続き見ていきます。

過去の記事

  • agent をシステムアーキテクチャのどこに置くべきかでまだ迷っているなら、What Are Agentic Workflows? Types, Examples, and Production Reality が議論を Dify の外側にまで広げ、実際のデプロイで使われている主要なワークフローパターンを分解しています。
  • 「構造には workflow、柔軟性には agent」というハイブリッドパターンは、MCP CLI, GEP, and the Three Layers of the Agent Stack を読むと理解しやすくなります。オーケストレーション、ツール、再利用可能なケイパビリティがどう組み合わさるかを整理しています。
  • ツールが標準化されたインターフェースになったときに agent の振る舞いがどう変わるか気になる方には、What Is MCP? The AI Tool Connection Standard Explained が、workflow と agent システムの下層でますます使われるようになっているプロトコルを説明しています。
  • 決定論的なパイプラインと柔軟な agent の間にあるデバッグ上のトレードオフは、Agent Hooks: How AI Execution Chains Actually Work にもつながります——とくに複数ステップの実行フローを設計している方には。
  • 最後のセクションで「agent が一度成功した後どうなるか」を考え始めたなら、Agent Skills vs GEP Assets: The Real Difference が、成功した workflow を覚えておくこととそれを再利用可能にすることは必ずしも同じではない理由を探っています。

関連記事