Giới thiệu
Dify, Flowise và Langflow là ba nền tảng no-code/low-code cho phép bạn xây dựng chatbot, RAG pipeline và AI Agent mà không cần viết hàng trăm dòng code từ đầu. Thay vào đó, bạn kéo thả các khối chức năng (node) trên canvas, nối chúng lại, và chạy thử ngay trong trình duyệt.
Bài này sẽ đi qua ba nền tảng theo hướng thực hành: bạn sẽ biết mỗi công cụ phù hợp với trường hợp nào, cách tạo một luồng chatbot cơ bản, và cách dựng RAG pipeline đơn giản để trả lời dựa trên tài liệu của bạn.
So sánh nhanh ba nền tảng
Dify là nền tảng hoàn chỉnh nhất trong ba cái — nó có cả phần quản lý knowledge base, prompt engineering, deployment và monitoring tích hợp sẵn. Phù hợp nếu bạn muốn đưa chatbot lên production mà không cần tự dựng hạ tầng.
Flowise được xây dựng trên nền LangChain, giao diện node-based rất trực quan. Thế mạnh của Flowise là tốc độ prototype — bạn có thể dựng một agent có tool calling chỉ trong vài phút. Tuy nhiên để chạy trên server riêng, bạn cần tự cài đặt.
Langflow cũng dùng LangChain ở tầng dưới nhưng gần đây đã tách ra và phát triển độc lập hơn. Giao diện của Langflow chi tiết hơn Flowise, cho phép tùy chỉnh từng tham số nhỏ, phù hợp với người muốn kiểm soát sâu hơn về kỹ thuật.
Tạo chatbot cơ bản với Flowise
Sau khi cài Flowise (chạy lệnh dưới đây nếu dùng npm), bạn truy cập giao diện tại cổng 3000.
Trên giao diện, tạo Chatflow mới. Kéo ba node vào canvas theo thứ tự: ChatOpenAI (hoặc ChatOllama nếu chạy local), BufferMemory để giữ lịch sử hội thoại, và ConversationChain để nối hai node trên lại. Điền API key của OpenAI vào node ChatOpenAI, chọn model, rồi nhấn Save và Test ở góc trên bên phải.
Chỉ với ba node đó, bạn đã có một chatbot nhớ được context trong cùng một phiên trò chuyện. Flowise cũng tự sinh ra một API endpoint để bạn nhúng vào ứng dụng khác.
Xây dựng RAG pipeline trên Dify
RAG (Retrieval-Augmented Generation) cho phép chatbot trả lời dựa trên tài liệu của bạn thay vì chỉ dựa vào kiến thức của model. Trên Dify, quy trình gồm hai phần tách biệt: tạo Knowledge Base và tạo Application.
Đầu tiên, vào mục Knowledge, tạo dataset mới và upload tài liệu (PDF, TXT, Markdown đều được). Dify sẽ tự chunk, embed và lưu vào vector store. Bạn có thể chọn chunk size và overlap ngay trong giao diện.
Sau đó, tạo một Chatbot application. Trong phần Context, gắn dataset vừa tạo vào. Phần System Prompt có thể viết như sau:
Save và chạy thử ngay trong Preview. Dify hiển thị cả phần Retrieval — bạn thấy được đoạn nào trong tài liệu được kéo ra để trả lời câu hỏi, rất tiện để debug.
Xây dựng Agent workflow trên Langflow
Agent workflow khác chatbot thông thường ở chỗ: agent có thể tự quyết định dùng tool nào, gọi bao nhiêu lần, dựa trên câu hỏi của người dùng.
Trên Langflow, tạo Flow mới. Kéo node AgentExecutor vào giữa canvas. Node này cần ba input: LLM (dùng ChatOpenAI hoặc ChatAnthropic), Tools, và Memory (tùy chọn). Thêm một SearchAPI Tool hoặc Calculator Tool từ danh sách có sẵn. Nối tất cả vào AgentExecutor.
Ví dụ về cấu hình tool trong Langflow nếu bạn muốn thêm custom tool bằng Python:
Save component này, nó sẽ xuất hiện trong danh sách tool của bạn và có thể kéo vào bất kỳ flow nào.
Tổng kết
Ba nền tảng phục vụ ba nhu cầu khác nhau: Flowise nhanh nhất để prototype và thử nghiệm ý tưởng, Dify đầy đủ nhất để đưa lên production với tài liệu riêng, Langflow linh hoạt nhất khi cần tùy chỉnh kỹ thuật sâu. Trong thực tế, nhiều team dùng Flowise hoặc Langflow để dựng nhanh, sau đó chuyển sang Dify hoặc tự code khi cần scale.
Điểm chung của cả ba là: bạn vẫn cần hiểu các khái niệm nền (LLM, embedding, vector store, tool calling) để debug khi pipeline trả lời sai. Giao diện kéo thả giúp bạn đi nhanh hơn, nhưng không thay thế được hiểu biết về cách các thành phần hoạt động.
Bài kiểm tra cuối bài
Ôn lại kiến thức, thử sức và nhận góp ý cho bài làm.