Dify 完全ガイド【エンジニア編】— Claude 4接続・Dockerセルフホスト・外部API統合まで【2026年版】

エンジニアのゆとです。

Difyという名前は聞いたことがあっても、「ChatGPTっぽいUI作れるやつ」くらいの認識のまま素通りしていた。ちゃんと触ってみたら、チャットボット以上に「AIバックエンドのミドルウェア」として使えるツールだとわかった。

この記事ではエンジニア視点で、Difyをどう使うか・どこに使うべきかを整理する。

---

Difyとは（エンジニア向け3行サマリー）

• LLM（Claude/GPT-4o/Gemini等）を使ったアプリを作るためのOSSプラットフォーム
• チャットボット・テキスト生成・エージェント・ワークフローをビジュアルエディタで構築
• クラウド版（dify.ai）とセルフホスト版（Docker）の両方で使える

GitHubスター数は80,000超（2026年時点）で、OSS系AIツールの中でも人気が高い部類だ。

---

クラウド版 vs Dockerセルフホスト

最初にどちらを使うか選ぶ必要がある。

	クラウド版（dify.ai）	Dockerセルフホスト
セットアップ	アカウント登録だけ	Docker環境が必要
料金	無料〜$59/月	インフラ費用のみ
データの保管場所	Difyのサーバー	自分のサーバー
カスタマイズ性	低い	高い（コード変更可能）
向いてる用途	個人・プロトタイプ	本番・機密データを扱う案件

個人での検証やプロトタイプ作成はクラウド版、顧客データを扱う業務システムや本番環境はDockerセルフホストが基本的な判断軸になる。

Dockerセルフホストの手順

# リポジトリをクローン
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 環境変数ファイルをコピー
cp .env.example .env

# 起動
docker compose up -d

これだけでlocalhost:80でDifyが起動する。初回起動後にブラウザで管理者アカウントを作成する。

PostgreSQL・Redis・Weaviateがそれぞれコンテナで起動するので、メモリは最低8GB推奨。Mac miniや小さめのVPSでも動くが、最低限の要件を確認してから試す。

---

Claude 4をDifyで使う設定

DifyはデフォルトではモデルのAPIキーが設定されていない。Claudeを使うには以下の手順。

設定手順

1. Difyダッシュボード右上の「設定」→「モデルプロバイダー」
2. 「Anthropic」を選択
3. Anthropic APIキーを入力して保存

設定後、アプリ作成時のモデル選択でClaudeが選べるようになる。

使えるモデル（2026年時点）

モデル	用途
claude-sonnet-4-5	バランス型。日常的な業務処理に
claude-opus-4-5	高品質が必要な場合（コスト高め）
claude-haiku-3-5	高速・低コスト。シンプルな処理に

Difyのモデル選択画面では表示名が変わっている場合があるので、モデルIDで確認すること。古いモデル（claude-2等）は廃止されているので注意。

---

Difyで作れる4種類のアプリ

1. チャットボット

LLMとの対話型UIを作る最もシンプルな形式。システムプロンプトを設定してURLを発行すれば、ブラウザから使えるチャットボットが完成する。

業務用途例:

• 社内FAQ対応ボット（ナレッジベースと組み合わせ）
• 顧客向けサポートチャット

2. テキスト生成

フォーム入力を受け取ってテキストを生成する形式。「要件を入力したら議事録のテンプレートを作る」系のツールに向いている。

3. エージェント

ツールを自律的に呼び出しながら目標を達成するモード。後述のMCP連携と組み合わせると強力。

4. ワークフロー

複数のステップを順番に実行する。「Webサイトをスクレイピング → 要約 → 翻訳 → Slackに送信」のような複数処理のパイプラインを作れる。

---

ナレッジ（RAG）機能の使い方

Difyには独自のナレッジベース機能があり、ドキュメントをアップロードするとRAG（Retrieval-Augmented Generation）が設定できる。

手順

1. 「ナレッジ」→「作成」
2. PDFやMarkdownをアップロード（またはNotionやGitHubから取得）
3. チャンク分割の設定（デフォルトで問題ない場合が多い）
4. インデックス構築（時間がかかる場合あり）
5. アプリのシステムプロンプトでナレッジベースを参照する設定を追加

製品マニュアル・仕様書・FAQをナレッジベースに入れて、それを参照するチャットボットを作るのがよくあるユースケース。

---

MCP連携（2026年の新機能）

Dify 1.0以降でMCP（Model Context Protocol）サーバーとの連携が可能になった。

設定方法:

1. 「設定」→「Model Context Protocol」
2. MCPサーバーのコマンドと引数を入力
3. エージェントモードのアプリでMCPツールが使えるようになる

例えばBrave Search MCPサーバーを追加すれば、DifyのエージェントがリアルタイムでWeb検索できるようになる。GitHub MCPを追加すれば、チャットからGitHubのissueを操作できる。

{
  "command": "npx",
  "args": ["-y", "@modelcontextprotocol/server-brave-search"],
  "env": {
    "BRAVE_API_KEY": "your-api-key"
  }
}

Claude CodeのMCPと同じ設定形式なので、CC用に設定したMCPサーバーをDifyでも使えるケースが多い。

---

既存アプリへのAPI統合

Difyで作ったアプリはAPIとして外部から呼び出せる。これがエンジニア的に一番使い道のある機能だ。

APIの呼び出し方

import httpx

DIFY_API_KEY = "app-xxxxxxxxxxxx"
DIFY_API_URL = "https://api.dify.ai/v1"  # セルフホストなら自分のURL

def chat_with_dify(message: str, conversation_id: str = "") -> dict:
    """Difyのチャットアプリを外部から呼び出す"""
    response = httpx.post(
        f"{DIFY_API_URL}/chat-messages",
        headers={
            "Authorization": f"Bearer {DIFY_API_KEY}",
            "Content-Type": "application/json"
        },
        json={
            "inputs": {},
            "query": message,
            "response_mode": "blocking",
            "conversation_id": conversation_id,
            "user": "user-001"
        }
    )
    return response.json()

result = chat_with_dify("在庫管理システムの仕様書を要約して")
print(result["answer"])
print(result["conversation_id"])  # 次の呼び出しで使う

ストリーミングレスポンスが必要な場合はresponse_mode: "streaming"を使う。

ワークフローの呼び出し

def run_dify_workflow(inputs: dict) -> str:
    """Difyのワークフローを実行"""
    response = httpx.post(
        f"{DIFY_API_URL}/workflows/run",
        headers={"Authorization": f"Bearer {DIFY_API_KEY}"},
        json={
            "inputs": inputs,
            "response_mode": "blocking",
            "user": "user-001"
        }
    )
    result = response.json()
    return result["data"]["outputs"]

---

フリーランスがDifyで納品する実践フロー

クライアントに「AIチャットボットを作ってほしい」と言われたとき、Difyをバックエンドにする構成が使いやすい。

ケース: 中小企業向け社内問い合わせBot

1. 要件整理: 対応範囲（在庫・人事・経費）、社内ドキュメントの場所
2. DifyにRAGセットアップ: 社内マニュアルPDFをナレッジベースに投入
3. システムプロンプト調整: 「〇〇会社のAIアシスタント」としての人格設定
4. テスト: 典型的な質問10件を試して精度確認
5. Web埋め込み or API提供: DifyのiFrameをイントラネットに埋め込む、またはAPI経由で既存社内システムに統合
6. ドキュメント納品: 管理者がナレッジベースを更新する手順書を渡す

実装費用の目安として、設計・構築・テストで2〜3日程度。セルフホストサーバーのランニングコストは月数千円。Claudeの実行コストは利用量次第だがRAGの問い合わせなら1回あたり数円程度。

---

他ツールとの比較

ツール	特徴	向いてる用途
Dify	OSSでセルフホスト可、RAG標準搭載	業務システム統合、社内ツール
MindStudio	ノーコード重視、200モデル対応	素早いプロトタイプ、個人ツール
n8n	ワークフロー自動化特化	API連携・定期実行・Webhook処理
LangChain (Python)	フルコード実装、最高の柔軟性	複雑な本番エージェントシステム

Difyの強みは「エンジニア不在のチームでも使えるUI」と「セルフホストによるデータ主権」の両立だ。n8nと比べるとAIネイティブ、LangChainと比べるとノーコード寄り、MindStudioと比べるとセルフホストが強い。

---

まとめ

Difyをエンジニア的に使うなら:

1. プロトタイプはクラウド版で即日試す
2. 本番・機密データはDockerセルフホスト
3. Claudeとの接続はモデルプロバイダー設定でAPIキーを登録
4. 外部アプリ統合はDify APIを呼び出す
5. MCP連携でエージェントの能力を拡張

「チャットボット以上のAIシステム」を顧客向けに作るとき、Difyはプロジェクトの最初のブロックとして使いやすい選択肢だ。自分でPython実装に移行するとしても、Difyでプロトタイプを作ってから移行した方が要件の整理が進む。

---

関連記事

• AIエージェントをPythonとClaude APIで実装する完全ガイド
• 2026年 AIエージェント開発フレームワーク完全比較
• Claude Code MCP設定ガイド — サーバーの追加から実用5選まで