作为一名长期关注AI开源生态的产品经理，我见证了Dify在降低AI应用开发门槛上的巨大贡献。但在过去半年的实践中，我也注意到一个现象：当开发者和企业试图将Dify应用于更复杂的真实业务场景时，往往会遭遇功能瓶颈。比如细粒度的权限管理、本地模型的完整支持、模型微调能力，以及科学的模型评测体系——这些在企业级应用中至关重要的需求，开源版Dify都无法充分满足。

直到最近，我发现了一个在GitHub刚开源不久的项目：LazyCraft。体验下来，它就像是专门为了补齐这些空白而设计的。

项目概览

LazyCraft是一个开源的AI Agent应用开发与管理平台，由商汤基于其开源框架LazyLLM构建。

与Dify强调"快速上手"的定位不同，LazyCraft的设计思路更偏向"企业级完整性"——它提供了一个功能闭环的系统架构：

• 应用搭建：可视化编排界面（23个功能模块）
• 知识库管理：多种向量库支持、自定义RAG策略
• 模型层：本地模型管理、数据集管理、模型微调、推理服务
• 工具集成：支持本地和远程MCP工具
• 团队管理：多租户、多工作空间、细粒度权限控制
• 质量保证：模型评测、日志记录、费用统计

这意味着从数据准备、模型定制、应用开发到监控运维，整个链路都可以在一个平台内闭环完成。

核心功能

1. 企业级多租户与权限管理

这是LazyCraft相比Dify最直观的差异点。

传统开源Agent平台在权限管理上往往是"缺席"的状态，只有企业版才会补齐。

LazyCraft则直接在开源版中实现了：

• 多工作空间隔离：可为不同部门或团队创建独立工作空间
• 三层权限模型：只读（查看使用）、读写（编辑创建）、管理员（完全控制）
• 资源配额管理：为工作空间分配存储和GPU算力配额
• 审计日志与费用统计：追踪用户操作和资源消耗

这套机制完全可以支撑团队内的应用隔离（如实习生只能使用已发布应用，业务部门只能访问相关知识库）。

对于想在企业内部推广AI应用的组织而言，这是绝对的刚需。

2. 本地模型微调与完整的模型生命周期管理

这可能是LazyCraft最具竞争力的功能。

它将模型微调从"专家工具"转变为"平台内置功能"：

• 数据集管理：支持从ModelScope等平台直接下载或本地上传数据集
• 模型管理：支持从HuggingFace、ModelScope加载，或导入本地模型文件
• 微调工作流：提供简化的微调界面，包含预设参数支持
• 模型评测体系：支持人工评测和AI评测两种模式，在同一数据集上进行盲测对比

这个功能闭环解决了一个关键问题：企业可以基于自有数据持续优化模型，而不是被限制在调用云端API的被动地位。

对于有数据隐私要求或深度定制需求的企业，这是战略级别的能力。

3. MCP工具集成（支持本地和远程）

LazyCraft在MCP（Model Context Protocol）支持上的完整度令人印象深刻：

• 接入方式多样：支持远程SSE和本地STDIO两种方式（很多大厂平台仅支持远程）
• 工具测试机制：接入后需逐一测试每个MCP工具，发布前有严格的质量把关
• 本地IDE创建：支持在平台内直接编写自定义工具（这是Coze线上版才有的能力）

这意味着开发者可以灵活扩展Agent的能力，既可以使用社区现成的MCP工具，也可以快速定制企业专有工具。

4. 应用搭建与编排

LazyCraft提供了23个功能模块（相比Dify的16个），涵盖：

• 基础组件：输入、输出、条件判断
• AI能力：LLM调用、Embedding、向量检索
• 工具调用：MCP工具、API调用、代码执行
• 高级特性：Prompt管理、脚本管理、循环控制

每个模块的配置选项都相当齐全，整体的应用搭建能力不逊于商业平台。

安装部署

LazyCraft采用Docker Compose方式部署，流程相对标准化：

基础部署（3步）：

# 第一步：克隆代码
git clone https://github.com/LazyAGI/LazyCraft.git
cd ./LazyCraft/docker

# 第二步：启动服务（需要Docker环境）
docker-compose up -d

# 第三步：访问服务
# 浏览器打开 http://127.0.0.1:30382
# 默认账号：admin | 默认密码：LazyCraft@2025

注意事项：

• 整个系统包含13个服务/容器，镜像总体积较大（cloud-service单独约34GB），首次部署需要充足的存储空间和网络带宽
• 若需要使用本地模型和微调功能，需要在docker-compose.yml中解开cloud-service的注释配置
• 建议在本地或内网环境部署，以充分发挥隐私保护和定制化的优势

应用场景分析

基于上述功能特性，LazyCraft的适配场景包括：

与Dify的对比维度

总结

从我的观察来看，AI Agent平台的发展正在经历两个浪潮的交替：

第一波浪潮（Dify代表）：核心是降低门槛，让更多人能用上AI应用。这波浪潮已经成功了——Dify的高Star数和广泛应用就是证明。

第二波浪潮（LazyCraft的方向）：核心是企业级实用性。它不再满足于"让你能用"，而是把从数据到模型、再到应用的完整掌控权交还给开发者和企业。这意味着：

• 数据是资产，而不是消耗品
• 模型是可定制的，而不是固定的
• 应用是可迭代的，而不是一成不变的

我有一个观点：当大模型的能力发展遇到天花板后，一家企业的核心竞争力将不再是"用了哪个最强大模型"，而是"拥有多大规模、多高质量的自有数据集，以及多强的模型微调和应用快速迭代能力"。

从这个角度看，LazyCraft提供的"数据投喂→模型孵化→应用集成"全链路闭环能力，可能会成为未来企业AI战略的新基建。

如果你的团队正在考虑：

• 在内网环境部署AI应用平台
• 对模型有深度定制需求
• 需要完整的团队协作和权限管理
• 想要掌控从数据到应用的全链路

那么LazyCraft值得你花时间深入了解。

项目地址：https://github.com/LazyAGI/LazyCraft