30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度最近在尝试将AI能力集成到业务系统中时你是否也遇到过这样的困境想快速搭建一个智能客服或内容生成应用却卡在了模型调用、流程编排、知识库对接和部署运维这些繁琐环节上每个环节都需要大量开发工作从API集成到状态管理再到前端界面耗时耗力最终效果还不尽如人意。如果你正在寻找一个能一站式解决这些问题的平台那么Dify很可能就是你的答案。它不仅仅是一个工具更是一个面向生产级的AI应用开发平台让你能像搭积木一样通过可视化拖拽构建复杂的AI工作流Workflow无需深入编码即可将创意快速落地为可部署的智能应用。本文将为你提供一份从零开始直达精通的Dify实战指南。我们将用一周左右的时间手把手带你完成一个企业级的AI应用项目实战内容涵盖本地部署、核心概念、工作流搭建、知识库集成、插件开发到最终的生产发布。无论你是AI初学者还是希望提升开发效率的工程师都能从中获得一套完整、可复制的解决方案。1. Dify 是什么为什么选择它在深入实战之前我们有必要先理解Dify的定位和它解决的核心问题。1.1 Dify 的核心定位Dify 是一个开源的 LLM 应用开发平台。它的目标非常明确降低AI应用开发的门槛提升开发效率并提供企业级应用所需的全套能力。你可以把它理解为一个“AI应用的操作系统”或“AI时代的低代码平台”但它更专注于大语言模型LLM应用的构建。简单来说Dify 将AI应用开发中那些重复、复杂的部分如模型调用、上下文管理、提示词工程、文件处理、向量数据库集成等抽象成标准化的组件。开发者通过图形化界面拖拽这些组件就能组合出功能强大的AI应用而无需关心底层的技术细节。1.2 Dify 能解决什么问题快速原型验证当你有一个AI应用的想法时使用Dify可以在几分钟内搭建出可交互的Demo快速验证想法的可行性。降低开发成本传统开发一个AI应用需要前端、后端、算法工程师协同。Dify提供了一站式解决方案甚至非技术人员也能参与构建极大降低了人力与时间成本。统一技术栈Dify集成了主流的AI模型如GPT、Claude、文心一言、通义千问等、向量数据库如Chroma、Weaviate、PGVector和各类工具如网络搜索、代码执行避免了技术选型和集成的烦恼。专注于业务逻辑开发者可以将精力集中在业务场景和提示词Prompt的优化上而不是基础设施的搭建。生产就绪Production-ReadyDify提供了应用监控、日志、版本管理、多人协作等企业级功能使得开发的应用能够直接部署到生产环境。1.3 Dify 的核心功能模块根据官方介绍和社区实践Dify主要包含以下几大功能模块AI工作流Workflow可视化编排AI任务流程的核心。支持条件判断、循环、并行处理等复杂逻辑。提示词编排Prompt Engineering提供强大的提示词调试和变量管理功能。知识库Knowledge Base支持上传多种格式文档TXT、PDF、Word、PPT等自动进行文本分割、向量化并存入向量数据库实现基于文档的问答RAG。模型与供应商管理统一管理多个AI模型的API密钥和配置方便切换和对比。插件与工具Tools内置并支持扩展各种工具如联网搜索、代码执行、API调用等让AI具备执行动作的能力。应用发布与监控一键发布应用为Web站点、API或嵌入到其他系统并提供使用量、性能等监控数据。1.4 Dify vs. 其他方案如n8n搜索热词中提到了“n8n和dify的区别”。这里简要对比一下n8n一个通用的自动化工作流工具擅长连接各种SaaS服务如Google Sheets, Slack, Notion和API实现业务流程自动化。它的核心是“自动化”。Dify一个专为AI应用设计的工作流平台核心是围绕LLM进行提示词编排、知识检索和复杂推理。它更专注于“智能化”。两者有重叠领域都涉及工作流但侧重点不同。Dify在AI原生能力如RAG、Agent规划上更强大、更专业。2. 环境准备与部署指南“工欲善其事必先利其器”。我们将从最基础的部署开始。Dify支持多种部署方式为了获得最大的灵活性和控制权我们选择使用Docker Compose在本地进行部署。这也是官方推荐的方式。2.1 系统要求与前置条件操作系统Linux (Ubuntu 20.04/CentOS 7), macOS, 或 Windows 10/11 (需安装WSL2或Docker Desktop)。Docker版本 20.10.0 或更高。Docker Compose版本 v2.0.0 或更高。硬件建议至少4核CPU8GB内存20GB可用磁盘空间。运行大模型或知识库需要更多资源。网络能够访问Docker Hub和所需的AI模型API如OpenAI、国内大模型平台。2.2 使用 Docker Compose 一键部署这是最快捷、最标准的部署方式。官方提供了最新的docker-compose.yaml文件。步骤 1创建项目目录并下载配置文件打开终端执行以下命令# 创建一个专门存放Dify的目录 mkdir dify cd dify # 从官方仓库下载最新的docker-compose配置文件 curl -o docker-compose.yaml https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml # 下载环境变量配置文件示例 curl -o .env.example https://raw.githubusercontent.com/langgenius/dify/main/.env.example cp .env.example .env步骤 2配置环境变量编辑.env文件这是配置Dify的核心。你需要至少配置数据库密码和外部访问地址。# 使用vim或nano编辑 .env 文件 vim .env找到并修改以下关键配置其他保持默认即可# 数据库相关配置修改一个强密码 DB_PASSWORDyour_strong_password_here # Dify服务对外访问的地址如果你是本地学习可以设为 localhost APP_WEB_URLhttp://localhost:3000 API_BASE_URLhttp://localhost:3001 # 如果你想使用本地模型如通过Ollama可以在这里配置后续在界面中也可设置 # OPENAI_API_KEYsk-xxx # 如果使用OpenAI在此填入Key步骤 3启动 Dify 服务在dify目录下运行以下命令启动所有服务# 在后台启动所有容器 docker-compose up -d这个命令会拉取并启动多个容器包括dify-api: 后端API服务dify-web: 前端Web界面postgres: PostgreSQL数据库redis: Redis缓存weaviate: 向量数据库用于知识库等待几分钟直到所有容器状态变为healthy。你可以使用docker-compose ps查看状态。步骤 4访问并初始化在浏览器中打开http://localhost:3000。 首次访问会进入初始化页面你需要设置管理员账号和密码。填写企业名称可随意填写。进入后台后首要任务是去“设置” - “模型供应商”中添加你要使用的AI模型。例如添加OpenAI并填入你的API Key。至此一个完整的Dify平台就已经在你的本地运行起来了2.3 其他部署方式简介Windows 本地部署对于Windows用户确保已安装Docker Desktop并启用WSL2后端后续步骤与上述Linux/macOS的Docker Compose方式完全一致。云服务器部署在阿里云、腾讯云等云服务器上部署流程与本地Docker部署相同只需将.env文件中的APP_WEB_URL和API_BASE_URL改为你的服务器公网IP或域名。Kubernetes 部署对于生产环境官方提供了Helm Chart便于在K8s集群中部署和管理。3. Dify 核心概念与界面导览成功登录后让我们快速熟悉一下Dify的界面和核心概念为后续构建工作流打下基础。3.1 主界面与核心功能区Dify的界面主要分为以下几个区域顶部导航栏包含“工作区”、“应用”、“知识库”、“工具”、“日志”等主要模块入口。左侧边栏在“应用”或“工作区”内这里是构建和编辑应用的核心区域。画布区Canvas在工作流编辑时这里是拖放组件的可视化区域。右侧配置面板选中画布上的任何一个节点右侧会显示该节点的详细配置项。3.2 理解关键概念应用Application在Dify中你构建的每一个AI功能单元都称为一个“应用”。一个应用可以是一个聊天机器人、一个文本总结工具或者一个复杂的多步骤数据处理流程。工作流Workflow这是Dify的灵魂。一个应用的核心逻辑由一个或多个工作流定义。工作流由节点Node和连接线Edge组成描述了数据从输入到输出的处理过程。节点Node工作流中的基本执行单元。Dify提供了丰富的节点类型开始节点定义工作流的输入变量。LLM节点调用大语言模型是核心处理节点。知识库检索节点从已上传的知识库中查找相关信息。代码执行节点执行Python或JavaScript代码。HTTP请求节点调用外部API。条件判断节点根据条件决定执行路径。变量分配节点设置或修改变量的值。结束节点定义工作流的输出。变量Variable在工作流中传递数据的载体。可以是用户输入、节点处理的中间结果或最终输出。变量有类型如字符串、列表、对象并可以在节点间引用。知识库Knowledge由你上传的文档支持多种格式经过处理文本分割、向量化后形成的可被AI检索的数据库。它是实现RAG检索增强生成能力的基础。工具Tools赋予AI执行特定动作的能力如搜索网页、查询天气、操作数据库等。Dify内置了一些工具也支持自定义。4. 实战项目构建一个企业级智能内容运营助手理论讲得再多不如动手实践。接下来我们将用一周的时间循序渐进地完成一个企业级智能内容运营助手项目。这个项目将综合运用Dify的多个核心功能。项目目标构建一个应用能够根据给定的产品名称和核心卖点自动完成以下任务从知识库公司产品手册、历史文案中检索相关背景信息。生成一段吸引人的社交媒体推广文案如微博。生成一段详细的产品介绍文章草稿。检查生成内容中是否包含竞品敏感词并进行润色。4.1 第一天项目初始化与知识库搭建目标创建应用并建立产品知识库。步骤 1创建新应用点击顶部导航栏的“应用” - “创建新应用”。选择“空白应用”命名为“智能内容运营助手”描述可写“用于自动生成和优化产品营销内容”。点击“创建”进入应用编辑界面。步骤 2创建并填充知识库点击顶部导航栏的“知识库” - “创建知识库”。命名为“公司产品资料库”点击创建。进入知识库详情页点击“上传文件”。你可以准备几个示例文件product_manual.pdf模拟的产品说明书。historical_copy.txt模拟的历史优秀文案。brand_guidelines.md模拟的品牌规范文档。上传后Dify会自动进行文本解析、分块和向量化索引。这个过程需要一些时间可以在“索引状态”中查看进度。关键配置在知识库设置中关注“分段处理”规则。你可以调整文本分段的大小和重叠度这直接影响后续检索的相关性和准确性。对于营销文案建议分段可以小一些如300字符重叠度设高一些如50字符以捕捉更细致的上下文。4.2 第二天构建基础工作流 - 单步文案生成目标创建一个最简单的工作流接受产品输入调用LLM生成微博文案。步骤 1进入工作流编辑器在“智能内容运营助手”应用页面点击左侧的“工作流”标签页然后点击“创建工作流”。命名为“微博文案生成”。步骤 2添加并配置节点从左侧的节点库中将以下节点拖拽到画布上并按顺序连接起来鼠标从节点的输出点拖拽到下一个节点的输入点开始节点点击它在右侧面板“变量”中点击“添加输入变量”。添加一个变量名称为product_name类型“字符串”描述“产品名称”。再添加一个变量product_features类型“字符串”描述“产品核心卖点”。LLM节点从“基础”分类中拖出“LLM”节点连接到开始节点之后。在右侧配置面板中模型选择你已配置的模型例如gpt-4o-mini。提示词编写你的指令。这是核心你是一位资深社交媒体运营专家。请根据以下产品信息创作一条吸引人的微博文案。 要求 1. 文案风格活泼、网感强适合在微博平台传播。 2. 突出产品核心卖点并创造一个吸引点击的标签Hashtag。 3. 文案长度控制在140字以内。 产品名称{{product_name}} 产品卖点{{product_features}} 请直接输出文案内容无需额外解释。上下文保持默认。变量系统会自动识别提示词中的{{product_name}}和{{product_features}}你需要在下拉菜单中将其映射到开始节点定义的对应变量。结束节点从“基础”分类中拖出“结束”节点连接到LLM节点之后。在右侧面板“输出”中点击“添加输出变量”。添加一个变量名称为weibo_copy类型“字符串”将它的值设置为LLM节点的输出通常是一个叫text的变量。步骤 3调试与运行点击画布右上角的“调试”按钮。在左侧弹出的调试面板中为product_name和product_features输入测试值例如product_name: “AI智能笔记本”product_features: “语音实时转写会议纪要自动生成思维导图支持多端同步”点击“运行”。右侧会显示工作流的执行过程和最终输出。检查生成的文案是否符合要求。如果效果不理想可以返回修改LLM节点的提示词反复调试直到满意。4.3 第三天进阶工作流 - 集成知识库检索RAG目标让文案生成不只是基于输入的简单卖点而是能结合知识库中的详细资料生成更专业、更贴合品牌调性的内容。步骤 1创建工作流副本在“微博文案生成”工作流上点击“...”菜单选择“复制”命名为“基于知识库的文案生成”。步骤 2插入知识库检索节点在“开始节点”和“LLM节点”之间插入一个“知识库检索”节点。从“检索”分类中拖出“知识库检索”节点并连接到两者之间。配置“知识库检索”节点知识库选择之前创建的“公司产品资料库”。查询内容这里我们需要构建一个查询语句。我们可以结合用户输入的产品名称和卖点。例如设置为“关于” {{product_name}} “的产品介绍和营销要点”。你需要将{{product_name}}变量映射过来。检索模式选择“向量化检索”默认。还可以开启“全文检索”作为混合搜索提高召回率。检索条数设置为3-5条获取最相关的几段文本。输出变量将检索到的内容输出到一个变量例如retrieved_context。步骤 3修改LLM提示词修改LLM节点的提示词使其能够利用检索到的上下文信息你是一位资深社交媒体运营专家。请根据以下产品信息和公司内部资料创作一条吸引人的微博文案。 【公司内部资料参考】 {{#context.references}} {{content}} {{/context.references}} 【任务要求】 1. 文案风格需严格遵循公司品牌指南参考上述资料突出产品核心卖点。 2. 创造一个与产品强相关、易于传播的标签Hashtag。 3. 文案长度控制在140字以内并确保所有产品特性描述准确无误。 产品名称{{product_name}} 产品卖点{{product_features}} 请直接输出文案内容无需额外解释。注意{{#context.references}}是Dify中引用知识库检索结果的特定语法。你需要将context变量映射为知识库检索节点的输出变量如retrieved_context。步骤 4调试再次运行调试。这次LLM生成的文案应该会引用到你知识库文档中的具体表述显得更加专业和精准。4.4 第四天构建复杂工作流 - 并行与条件判断目标扩展工作流使其能并行生成“微博文案”和“产品文章”并增加一个“敏感词检查与润色”环节。步骤 1创建新的综合工作流新建一个工作流命名为“综合内容生成与审核”。步骤 2设计并行流程开始节点定义输入变量product_name,product_features。知识库检索节点同上为后续并行分支提供上下文。并行分支Dify通过连接线实现逻辑并行。从知识库检索节点后拉出两条线。分支一微博文案LLM节点配置同第三天的“基于知识库的文案生成”工作流中的LLM节点。输出变量命名为weibo_draft。分支二产品文章新增一个LLM节点。提示词可以设为你是一位专业的产品经理。请基于以下产品信息和公司资料撰写一篇800字左右的产品介绍文章草稿。 文章需包含产品概述、核心功能详解、应用场景、总结。 请确保语言专业、逻辑清晰。 【参考资料】{{context}} 产品名称{{product_name}} 核心卖点{{product_features}}输出变量命名为article_draft。聚合节点两个分支完成后我们需要将它们的输出聚合起来传递给下一个检查环节。这里可以使用“变量分配”节点来组合变量。添加一个“变量分配”节点。在其配置中设置一个对象变量例如combined_content其值为{ “weibo”: {{weibo_draft}}, “article”: {{article_draft}} }注意在实际界面中是通过选择变量来赋值的步骤 3添加条件判断与循环敏感词检查敏感词列表在开始节点或一个单独的“变量分配”节点中定义一个列表变量sensitive_words例如[“竞品A” “山寨” “最便宜”]。循环节点添加一个“循环”节点在“高级”分类中。配置它遍历sensitive_words列表每次循环将当前词项赋值给一个变量如current_word。条件判断节点在循环体内添加一个“条件判断”节点。条件设置为contains(combined_content.weibo, current_word) OR contains(combined_content.article, current_word)contains是Dify内置的函数用于判断字符串是否包含子串。分支处理如果为真包含敏感词连接到一个“变量分配”节点设置一个标志变量needs_polish true并记录下匹配到的敏感词。如果为假继续循环或结束。润色节点在循环结束后添加一个条件判断检查needs_polish是否为真。如果为真连接到一个新的LLM节点提示词为“请对以下文案进行润色消除其中可能涉及的敏感词或不当表述并保持其原有风格和吸引力。文案{{combined_content}}”。输出润色后的内容。如果为假直接连接到结束节点。步骤 4结束节点输出配置结束节点输出最终润色后的weibo_final和article_final或者原始草稿。这个工作流已经具备了企业级应用的雏形检索增强、并行处理、条件判断、循环检查。通过可视化编排逻辑一目了然。4.5 第五天将工作流发布为应用并测试目标将我们构建的复杂工作流封装成一个可交互的Web应用或API。步骤 1配置应用入口在“智能内容运营助手”应用的“概览”页面点击“发布”。在“对话体验”或“工作流”发布区域选择我们刚刚创建的“综合内容生成与审核”工作流。配置用户输入表单系统会根据工作流的开始节点变量自动生成输入框。你可以修改标签和描述使其对用户更友好。例如将product_name的标签改为“产品名称”将product_features的标签改为“产品核心卖点请用逗号分隔”。配置输出展示定义最终结果如何呈现给用户。可以设计一个美观的模板分别展示微博文案和产品文章。步骤 2预览与测试点击“预览”会打开一个模拟的用户界面。输入产品信息点击提交。观察工作流的执行过程如果开启了调试信息并查看最终输出。测试各种边界情况比如输入空值、输入非常长的卖点、测试敏感词是否被正确过滤和润色。步骤 3发布与分享确认测试无误后点击“发布”。发布后你会获得一个独立的Web应用访问链接以及API接口地址和密钥。你可以将这个链接分享给团队成员如市场人员直接使用也可以将API集成到其他业务系统如CRM、CMS中。4.6 第六天高级主题 - 插件开发与外部工具集成Dify的强大之处在于其可扩展性。除了内置工具你可以连接任何外部API。场景让我们的内容助手在生成文案后自动调用一个外部的情感分析API来评估文案的情感倾向。步骤 1创建自定义工具HTTP请求节点在工作流中在润色节点之后、结束节点之前添加一个“HTTP请求”节点。配置该节点URL填入情感分析API的端点例如https://api.example.com/sentiment-analysis。方法POST。Headers根据需要添加如Content-Type: application/json和Authorization: Bearer YOUR_API_KEY。Body构建请求体将需要分析的文本如weibo_final作为参数传入。{ “text”: “{{weibo_final}}” }输出解析根据API返回的JSON结构解析出情感分数或标签赋值给一个新变量sentiment_score。步骤 2基于情感结果进行后续操作你可以添加一个条件判断节点如果sentiment_score为负面则触发另一个LLM节点进行二次优化或者发送一个通知。通过这种方式你可以将Dify与内部CRM、ERP系统或任何公开的Web服务连接起来构建出极其强大的自动化AI智能体Agent。4.7 第七天生产部署与运维考量目标将本地开发的应用部署到生产环境并了解运维要点。步骤 1生产环境部署服务器准备准备一台具有公网IP的云服务器如阿里云ECS。环境配置在服务器上安装Docker和Docker Compose。上传配置将本地的docker-compose.yaml和.env文件上传到服务器。务必修改.env文件APP_WEB_URL和API_BASE_URL改为你的域名如https://dify.yourcompany.com。检查并强化DB_PASSWORD、SECRET_KEY等安全配置。配置正确的邮件服务器用于用户注册/通知。启动服务运行docker-compose up -d。配置反向代理与SSL使用Nginx或Caddy配置反向代理将域名指向Dify的3000端口并配置HTTPS证书可以使用Let‘s Encrypt免费证书。步骤 2安全与权限管理访问控制在Dify后台的“成员与管理”中邀请团队成员并分配不同的角色管理员、开发者、运营者控制其对应用、知识库的访问和操作权限。API密钥管理妥善保管模型供应商的API密钥并利用Dify的额度限制功能防止意外消耗。审计日志定期查看“日志与使用情况”中的审计日志跟踪应用的使用情况和潜在问题。步骤 3监控与备份系统监控监控服务器资源CPU、内存、磁盘以及Dify各个容器的运行状态。可以使用docker-compose logs -f查看实时日志。数据备份定期备份PostgreSQL数据库和重要的上传文件。Dify的数据库存储了所有应用配置、知识库元数据和日志。# 示例备份命令 docker exec -t dify-db-1 pg_dump -U postgres dify dify_backup_$(date %Y%m%d).sql版本管理Dify应用和工作流支持版本历史。在重大修改前善用“发布新版本”功能便于回滚。5. 常见问题与故障排查FAQ在学习和使用Dify的过程中你可能会遇到以下问题问题现象可能原因解决方案访问localhost:3000无法连接Docker容器未成功启动或端口被占用。1. 运行docker-compose ps检查容器状态。2. 运行docker-compose logs查看错误日志。3. 检查本地3000、3001端口是否已被其他程序占用。“LLM 提供者的密钥未设置”未在Dify后台配置AI模型的API密钥。进入“设置” - “模型供应商”添加对应的供应商如OpenAI、Azure OpenAI、智谱AI等并填写正确的API Key和Base URL。知识库文件上传失败或索引卡住文件格式不支持、文件过大或网络问题。1. 检查文件格式支持txt, pdf, docx, pptx, md等。2. 尝试将大文件拆分成小文件上传。3. 查看知识库处理队列的日志。工作流调试时报错“变量未找到”变量名拼写错误或变量作用域问题。1. 仔细检查节点间变量传递的连接线。2. 确保在引用变量时使用了正确的名称区分大小写。3. 在提示词中引用变量时使用{{variable_name}}格式。应用发布后访问慢或超时工作流逻辑复杂LLM调用耗时过长。1. 优化提示词减少不必要的上下文。2. 对于知识库检索限制返回的片段数量和质量阈值。3. 考虑对耗时长的流程进行异步处理。Docker 容器启动后自动退出内存不足、.env配置错误或数据库初始化失败。1. 检查服务器内存是否充足建议8G以上。2. 检查.env文件中的配置项特别是数据库连接信息。3. 查看dify-api容器的启动日志。6. 最佳实践与工程建议根据项目实战经验总结以下最佳实践帮助你高效、稳定地使用Dify提示词工程是核心Dify降低了工程复杂度但提示词的质量直接决定AI应用的效果。投入时间精心设计和迭代你的提示词使用清晰的指令、提供示例Few-shot、明确输出格式。模块化设计工作流不要试图在一个巨型工作流中完成所有事情。将可复用的功能如“知识库检索LLM生成”封装成子工作流或者拆分成多个独立的应用通过API互相调用。这提高了可维护性和复用性。善用变量和上下文合理规划变量使用有意义的命名。明确哪些数据需要在整个工作流中传递哪些只是中间结果。利用“上下文”功能在不同节点间高效传递结构化数据。知识库质量决定RAG上限文档预处理上传前尽量清理文档格式去除无关内容页眉页脚。分段策略根据文档类型调整分段大小。法律合同适合大段QA问答适合小段。重叠度Overlap有助于防止上下文断裂。混合检索开启“向量检索 全文检索”混合模式通常能获得更全面和准确的结果。生产环境安全隔离环境为开发、测试、生产部署独立的Dify实例。权限控制严格管理后台访问权限和API调用权限。输入校验在公开的应用中对用户输入进行基本的清洗和校验防止提示词注入攻击。监控与限流关注API调用消耗为不同模型设置用量限制避免意外高额账单。版本控制与回滚每次对重要的工作流或提示词进行修改前先“发布新版本”。这样一旦线上出现问题可以快速回滚到稳定版本。性能优化缓存对于频繁查询且结果不变的知识库内容可以考虑在外部实现缓存机制。异步处理对于耗时长的工作流如生成长文章可以考虑设计为异步任务通过回调或轮询告知用户结果。模型选择在效果和成本间权衡。简单的任务使用轻量级模型如GPT-3.5-Turbo复杂任务再用高级模型如GPT-4。通过这一周的系统学习和实战你已经掌握了从零开始使用Dify构建企业级AI应用的全套技能。从环境部署、核心概念理解到可视化工作流编排、知识库集成再到复杂逻辑实现和生产发布我们完成了一个完整的闭环。Dify真正将AI应用的开发从“写代码”变成了“画流程图”极大地释放了生产力。下一步你可以探索Dify的更多高级特性如Agent功能让AI自主规划并调用多个工具完成任务。MCPModel Context Protocol集成连接更丰富的外部工具和数据源。插件市场使用社区开发的现成插件来扩展能力。深度定制开发基于Dify的开源代码进行二次开发以满足特定业务需求。AI应用开发的时代已经到来而Dify为你提供了最趁手的武器。现在就打开你的Dify开始构建第一个属于你自己的智能工作流吧。如果在实践中遇到任何问题欢迎在社区交流讨论。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度