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构建自己的AI应用时你是否也遇到过这样的困境想快速验证一个AI想法却卡在复杂的模型调用、API集成和流程编排上或者想搭建一个企业级的智能问答机器人却被RAG、Agent、工作流这些概念搞得晕头转向如果你希望有一个平台能让你像搭积木一样通过拖拽就能构建复杂的AI应用那么Dify正是为你准备的解决方案。Dify是一个开源的LLM应用开发平台它集成了从模型接入、知识库构建、工作流编排到应用部署的全链路能力。无论是想快速搭建一个基于文档的问答助手还是设计一个多步骤决策的智能体AgentDify都能让你在可视化界面中轻松完成无需从零开始编写大量胶水代码。本文将带你从零开始手把手完成Dify的本地部署、核心功能详解并通过一个完整的“智能客服工作流”实战项目让你在7天内彻底掌握Dify的核心玩法。无论你是AI新手还是有一定经验的开发者都能从这篇教程中找到清晰的路径。1. Dify是什么为什么你需要它在深入动手之前我们有必要先理解Dify的定位和价值。简单来说Dify是一个低代码/无代码的AI应用开发与运营平台。它的核心目标是降低AI应用开发的门槛让开发者、产品经理甚至业务人员都能快速构建和迭代AI应用。1.1 Dify的核心能力根据官方介绍和社区实践Dify主要提供以下四大核心能力可视化工作流Workflow这是Dify最强大的功能。你可以通过拖拽节点如LLM调用、条件判断、代码执行、API调用等来编排复杂的AI逻辑。比如一个客服工单处理流程可能包含理解用户意图 - 查询知识库 - 根据查询结果判断是否需要人工介入 - 生成回复。这些步骤都可以在画布上直观地连接起来。检索增强生成RAG引擎Dify内置了完整的RAG流水线。你只需上传文档支持TXT、PDF、Word、PPT、Excel、Markdown等它就能自动完成文本分割、向量化嵌入、存储到向量数据库默认使用ChromaDB也支持PGVector、Qdrant等和检索。这使得构建基于私有知识的问答系统变得异常简单。多模型支持与智能体Agent框架Dify支持接入众多主流的大语言模型包括OpenAI的GPT系列、Anthropic的Claude、Google的Gemini以及众多开源模型如Llama、Qwen、DeepSeek等通过OpenAI兼容的API。基于这些模型你可以构建具备工具调用Function Calling能力的智能体让AI能执行搜索、计算、查询数据库等具体操作。应用管理与运营构建的应用可以一键发布为Web应用、API接口甚至发布为MCPModel Context Protocol服务器。Dify还提供了对话日志、效果评估、运营数据看板等功能帮助你持续优化AI应用。1.2 Dify适合谁AI应用开发者快速原型验证将想法在几小时内变成可交互的Demo省去搭建底层架构的时间。企业内部的业务人员或产品经理无需编码即可搭建用于内部培训、知识管理、客服辅助的AI工具。学生与研究者专注于AI算法和Prompt工程的研究而非工程部署细节。任何对AI应用感兴趣的人希望有一个直观的平台来学习和实验大语言模型的各种能力。与从零开始调用API、自己搭建向量数据库、编写前后端相比使用Dify可以节省你超过70%的初期开发时间让你更专注于业务逻辑和Prompt调优。2. 环境准备与部署安装“工欲善其事必先利其器”。我们将从最基础的Docker部署开始这是最推荐、最通用的方式。本教程以Linux/macOS系统为例Windows用户使用Docker Desktop过程类似。2.1 基础环境要求在开始之前请确保你的系统满足以下条件操作系统Linux (Ubuntu 20.04 / CentOS 7), macOS 10.15, Windows 10/11 (需WSL2或Docker Desktop)。Docker版本20.10。Dify的所有核心服务后端API、前端界面、数据库等都通过Docker Compose进行编排。Docker Compose版本v2.0。通常安装Docker Desktop时会自带Linux用户可能需要单独安装。硬件资源CPU至少2核。内存至少4GB建议8GB以上。运行向量数据库和大型语言模型需要更多内存。磁盘空间至少10GB可用空间用于存储镜像、数据库和上传的文档。网络能够访问Docker Hub和GitHub以下载镜像和代码。2.2 使用Docker Compose一键部署推荐这是官方最推荐的部署方式适合绝大多数场景包括生产环境。第一步克隆Dify的Docker部署仓库打开终端执行以下命令# 创建一个工作目录并进入 mkdir dify-deploy cd dify-deploy # 克隆部署仓库使用国内镜像加速如果慢可以尝试去掉 https://ghproxy.com/ git clone https://github.com/langgenius/dify-docker.git . # 或者直接使用官方仓库 # git clone https://github.com/langgenius/dify.git . # cd docker第二步配置环境变量Dify的配置主要通过环境变量文件.env控制。我们先复制一份模板# 复制环境变量模板文件 cp .env.example .env现在用你喜欢的文本编辑器如vim,nano或 VSCode打开.env文件。我们需要关注几个关键配置# 使用 vim 编辑 vim .env以下是需要重点检查和修改的项# 数据库配置通常无需修改除非你有外部数据库 DB_PASSWORDyour_db_password_here # 建议修改为一个强密码 # 外部访问地址用于构建回调链接等。如果你是本地学习可以设为 localhost。 # 如果你有公网IP或域名请设置为对应的地址例如 http://your-domain.com APP_WEB_URLhttp://localhost # 默认语言 LANGUAGEzh-Hans # 设置为中文界面 # 邮件服务配置用于用户注册、通知等可选 # MAIL_TYPEsmtp # MAIL_HOSTsmtp.gmail.com # MAIL_PORT587 # MAIL_USERyour-emailgmail.com # MAIL_PASSWORDyour-app-password对于首次体验保持APP_WEB_URLhttp://localhost即可。保存并退出编辑器。第三步启动Dify服务在包含docker-compose.yaml和.env文件的目录下运行以下命令# 在后台启动所有服务 docker-compose up -d这个命令会从Docker Hub拉取所需的镜像包括PostgreSQL、Redis、ChromaDB、Nginx以及Dify自身的API和Web服务并启动所有容器。首次运行可能需要几分钟时间下载镜像。第四步检查服务状态启动完成后使用以下命令查看容器是否正常运行docker-compose ps你应该看到类似下面的输出所有服务的状态State都应为UpNAME COMMAND SERVICE STATUS PORTS dify-api /bin/bash /entrypo… api Up (healthy) 5001/tcp dify-web /bin/bash /entrypo… web Up (healthy) 3000/tcp dify-nginx /docker-entrypoint.… nginx Up 0.0.0.0:80-80/tcp postgres docker-entrypoint.s… db Up 5432/tcp redis docker-entrypoint.s… redis Up 6379/tcp weaviate /bin/weaviate --co… weaviate Up 8080/tcp第五步访问Dify控制台在浏览器中打开http://localhost如果你在远程服务器部署则替换为服务器的IP地址。首次访问你会看到Dify的初始化页面。你需要创建一个管理员账号。输入你的邮箱、用户名和密码。点击“创建账号”。登录后你就进入了Dify的主控制台。至此Dify平台已经成功部署并运行在你的本地环境中整个过程如果网络顺畅通常在10分钟内可以完成。2.3 常见安装问题排查问题现象可能原因解决方案docker-compose up -d报错提示端口被占用80端口或5432PostgreSQL端口已被其他程序占用。1. 修改docker-compose.yaml中nginx服务的端口映射例如8080:80然后访问http://localhost:8080。2. 停止占用端口的服务或为Dify的PostgreSQL/Redis指定其他端口。访问http://localhost显示“无法连接”或空白页1. 容器尚未完全启动。2. Nginx服务启动失败。3. 防火墙阻止了端口访问。1. 等待几分钟运行docker-compose logs nginx和docker-compose logs web查看日志。2. 检查防火墙设置确保80端口开放Linux:sudo ufw allow 80。注册账号时提示“内部服务器错误”数据库连接失败或初始化未完成。1. 运行docker-compose logs db查看数据库日志。2. 尝试重启服务docker-compose down docker-compose up -d。3. 检查.env文件中的DB_PASSWORD是否包含特殊字符建议使用字母数字组合。上传文档到知识库时非常慢或失败网络问题导致嵌入模型下载慢或向量数据库Weaviate/Chroma内存不足。1. 可以考虑配置使用本地部署的嵌入模型如BAAI/bge-small-zh。2. 在docker-compose.yaml中为weaviate服务增加内存限制或考虑使用更轻量的ChromaDB需修改配置。如果遇到其他问题最有效的排查方法是查看相关容器的日志# 查看所有服务的日志 docker-compose logs # 查看特定服务如api的日志 docker-compose logs api -f # -f 参数可以实时跟踪日志3. Dify核心功能详解与初体验成功登录Dify控制台后你会看到一个清晰的功能导航栏。我们快速过一遍核心模块并完成第一个“Hello World”应用。3.1 控制台概览左侧导航栏主要包含以下模块工作室这是你构建AI应用的核心区域包含“应用”和“工作流”。知识库管理你的文档数据用于构建RAG应用。工具管理自定义的API工具供工作流或Agent调用。模型配置和测试你将要使用的大语言模型LLM和嵌入模型。日志与标注查看应用的历史对话记录并进行人工标注以优化效果。数据集与知识库类似是更高级的数据管理功能。设置系统设置、成员管理、插件市场等。3.2 第一步配置你的第一个大语言模型Dify本身不提供模型你需要接入一个模型服务。我们以使用OpenAI的GPT-3.5-Turbo为例你需要一个OpenAI API Key。也支持通过Ollama、LM Studio等工具部署本地模型。点击左侧导航栏的“模型”。点击页面上的“添加模型”按钮。在弹出窗口中选择“OpenAI”作为模型供应商。填写配置信息模型名称自定义如 “My-GPT-3.5”。模型类型选择 “文本生成”。模型从下拉列表选择gpt-3.5-turbo。API 密钥填入你的OpenAI API Key。API 基础地址默认是https://api.openai.com/v1如果你使用第三方代理需要修改此处。点击“测试”按钮如果显示“连接成功”说明配置正确。点击“保存”。现在你可以在Dify中使用GPT-3.5-Turbo模型了。你可以用同样的方式添加Claude、Gemini或本地Ollama模型。3.3 第二步创建你的第一个对话型应用让我们创建一个最简单的聊天机器人。点击左侧导航栏的“工作室” - “应用”。点击右上角“创建应用”。选择“对话型应用”。输入应用名称例如“我的第一个AI助手”选择刚刚配置的模型“My-GPT-3.5”点击“创建”。进入应用配置页面。这里有很多选项我们先关注最核心的“提示词编排”。系统提示词这里定义AI助手的角色和基础行为准则。例如输入“你是一个乐于助人且幽默的AI助手用中文回答用户的问题。”对话开场白设置用户打开聊天界面时看到的第一个消息例如“你好我是你的AI小助手有什么可以帮你的”其他设置如最大对话轮次、温度等可以先保持默认。点击右上角的“发布”。发布后点击“体验”标签页你就可以在右侧的聊天窗口与你的AI助手对话了恭喜你已经用Dify创建并发布了一个最简单的AI应用。整个过程无需编写任何代码。4. 深入核心工作流Workflow实战对话型应用适合简单的QA场景。但对于复杂的、多步骤的任务就需要用到Dify的王牌功能——工作流。工作流允许你将AI能力、逻辑判断、工具调用等组合成一个可视化的自动化流程。4.1 工作流核心节点介绍在创建工作流之前先了解几个最常用的节点开始节点工作流的入口可以定义用户输入的变量。LLM节点调用大语言模型是工作流的大脑。你可以在这里配置不同的模型和提示词。知识库检索节点从你创建的知识库中检索与问题相关的文档片段。条件判断节点根据变量或LLM的输出决定流程的走向if-else逻辑。代码执行节点可以运行Python或JavaScript代码进行数据处理、计算或调用外部库。HTTP请求节点调用外部API获取实时数据如天气、股票、新闻。变量分配器节点用于设置或修改变量的值。结束节点工作流的出口定义最终返回给用户的结果。4.2 实战项目构建一个智能客服工作流项目目标创建一个能处理用户产品咨询的客服工作流。流程如下用户输入问题。系统首先在知识库中检索相关产品信息。如果找到相关信息则结合知识库内容生成专业回答。如果未找到相关信息则直接让LLM基于通用知识进行回答并提示用户问题可能超出范围。无论哪种情况最后都询问用户“我的回答是否解决了您的问题”。第一步准备知识库在“知识库”模块点击“创建知识库”命名为“产品手册”。上传一份你准备好的产品文档可以是TXT或PDF格式的说明书。Dify会自动进行分段、向量化处理。处理完成后知识库状态变为“可用”。第二步创建工作流在“工作室”-“工作流”中点击“创建工作流”命名为“智能客服流程”。进入工作流画布。你会看到一个“开始”节点和一个“结束”节点。第三步编排工作流节点我们将从左到右拖拽并连接节点。设置开始节点点击“开始”节点在右侧面板的“变量”部分点击“添加”。设置变量名称为user_query类型为“字符串”这代表用户的输入问题。添加知识库检索节点从左侧节点库拖拽一个“知识库检索”节点到画布。将“开始”节点的输出连线拖到该节点上。选中该节点在右侧面板配置知识库选择刚才创建的“产品手册”。查询内容选择变量{{user_query}}。检索模式选择“向量检索”默认。检索条数设置为3。这个节点会输出一个变量比如context包含了检索到的相关文本。添加条件判断节点拖拽一个“条件判断”节点到画布连接到“知识库检索”节点之后。配置判断条件我们想判断知识库是否检索到了相关内容。可以检查context变量是否为空或长度。在“条件”设置中添加一个规则变量选择{{#context}}(这是检索结果的上下文变量具体名称可能因版本略有不同请参考变量选择器)。比较符选择“不为空”。这个节点会有两个输出分支“是”条件满足和“否”条件不满足。添加LLM节点有知识库时从节点库拖拽一个“LLM”节点到画布。将其连接到条件判断节点的“是”分支。配置该LLM节点模型选择你配置好的模型如My-GPT-3.5。上下文选择“添加”。在“角色”中输入“你是一个专业的客服助手”。在“内容”中输入一个包含变量和检索内容的提示词请根据以下产品信息专业且友好地回答用户的问题。 产品信息 {{context}} 用户问题{{user_query}} 请直接给出回答。添加LLM节点无知识库时再拖拽一个“LLM”节点到画布。将其连接到条件判断节点的“否”分支。配置该LLM节点模型同样选择你的模型。上下文选择“添加”。角色“你是一个客服助手”。内容用户提出了一个问题但这个问题不在我们的产品知识库范围内。 用户问题{{user_query}} 请基于你的通用知识尝试回答这个问题并在回答末尾礼貌地提示“由于您的问题可能涉及非产品范围如果未解决您的问题建议您联系人工客服获取进一步帮助。”合并流程并添加最终询问拖拽一个“变量分配器”节点。将两个LLM节点的输出都连接到这个“变量分配器”节点。Dify会自动将其合并。配置“变量分配器”我们用它来整合两个分支的答案。添加一个输出变量例如ai_answer其值设置为{{#last}}这个变量通常代表上一个节点的输出即LLM的回答。再拖拽一个“LLM”节点连接到“变量分配器”之后。配置这个最终的LLM节点模型选择你的模型。上下文添加。角色“你是一个客服助手”。内容这是你对用户问题的回答 {{ai_answer}} 现在请在你的回答后面追加一句询问“我的回答是否解决了您的问题” 注意你只需要输出追加了询问的完整回答不要解释。连接至结束节点将最后一个LLM节点的输出连接到画布右侧的“结束”节点。选中“结束”节点在右侧面板设置“输出”变量。例如添加一个输出变量final_response其值设置为{{#last}}即最后一个LLM节点的输出。第四步调试与运行点击画布右上角的“调试”按钮。在左侧调试面板的“变量”中为user_query输入一个测试问题例如“你们产品的保修期是多久”假设你的知识库文档里有保修信息。点击“运行”。画布上的节点会依次高亮显示执行流程。在右侧“跟踪”面板你可以查看每个节点的输入输出以及最终的final_response。观察流程是否按照“知识库检索 - 条件判断是- 结合知识库回答 - 追加询问”的路径执行。再输入一个知识库中没有的问题如“你们公司老板是谁”观察流程是否会走“否”分支。第五步发布与应用集成调试无误后就可以发布了。点击画布右上角的“发布”。发布后这个工作流就变成了一个可调用的“技能”。你可以作为独立应用在“应用”页面选择“创建工作流应用”然后导入这个工作流。作为API在工作流详情页可以找到API调用地址和密钥。嵌入到其他工作流或对话应用中在其他工作流里可以通过“节点”库中的“工作流”节点来调用这个已发布的工作流。通过这个实战你已经掌握了Dify工作流最核心的编排逻辑基于条件的流程分支和多节点协作。这是构建复杂AI Agent的基础。5. 构建企业级知识库与RAG应用RAG是当前让大模型“落地”的关键技术。Dify让RAG的实现变得极其简单。5.1 创建与优化知识库文档处理Dify支持多种格式。对于中文文档建议在“知识库设置”-“分段处理”中选择更适合中文的分段方式如“按标点符号分段”并调整分段长度和重叠长度以保证语义完整性。可以开启“文档预览”在上传时手动调整分段点。嵌入模型选择在“模型”-“嵌入模型”中可以配置不同的嵌入模型。对于中文BAAI/bge-large-zh或BAAI/bge-small-zh是很好的开源选择。你需要一个能运行这些模型的API服务如通过ModelScope、OpenAI兼容接口。配置好后在知识库的“索引方法”中选择你配置的嵌入模型。向量数据库Docker部署默认使用Weaviate。对于生产环境可以考虑切换到更稳定、支持持久化的PGVector或Qdrant。这需要在docker-compose.yaml中修改配置并迁移数据。5.2 构建一个智能文档问答应用在“应用”页面创建“对话型应用”。在“提示词编排”中最关键的一步是启用“知识库”。在“上下文”区域点击“添加”。在“内容”部分选择“知识库”。关联你创建好的知识库如“产品手册”。配置检索参数如“相似度阈值”、“返回条数”。在“系统提示词”中可以这样写你是一个专业的文档问答助手。请严格根据提供的“参考内容”来回答用户的问题。 如果参考内容中没有相关信息请如实告知用户“根据现有资料我无法回答这个问题”不要编造答案。 回答时请保持专业和清晰。发布并体验。当你提问时Dify会自动从知识库检索相关内容并将其作为“参考内容”插入到提示词中再交给LLM生成答案。5.3 RAG高级技巧提示词工程单纯的检索-拼接-生成可能效果不佳。Dify允许你自定义“提示词模板”优化RAG效果。在知识库的“设置”-“提示词”中你可以修改默认的提示词模板。一个更有效的模板示例请根据以下提供的上下文信息回答用户的问题。如果上下文信息不足以回答问题请直接说“根据提供的资料我无法回答此问题”不要编造答案。 上下文信息 {{context}} 用户问题{{query}} 请用中文回答通过调整模板你可以控制LLM如何利用检索到的上下文比如要求它引用原文、进行总结对比等。6. 高级功能探索工具调用与Agent智能体Agent的核心能力之一是使用工具。Dify支持两种主要方式6.1 内置工具与自定义工具内置工具Dify预置了如“网页搜索”、“维基百科搜索”、“计算器”等工具。你可以在工作流的“工具调用”节点中直接使用。自定义工具HTTP请求节点这是更强大的功能。你可以将任何拥有HTTP API的服务封装成Dify的工具。示例创建一个查询天气的工具。假设你有一个天气APIhttps://api.weather.com/v3/...。在工作流中拖入一个“HTTP请求”节点。配置节点URL:https://api.weather.com/v3/weather/now?city{{city}}keyYOUR_API_KEY方法: GET参数: 在“参数”部分可以定义city变量来自用户输入。处理响应编写一段JavaScript代码从API返回的JSON中提取温度、天气状况等信息并赋值给一个输出变量如weather_info。这样LLM节点就可以在提示词中引用{{weather_info}}来获取实时天气数据。6.2 构建一个简单的Agent结合工具调用和条件判断可以构建能自主决策的Agent。场景一个旅行建议Agent。开始用户输入“我想去北京旅行”。LLM规划第一个LLM节点分析用户意图并输出一个JSON格式的“计划”例如{need_weather: true, need_attraction: true}。条件判断根据计划决定调用哪些工具。并行工具调用如果need_weather为真触发“HTTP请求”节点调用天气API。如果need_attraction为真触发另一个“HTTP请求”节点或“知识库检索”节点查询景点信息。LLM汇总最后一个LLM节点接收所有工具的执行结果生成一份完整的旅行建议给用户。通过工作流将这些节点连接起来你就创建了一个能自动使用外部工具获取信息并综合处理的智能体。7. 生产部署与最佳实践当你完成开发准备将Dify应用投入实际使用时需要考虑以下方面7.1 部署架构优化分离数据库生产环境不建议使用Docker Compose中的内置PostgreSQL和Redis。应该使用云服务商如AWS RDS阿里云RDS或自行维护的高可用数据库实例并在.env中配置外部数据库连接信息。启用持久化存储确保向量数据库如Weaviate和文件上传目录使用Docker Volume或外部存储进行持久化避免容器重启数据丢失。配置域名与HTTPS通过Nginx或云负载均衡器配置域名并申请SSL证书启用HTTPS。资源监控与扩缩容使用docker-compose的deploy配置或Kubernetes来管理服务副本数应对流量变化。监控CPU、内存和API响应时间。7.2 安全与权限修改默认密码务必修改.env中的DB_PASSWORD、REDIS_PASSWORD等默认密码。API密钥管理不要在代码或配置文件中硬编码模型API密钥。可以使用Dify的环境变量功能或结合Vault等密钥管理工具。访问控制Dify企业版支持更细粒度的团队和角色权限管理。社区版可以通过反向代理如Nginx配置基础的身份验证。审计日志定期检查Dify操作日志和对话日志监控异常行为。7.3 性能与成本优化模型选择根据场景选择性价比合适的模型。简单的分类任务可能不需要GPT-4GPT-3.5-Turbo或更小的开源模型可能更划算。缓存策略对频繁出现的相似用户查询可以考虑在应用层或通过Dify的变量机制实现回答缓存减少对LLM和知识库的调用。异步处理对于耗时的任务如文档索引、长文本生成考虑使用工作流的异步触发或通过消息队列处理避免阻塞HTTP请求。知识库优化文档预处理上传前尽量清洗文档格式去除无关内容。分段策略调优根据文档类型调整分段大小和重叠区平衡检索精度和上下文完整性。混合检索结合关键词检索全文搜索和向量检索提升召回率。7.4 持续迭代与评估利用标注功能在“日志与标注”中对模型的回答进行点赞√或点踩×。这些反馈数据可以用于后续的提示词优化和模型微调。A/B测试对于关键应用可以创建不同提示词或不同模型版本的应用进行A/B测试用数据选择效果更好的方案。版本管理Dify的工作流和应用发布后会生成版本。在做出重大修改前可以先发布一个新版本进行测试而不是直接覆盖线上版本。从本地开发到生产部署Dify提供了一条平滑的路径。它抽象了底层复杂性让你能持续专注于AI应用本身的价值创造——快速迭代、测试想法、收集反馈并不断优化。无论是个人项目还是企业级应用Dify都能显著提升你的AI开发效率。现在就从创建一个简单的对话应用开始逐步探索其强大的工作流和Agent能力将你的AI想法变为现实吧。 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