一、Dify 是什么

Dify 是一款開源的大語言模型（LLM）應用開發平臺，融合后端即服務（Backend as Service）與 LLMOps 理念，支持零代碼 / 低代碼構建生產級 AI 應用 。

其命名源自 “Define + Modify”，寓意 “定義并持續優化 AI 應用”，同時強調 “為你而做”（Do it for you）的開發體驗 。

它的核心價值在于降低 AI 開發門檻，通過可視化界面實現工作流編排、RAG 引擎搭建及多模型集成，覆蓋從原型設計到生產部署的全生命周期管理。

它還支持云端 SaaS 與私有化部署雙模式，滿足個人開發者快速驗證與企業級數據安全需求 。

二、安裝與部署

2.1 云端 SaaS 版（快速入門）

1. 適用人群：特別適合非技術用戶，或者用于功能驗證。
2. 操作步驟：

• 訪問 Dify 官網（https://dify.ai ），點擊右上角 “Sign Up”。
• 支持郵箱注冊或使用第三方賬號（GitHub/Google）登錄。
• 免費版權益：擁有 200 次 GPT-4 調用額度、5MB 知識庫存儲空間以及基礎工作流功能。

2.2 私有化部署（企業級方案）

1. 適用場景：適用于對數據敏感的場景，通過 Docker 容器化部署。
2. 通用步驟

# 拉取源碼
git clone https://github.com/langgenius/dify.gitcd dify/docker# 復制環境配置文件
cp.env.example.env# 啟動服務（后臺運行）
docker compose up -d

部署完成后，訪問 http://localhost/install 初始化管理員賬號（密碼需包含大小寫字母 + 特殊符號）。

3. 分操作系統指南

• Windows：

  • 需先啟用 WSL2：進入控制面板→程序→啟用或關閉 Windows 功能→勾選 “適用于 Linux 的 Windows 子系統”“虛擬機平臺”。
  • 安裝 Docker Desktop（從官網下載），并在設置中啟用 WSL2 集成。
  • 打開 WSL 終端，執行上述通用步驟。若端口沖突（默認 80 端口），修改.env文件中的EXPOSE_NGINX_PORT=8080后重啟。

• macOS：

  • 安裝 Docker Desktop（官網下載），拖拽至應用文件夾。
  • 終端執行通用步驟，首次啟動需授權 Docker 權限。
  • 驗證容器狀態：docker compose ps，確保 api/worker/web 等服務狀態為 “Up”。

• Linux（Ubuntu）：

# 安裝 Docker 與 Docker Compose
sudo apt update && sudo apt install docker.io docker-compose -ysudo systemctl enable --now docker# 允許當前用戶管理Docker（需重啟終端）
sudo usermod -aG docker $USER# 執行通用部署步驟
git clone https://github.com/langgenius/dify.gitcd dify/docker && cp.env.example.env && docker compose up -d

三、界面導航與核心模塊

3.1 控制臺概覽

登錄后進入主控臺，核心模塊包括：

1. 應用：可在此創建 / 管理 AI 應用，如聊天助手、Agent、工作流等。
2. 知識庫：用于上傳文檔、配置檢索策略（匹配數量 / 相似度閾值）。
3. 工具：集成第三方服務，例如 MCP 服務、代碼解釋器、聯網搜索等。
4. 設置：進行模型供應商配置、團隊權限設置以及安全策略（SSL/2FA）設置。

3.2 核心功能模塊詳解

3.2.1 知識庫（RAG 引擎）

1. 支持文檔格式：支持上傳 PDF/Word/Excel/TXT 等文檔。
2. 文檔處理：自動切片（默認 500 字符 / 塊）、向量化存儲（基于 Weaviate 向量庫）。
3. 關鍵配置：

• 檢索策略：采用混合檢索（關鍵詞匹配 + 向量相似度）、重排序（Rerank）提升 Top-K 準確率。
• 訪問控制：可按團隊 / 角色設置文檔可見范圍，比如法務文檔僅合規部門訪問。
• 動態更新：文檔修改后自動同步索引，無需重新上傳。

3.2.2 工作流編排

通過拖拽節點可視化設計 AI 流程，支持：

• 邏輯節點：條件分支（if-else）、循環迭代、變量賦值。
• 工具節點：HTTP 請求（調用外部 API）、代碼執行（Python 沙箱）、知識庫檢索。
• 模型節點：集成 GPT-4/Claude/ 本地模型（如 DeepSeek-R1），支持流式輸出。

3.2.3 模型管理

支持 100 + 模型供應商，包括：

1. 閉源模型：如 OpenAI（GPT-4o）、Anthropic（Claude 3.5）、阿里云通義千問。
2. 開源模型：通過 Ollama 部署本地模型（如 Llama 3、DeepSeek-R1:7b），配置示例：

# Ollama本地模型啟動（需先安裝Ollama）
ollama run deepseek-r1:7b

在 Dify “模型供應商” 中添加 Ollama，Base URL 填寫http://host.docker.internal:11434，模型名稱填deepseek-r1:7b。

四、創建第一個 AI 應用

場景示例：電商客服助手

目標：搭建能回答退貨政策、商品保修等問題的智能客服，無需編寫代碼。

Step 1：創建應用

• 主控臺點擊 “創建應用”，選擇類型 “聊天助手”，命名 “電商客服助手”。
• 選擇模型：免費版可先用 GPT-3.5-turbo，企業用戶可配置私有模型（如通義千問）。

Step 2：上傳知識庫

• 進入 “知識庫”→“添加數據集”，上傳《退貨政策.docx》《商品手冊.pdf》等相關文檔。
• 文檔處理：默認 “通用” 分段策略，點擊 “預覽塊” 確認切片是否符合預期。

Step 3：設置回復邏輯（可選）

• 若需要更復雜的回復邏輯，可進入工作流編排界面。
• 通過拖拽節點設置，如當用戶提問時，先進行知識庫檢索節點，若檢索到相關內容，則直接返回；若未檢索到，再調用大語言模型進行回答。

Step 4：測試與優化

• 在應用界面進行測試，輸入諸如 “商品如何退貨”“保修政策是怎樣的” 等問題，查看回復是否準確。
• 若回復不理想，檢查知識庫文檔切片是否合理，或者調整工作流節點設置，如優化大語言模型的提示詞等。

Step 5：發布應用

• 測試通過后，點擊 “發布”。
• 發布后可獲得應用的 Web 鏈接或者 API，可將其集成到電商網站等平臺中，為用戶提供服務。

五、Dify 應用類型

5.1 Chatbot（聊天助手）

1. 特點：能夠與用戶進行多輪對話，理解用戶意圖并提供相應回答。常用于客服場景，可快速響應用戶咨詢，解決常見問題。
2. 創建要點：在創建時，需重點設置初始問候語，引導用戶進行交互。同時，合理配置知識庫，使其能根據用戶問題從知識庫中準確檢索信息并回復。例如電商客服聊天機器人，要確保將產品信息、售后政策等文檔準確上傳至知識庫。

5.2 Text Generator（文本生成）

1. 特點：根據用戶輸入的提示或要求，生成特定類型的文本，如文章、報告、故事等。適用于內容創作領域，可快速生成初稿，提高創作效率。
2. 創建要點：設置好生成文本的風格、長度等參數。比如創建一個新聞稿生成器，要明確新聞稿的語言風格（正式、活潑等）、字數要求，以及可能需要提供一些新聞事件的關鍵信息作為生成的基礎。

5.3 Agent

1. 特點：具備自主決策和執行任務的能力，可調用多種工具和服務來完成復雜任務。例如可以調用搜索引擎獲取實時信息，調用代碼執行工具運行代碼等。
2. 創建要點：需要精心設計 Agent 的任務流程和工具調用邏輯。例如創建一個智能投資 Agent，要設置其在獲取市場數據后，如何分析數據、根據分析結果調用交易工具進行操作等流程。

5.4 Chatflow

1. 特點：側重于定義對話流程，可根據用戶不同的輸入路徑，引導對話走向不同分支，實現個性化對話體驗。
2. 創建要點：仔細規劃對話的各個分支和節點，確保對話邏輯清晰、流暢。比如設計一個旅游咨詢 Chatflow，當用戶選擇不同旅游目的地時，能引導其進入相應的景點介紹、交通推薦等不同分支。

5.5 Workflow（工作流）

1. 特點：通過可視化的方式編排各種節點，實現復雜的業務邏輯自動化。可串聯多個模型調用、數據處理、工具執行等操作。
2. 創建要點：梳理清楚整個業務流程，選擇合適的節點進行連接和配置。例如構建一個數據分析 Workflow，可能需要依次連接數據獲取節點（如從數據庫讀取數據）、數據清洗節點、數據分析模型節點（如使用統計模型進行分析）以及結果輸出節點（如生成報告）。

六、使用 Dify 的一些技巧

6.1 提示詞工程

1. 在 Dify 的提示詞 IDE 中，精心設計提示詞模板。例如在文本生成任務中，添加詳細的示例可以實現 One-Shot Learning。比如讓模型生成產品推廣文案，可在提示詞中先給出一個其他產品推廣文案的優秀示例，然后引導模型按照類似風格生成目標產品的文案。
2. 合理使用變量插值，使提示詞能根據不同的輸入動態變化。例如在客服場景中，提示詞可以根據用戶咨詢的產品型號變量，針對性地從知識庫中檢索該型號產品的相關信息并回復。

6.2 模型選擇與調優

1. 根據不同的任務需求選擇合適的模型。如處理圖像相關的任務（如票據識別），可選用多模態模型 Qwen2-VL；進行長文本生成任務時，GPT-4 可能效果更佳。
2. 對于一些模型，可通過調整參數來優化性能。比如某些開源模型可以調整溫度參數（temperature），溫度越低，生成的文本越確定、保守；溫度越高，生成的文本越具多樣性，但也可能更隨機、不準確。在實際應用中，需根據生成文本的需求來調整該參數。

6.3 插件使用

1. 充分利用插件市場（Marketplace）中的插件來擴展應用能力。例如使用 Google SERP 搜索插件，可讓應用在回答用戶問題時，獲取最新的網絡搜索結果，增強回答的時效性和準確性。
2. 若現有插件無法滿足需求，還可以開發自定義插件。比如企業內部有特定的業務系統，可開發插件將 Dify 與該系統連接，實現數據交互和業務流程自動化。

七、常見問題解答

7.1 部署問題

1. 端口沖突
   在私有化部署時，遇到端口沖突（如默認 80 端口被占用）:

   • 在 Windows 系統中，修改.env文件中的EXPOSE_NGINX_PORT為其他未被占用的端口，如 8080，然后重啟服務。
   • 在 Linux 或 macOS 系統中，也可通過類似方式修改端口配置。

2. 鏡像拉取失敗

   • 可能由于網絡問題導致鏡像拉取失敗。可嘗試更換網絡環境，或者使用國內的鏡像源。
   • 例如在 Docker 配置中添加國內鏡像源地址，如阿里云的鏡像源。

7.2 應用運行問題

1. 回答不準確

   • 檢查知識庫文檔的切片是否合理，若切片過大或過小，可能影響檢索準確性。同時，優化提示詞，確保能引導模型給出準確回答。
   • 另外，檢查模型的選擇是否合適，不同模型在不同領域的表現可能有所差異。

2. 應用響應慢

   • 若使用的是云端模型且調用量較大，可能會出現排隊等待的情況，導致響應變慢。可考慮優化工作流，減少不必要的模型調用次數。對于一些可并行處理的任務，通過設置并行節點來提高效率。
   • 若使用本地模型，檢查服務器的硬件配置是否足夠，如 CPU、內存等資源是否緊張，必要時升級硬件配置。