30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度你是否曾想过能否像搭积木一样通过拖拽几个模块就快速构建出一个能理解你业务、处理复杂逻辑的智能AI应用比如一个能自动分析周报并生成总结的助手或是一个能根据用户问题检索内部知识库并给出精准回答的客服机器人。在过去这需要你精通Python、熟悉LangChain等框架、理解向量数据库甚至还要处理API调用和前后端部署门槛极高。但现在一个名为Dify的开源平台正在改变这一切。它并非又一个简单的“AI包装器”而是一个由国内团队打造的、生产级的Agentic工作流开发平台。其核心价值在于将复杂的AI应用开发从“写代码”变成了“画流程图”。你无需深入LLM的底层API也无需纠结于RAG检索增强生成的工程细节通过可视化拖拽就能串联起大模型、工具、知识库和逻辑判断构建出可直接投入生产的AI智能体。更关键的是Dify宣称支持“几百个LLM”从OpenAI、Anthropic的闭源模型到通义千问、DeepSeek等国内模型再到本地部署的Llama、Qwen等开源模型几乎实现了全覆盖。这解决了开发者最头疼的模型选型和切换成本问题。本文将为你彻底拆解Dify它到底是什么为何能被称为“神器”如何从零开始上手并避开那些新手必踩的坑我们将通过一个完整的实战案例带你体验用Dify在10分钟内构建一个智能工作流的过程。1. Dify 究竟是什么重新定义AI应用开发范式在深入实操之前我们必须先厘清Dify的定位。它不是一个聊天界面也不是一个单纯的Prompt管理工具。根据其官方定义和社区共识Dify是一个“生产级Agentic工作流开发平台”。让我们拆解这个定义生产级意味着它关注应用的监控、日志、版本管理、团队协作和可扩展性并非玩具。Agentic强调其核心是构建具备自主规划、工具调用能力的智能体Agent而不仅仅是简单的问答。工作流这是Dify的灵魂。它允许你将AI能力编排成有向无环图一个节点的输出可以作为另一个节点的输入实现复杂的多步骤任务。开发平台它提供了一整套从构思、开发、测试到部署、监控的工具链。那么Dify到底解决了什么痛点传统开发一个AI应用你需要1选择并接入LLM API2构建Prompt工程3集成向量数据库实现RAG4编写业务逻辑代码串联一切5搭建前端界面6处理部署和运维。Dify将步骤2、3、4、5全部可视化、模块化。它把LLM调用、知识库检索、代码执行、条件判断、HTTP请求等封装成一个个“节点”。你只需要在画布上拖拽这些节点用连线定义它们之间的数据流一个功能完整的AI应用就诞生了。这极大地降低了AI应用的原型验证和工程化门槛。2. 核心概念与架构拆解要高效使用Dify需要理解其三个核心概念应用App、工作流Workflow和知识库Knowledge Base。2.1 三大核心构件应用这是最终交付给用户的产物。一个应用可以基于一个简单的对话提示词Chat App也可以基于一个复杂的工作流Workflow App。你可以为应用设置名称、图标、访问权限和公开分享链接。工作流这是Dify最强大的部分。一个工作流由多个节点组成每个节点代表一个处理单元。常见的节点类型包括LLM节点调用大模型是工作流的大脑。知识库检索节点从你上传的文档中查找相关信息。代码执行节点运行Python代码片段处理数据或调用库。HTTP请求节点调用外部API获取实时数据如天气、股票。条件判断节点根据变量值决定流程走向。变量分配节点设置和修改变量的值。知识库用于构建RAG应用的核心。你可以上传TXT、PDF、Word、PPT等多种格式的文档Dify会自动进行文本分割、向量化嵌入并存入向量数据库默认使用ChromaDB。当用户提问时系统会先从知识库中检索最相关的片段再连同问题和上下文一起发送给LLM从而生成基于你私有知识的准确回答。2.2 技术架构与集成能力Dify采用前后端分离的架构后端使用PythonFastAPI前端使用TypeScriptReact。它通过“模型供应商”的概念抽象了不同LLM的API差异使得切换模型就像在下拉框中选择一样简单。其强大的集成能力体现在模型支持正如标题所说支持数百个LLM。包括OpenAI GPT系列、Anthropic Claude系列、国内主流的通义千问、智谱GLM、DeepSeek以及通过Ollama、vLLM等本地部署的开源模型。工具扩展除了内置的代码执行、网页搜索等工具还支持通过插件机制集成自定义工具或连接外部系统。数据源支持连接数据库、Notion、飞书文档等多种数据源实现数据的实时读取和处理。部署灵活性支持Docker Compose、Kubernetes部署也提供云服务Dify Cloud满足从个人体验到企业级的不同需求。3. 环境准备与安装部署Dify提供了多种部署方式为了最快速地体验和开发我们推荐使用Docker Compose进行本地部署。这是最接近生产环境且易于管理的方式。3.1 系统要求与前置条件操作系统Linux (Ubuntu 20.04/CentOS 7), macOS, 或 Windows (WSL2 推荐)。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 4GB 空闲内存2核CPU。如果需要运行本地大模型则需要更高的配置。网络能够访问 Docker Hub 和所需的模型API如OpenAI。首先确保你的系统已安装Docker和Docker Compose。可以通过以下命令检查docker --version docker-compose --version3.2 使用 Docker Compose 一键部署这是最官方、最推荐的方式。只需几步即可完成。克隆仓库并进入目录git clone https://github.com/langgenius/dify.git cd dify/docker启动服务 使用docker-compose命令启动所有服务包括前端、后端、数据库等。docker-compose up -d首次运行会拉取所有镜像可能需要几分钟时间。验证部署 等待所有容器启动完成后在浏览器中访问http://localhost:3000。你应该能看到Dify的登录界面。默认管理员账号adminexample.com默认密码password重要首次登录后请务必立即修改默认密码查看日志与状态 如果需要排查问题可以查看特定服务的日志。# 查看所有服务日志 docker-compose logs -f # 仅查看后端API服务日志 docker-compose logs -f api3.3 配置关键模型供应商部署完成后第一件要做的事就是配置LLM。进入Dify控制台点击左下角“设置” - “模型供应商”。配置OpenAI如果你有OpenAI API Key选择“OpenAI”填入你的API Key和Base URL如果你使用第三方代理。模型选择列表会随之更新。配置本地模型如果你在本地通过Ollama运行了Llama 3等模型可以选择“Ollama”API Base URL填写http://host.docker.internal:11434这是从Docker容器内部访问宿主机Ollama服务的方式。配置国内模型选择“通义千问”、“智谱AI”等填入相应的API Key即可。关键提示Dify支持同时配置多个供应商。在工作流中你可以为不同的LLM节点选择不同的供应商和模型实现灵活的模型调度。4. 第一个实战构建智能周报分析助手理论说再多不如动手一试。我们将构建一个智能周报分析助手它能够1接收用户上传的周报文本2自动总结本周工作亮点和待办事项3根据工作内容生成下周的工作计划建议。4.1 创建应用与工作流登录Dify点击“创建应用”。选择“工作流”类型命名为“智能周报分析助手”。点击进入刚刚创建的应用你会看到一个空白的画布。4.2 拖拽构建工作流我们的工作流将包含以下节点请按顺序拖拽到画布上并连接开始节点工作流的入口。文本输入节点用于接收用户输入的周报文本。将其重命名为“输入周报”。LLM节点用于总结亮点和待办。将其连接到“输入周报”节点。变量分配节点将LLM的总结结果存储到一个变量中供后续节点使用。另一个LLM节点用于生成下周计划建议。将其连接到“变量分配”节点。文本输出节点用于向用户展示最终结果。将其连接到第二个LLM节点。结束节点工作流的出口。连接完成后你的画布应该类似下图想象中的流程图[开始] - [输入周报] - [LLM节点1: 总结] - [变量分配: 存储总结] - [LLM节点2: 生成计划] - [文本输出] - [结束]4.3 配置关键节点这是核心步骤我们重点配置两个LLM节点。配置第一个LLM节点总结周报点击画布上的第一个LLM节点。在右侧面板的“模型”部分选择你已配置好的供应商和模型例如GPT-4。在“提示词”区域输入以下内容你是一个高效的项目经理助理。请分析以下周报内容并严格按以下格式输出 ## 本周工作亮点 - [列出1-3项核心成果] ## 本周待办事项 - [列出未完成或需跟进的事项] ## 风险与问题 - [列出任何潜在风险或阻塞点] 周报内容 {#input#}{#input#}是一个变量它会自动绑定到上一个节点即“输入周报”节点的输出。配置变量分配节点点击变量分配节点。在右侧面板点击“添加变量”。变量名设置为weekly_summary值选择为“上一节点输出”即第一个LLM节点的完整回复。配置第二个LLM节点生成计划点击第二个LLM节点。选择模型。在提示词区域输入基于以下对本周工作的总结为下周制定一个具体、可执行的工作计划建议。 请按优先级排序并确保每个建议都是可操作的。 本周总结 {weekly_summary} 请输出 ## 下周工作计划建议 - [建议1] - [建议2] - [建议3]配置文本输出节点点击文本输出节点。在“答案”区域你可以简单地选择“上一节点输出”也可以使用更复杂的模板例如{#前一个LLM节点的输出#}这里我们选择“上一节点输出”即可。4.4 运行与测试点击画布右上角的“保存”按钮。然后点击“发布”按钮将工作流发布为一个版本。点击顶部的“聊天”标签页切换到测试界面。在底部的输入框粘贴一段示例周报文本例如本周主要完成了项目A的API接口开发与联调已通过测试。完成了项目B的需求评审文档初稿。与设计团队讨论了新版UI方案尚未定稿。遇到的主要问题是第三方服务响应不稳定已反馈给对方。点击发送。稍等片刻你将收到一个结构清晰、包含总结和计划建议的回复。通过这个简单的例子你已经体验了Dify如何将多个LLM调用和逻辑处理串联成一个自动化流程。而这仅仅是个开始。5. 进阶实战构建基于知识库的智能客服机器人单一的工作流已经很强大了但结合知识库RAG才能释放Dify在企业级场景的真正潜力。我们来构建一个能回答特定领域比如“公司内部IT政策”问题的客服机器人。5.1 创建并配置知识库在Dify主界面进入“知识库”模块点击“创建知识库”。命名为“公司IT政策手册”并选择嵌入模型默认即可。创建后进入知识库点击“上传文件”。你可以上传公司的IT政策PDF、员工手册Word文档等。Dify会自动进行文本解析、分块和向量化。上传完成后点击“处理”按钮等待状态变为“已索引”。5.2 创建工作流集成知识库回到“应用”页面创建一个新的“工作流”应用命名为“IT政策问答机器人”。在画布上构建如下流程[开始] - [问题输入] - [知识库检索节点] - [LLM节点] - [答案输出] - [结束]配置知识库检索节点选择我们刚创建的“公司IT政策手册”知识库。设置“检索模式”通常“向量检索”即可。可以调整“最大召回数量”和“相似度阈值”来平衡召回率和精准度。在“查询变量”中绑定到“问题输入”节点的输出。配置LLM节点提示词是关键。我们需要设计一个“系统提示词”来指导LLM如何利用检索到的上下文。你是一个专业的IT支持助手。请严格根据提供的“参考信息”来回答用户关于公司IT政策的问题。 如果参考信息中包含答案请用友好、清晰的语言总结并回答。 如果参考信息中不包含答案或者答案不明确请直接说“根据现有的政策手册我无法找到相关答案建议您联系IT部门确认。” 不要编造信息。 参考信息 {context} 用户问题 {query} 请用中文回答这里{context}变量会自动绑定到“知识库检索节点”的输出即检索到的文档片段。{query}绑定到用户的问题。5.3 测试RAG效果发布并测试你的机器人。提问“公司规定的VPN使用政策是什么”预期如果知识库中有相关文档机器人会提取关键信息并回答。提问“我明天可以带宠物来上班吗”预期如果知识库中没有机器人会礼貌地表示无法回答。这个机器人现在具备了基于私有知识准确回答问题的能力并且不会产生“幻觉”胡编乱造。你可以通过持续更新知识库来维护它的知识体系。6. 高级特性探索Agent、工具与API发布当你熟悉了基础工作流和知识库后可以探索Dify更强大的功能。6.1 构建具备工具调用能力的AgentDify支持让LLM节点具备“工具调用”能力。例如你可以让Agent在回答天气问题时先调用一个“获取实时天气”的工具。创建工具在“工具”模块你可以创建自定义工具。一个工具本质上是一个HTTP端点或一个函数。Dify内置了“网页搜索”、“代码执行”等工具。在工作流中启用工具在LLM节点的配置中开启“工具”选项并勾选你创建或内置的工具。设计提示词在提示词中鼓励LLM在需要时使用工具。例如“如果你需要查询实时信息请使用‘网页搜索’工具。”运行当你问“北京今天天气怎么样”LLM节点会先调用天气API工具获取数据再将数据整合进最终回复中。6.2 将应用发布为APIDify构建的应用不仅是Web界面还可以作为API服务集成到你的其他系统中。在应用配置页面找到“API访问”部分。点击“创建API密钥”生成一个密钥。你会获得一个API端点Endpoint和文档。你可以使用cURL、Python requests等任何HTTP客户端来调用。curl -X POST \ https://your-dify-domain/v1/chat-messages \ -H Authorization: Bearer your-api-key \ -H Content-Type: application/json \ -d { inputs: {}, query: 你好请总结这份周报..., response_mode: blocking, conversation_id: , user: user-123 }这为你的AI应用提供了极大的灵活性可以嵌入到企业微信、钉钉、自有APP或网站中。6.3 版本管理与监控Dify提供了企业级的功能版本管理每次发布工作流都会生成一个版本你可以回滚到任何历史版本。日志与标注查看每一次对话的详细日志包括每个节点的输入输出。可以对回答进行“好评/差评”标注用于后续的模型微调或提示词优化。监控仪表盘查看应用的使用量、Token消耗、响应时间等指标。7. 常见问题与故障排查在实践过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案应用启动失败访问localhost:3000无响应Docker容器未成功启动或端口冲突运行docker-compose ps查看容器状态。运行docker-compose logs查看错误日志。检查端口3000、5000是否被占用。确保Docker内存分配足够至少4GB。根据日志错误信息解决依赖问题。知识库文件上传后一直“处理中”文本解析或向量化过程出错嵌入模型服务异常。查看api服务的日志通常会有更详细的错误信息。检查知识库处理队列。确认文件格式支持。尝试重新上传或分割成更小的文件。检查嵌入模型配置是否正确。LLM节点调用超时或无响应API Key错误网络问题模型供应商服务不稳定提示词过长导致超时。在Dify的“日志与标注”中查看该次调用的详细请求和响应。测试直接使用该API Key调用模型。检查API Key和Base URL配置。简化提示词或调整超时设置。考虑使用响应更快的模型。工作流运行结果不符合预期节点连接顺序错误变量绑定错误提示词设计不佳。使用画布上的“调试”功能逐步运行并查看每个节点的输入输出。仔细检查节点间的连线。确认变量名引用正确。迭代优化提示词增加更明确的指令和格式要求。本地模型如Ollama连接失败Docker网络配置问题容器无法访问宿主机服务。在Dify容器内执行curl http://host.docker.internal:11434/api/tags测试连通性。确保Ollama在宿主机运行。对于Linux可能需要使用--add-hosthost.docker.internal:host-gateway参数启动Docker。或直接使用宿主机IP代替host.docker.internal。8. 最佳实践与工程建议为了让你的Dify应用更健壮、更高效请遵循以下建议提示词工程结构化输出像我们之前的例子一样明确要求LLM按特定格式如Markdown列表、JSON输出便于后续节点解析。提供示例在提示词中给出1-2个输入输出的例子Few-Shot Learning能极大提升模型表现。角色设定明确告诉模型“你是一个XX专家”赋予其角色回答会更专业。工作流设计模块化将复杂流程拆分成子工作流提高可复用性和可维护性。错误处理在工作流中增加“条件判断”节点检查上游节点的输出是否有效并设计错误分支流程。变量管理为变量使用清晰、一致的命名规则如user_query,search_results,final_answer。知识库优化文档预处理上传前尽量保证文档格式整洁。对于复杂PDF可先转换为Markdown或纯文本。分块策略根据文档类型调整文本分割的大小和重叠度。技术文档可能适合小分块而连贯性强的文章适合大分块。混合检索对于关键知识可以结合“向量检索”语义相似和“关键词检索”精确匹配来提高召回准确率。生产环境部署安全第一务必修改默认密码和密钥。启用HTTPS。仔细配置API访问权限和速率限制。资源隔离为Dify的数据库、Redis等使用独立的持久化卷Volume。监控与告警利用Dify的日志和指标并集成到现有的监控系统如PrometheusGrafana。备份定期备份Dify的数据库。团队协作利用Dify的“团队”功能管理成员权限开发者、运营、只读等。建立标准的应用开发、测试、发布流程。Dify的出现极大地弥合了AI潜力与工程落地之间的鸿沟。它让产品经理、运营人员也能直接参与AI应用的构建同时为开发者提供了强大的扩展性和工程控制力。无论是快速验证一个AI想法还是构建一个需要投入生产的复杂智能体系统Dify都提供了一个高效、可视化的解决方案。从今天开始尝试用Dify将你的下一个AI想法“拖拽”成现实。你可以从构建一个简单的个人知识管理助手开始逐步探索更复杂的业务自动化流程。记住最好的学习方式就是动手实践。如果在过程中遇到问题其活跃的GitHub社区和Discord频道是寻找答案的好去处。 30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度
30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度你是否曾想过能否像搭积木一样通过拖拽几个模块就快速构建出一个能理解你业务、处理复杂逻辑的智能AI应用比如一个能自动分析周报并生成总结的助手或是一个能根据用户问题检索内部知识库并给出精准回答的客服机器人。在过去这需要你精通Python、熟悉LangChain等框架、理解向量数据库甚至还要处理API调用和前后端部署门槛极高。但现在一个名为Dify的开源平台正在改变这一切。它并非又一个简单的“AI包装器”而是一个由国内团队打造的、生产级的Agentic工作流开发平台。其核心价值在于将复杂的AI应用开发从“写代码”变成了“画流程图”。你无需深入LLM的底层API也无需纠结于RAG检索增强生成的工程细节通过可视化拖拽就能串联起大模型、工具、知识库和逻辑判断构建出可直接投入生产的AI智能体。更关键的是Dify宣称支持“几百个LLM”从OpenAI、Anthropic的闭源模型到通义千问、DeepSeek等国内模型再到本地部署的Llama、Qwen等开源模型几乎实现了全覆盖。这解决了开发者最头疼的模型选型和切换成本问题。本文将为你彻底拆解Dify它到底是什么为何能被称为“神器”如何从零开始上手并避开那些新手必踩的坑我们将通过一个完整的实战案例带你体验用Dify在10分钟内构建一个智能工作流的过程。1. Dify 究竟是什么重新定义AI应用开发范式在深入实操之前我们必须先厘清Dify的定位。它不是一个聊天界面也不是一个单纯的Prompt管理工具。根据其官方定义和社区共识Dify是一个“生产级Agentic工作流开发平台”。让我们拆解这个定义生产级意味着它关注应用的监控、日志、版本管理、团队协作和可扩展性并非玩具。Agentic强调其核心是构建具备自主规划、工具调用能力的智能体Agent而不仅仅是简单的问答。工作流这是Dify的灵魂。它允许你将AI能力编排成有向无环图一个节点的输出可以作为另一个节点的输入实现复杂的多步骤任务。开发平台它提供了一整套从构思、开发、测试到部署、监控的工具链。那么Dify到底解决了什么痛点传统开发一个AI应用你需要1选择并接入LLM API2构建Prompt工程3集成向量数据库实现RAG4编写业务逻辑代码串联一切5搭建前端界面6处理部署和运维。Dify将步骤2、3、4、5全部可视化、模块化。它把LLM调用、知识库检索、代码执行、条件判断、HTTP请求等封装成一个个“节点”。你只需要在画布上拖拽这些节点用连线定义它们之间的数据流一个功能完整的AI应用就诞生了。这极大地降低了AI应用的原型验证和工程化门槛。2. 核心概念与架构拆解要高效使用Dify需要理解其三个核心概念应用App、工作流Workflow和知识库Knowledge Base。2.1 三大核心构件应用这是最终交付给用户的产物。一个应用可以基于一个简单的对话提示词Chat App也可以基于一个复杂的工作流Workflow App。你可以为应用设置名称、图标、访问权限和公开分享链接。工作流这是Dify最强大的部分。一个工作流由多个节点组成每个节点代表一个处理单元。常见的节点类型包括LLM节点调用大模型是工作流的大脑。知识库检索节点从你上传的文档中查找相关信息。代码执行节点运行Python代码片段处理数据或调用库。HTTP请求节点调用外部API获取实时数据如天气、股票。条件判断节点根据变量值决定流程走向。变量分配节点设置和修改变量的值。知识库用于构建RAG应用的核心。你可以上传TXT、PDF、Word、PPT等多种格式的文档Dify会自动进行文本分割、向量化嵌入并存入向量数据库默认使用ChromaDB。当用户提问时系统会先从知识库中检索最相关的片段再连同问题和上下文一起发送给LLM从而生成基于你私有知识的准确回答。2.2 技术架构与集成能力Dify采用前后端分离的架构后端使用PythonFastAPI前端使用TypeScriptReact。它通过“模型供应商”的概念抽象了不同LLM的API差异使得切换模型就像在下拉框中选择一样简单。其强大的集成能力体现在模型支持正如标题所说支持数百个LLM。包括OpenAI GPT系列、Anthropic Claude系列、国内主流的通义千问、智谱GLM、DeepSeek以及通过Ollama、vLLM等本地部署的开源模型。工具扩展除了内置的代码执行、网页搜索等工具还支持通过插件机制集成自定义工具或连接外部系统。数据源支持连接数据库、Notion、飞书文档等多种数据源实现数据的实时读取和处理。部署灵活性支持Docker Compose、Kubernetes部署也提供云服务Dify Cloud满足从个人体验到企业级的不同需求。3. 环境准备与安装部署Dify提供了多种部署方式为了最快速地体验和开发我们推荐使用Docker Compose进行本地部署。这是最接近生产环境且易于管理的方式。3.1 系统要求与前置条件操作系统Linux (Ubuntu 20.04/CentOS 7), macOS, 或 Windows (WSL2 推荐)。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 4GB 空闲内存2核CPU。如果需要运行本地大模型则需要更高的配置。网络能够访问 Docker Hub 和所需的模型API如OpenAI。首先确保你的系统已安装Docker和Docker Compose。可以通过以下命令检查docker --version docker-compose --version3.2 使用 Docker Compose 一键部署这是最官方、最推荐的方式。只需几步即可完成。克隆仓库并进入目录git clone https://github.com/langgenius/dify.git cd dify/docker启动服务 使用docker-compose命令启动所有服务包括前端、后端、数据库等。docker-compose up -d首次运行会拉取所有镜像可能需要几分钟时间。验证部署 等待所有容器启动完成后在浏览器中访问http://localhost:3000。你应该能看到Dify的登录界面。默认管理员账号adminexample.com默认密码password重要首次登录后请务必立即修改默认密码查看日志与状态 如果需要排查问题可以查看特定服务的日志。# 查看所有服务日志 docker-compose logs -f # 仅查看后端API服务日志 docker-compose logs -f api3.3 配置关键模型供应商部署完成后第一件要做的事就是配置LLM。进入Dify控制台点击左下角“设置” - “模型供应商”。配置OpenAI如果你有OpenAI API Key选择“OpenAI”填入你的API Key和Base URL如果你使用第三方代理。模型选择列表会随之更新。配置本地模型如果你在本地通过Ollama运行了Llama 3等模型可以选择“Ollama”API Base URL填写http://host.docker.internal:11434这是从Docker容器内部访问宿主机Ollama服务的方式。配置国内模型选择“通义千问”、“智谱AI”等填入相应的API Key即可。关键提示Dify支持同时配置多个供应商。在工作流中你可以为不同的LLM节点选择不同的供应商和模型实现灵活的模型调度。4. 第一个实战构建智能周报分析助手理论说再多不如动手一试。我们将构建一个智能周报分析助手它能够1接收用户上传的周报文本2自动总结本周工作亮点和待办事项3根据工作内容生成下周的工作计划建议。4.1 创建应用与工作流登录Dify点击“创建应用”。选择“工作流”类型命名为“智能周报分析助手”。点击进入刚刚创建的应用你会看到一个空白的画布。4.2 拖拽构建工作流我们的工作流将包含以下节点请按顺序拖拽到画布上并连接开始节点工作流的入口。文本输入节点用于接收用户输入的周报文本。将其重命名为“输入周报”。LLM节点用于总结亮点和待办。将其连接到“输入周报”节点。变量分配节点将LLM的总结结果存储到一个变量中供后续节点使用。另一个LLM节点用于生成下周计划建议。将其连接到“变量分配”节点。文本输出节点用于向用户展示最终结果。将其连接到第二个LLM节点。结束节点工作流的出口。连接完成后你的画布应该类似下图想象中的流程图[开始] - [输入周报] - [LLM节点1: 总结] - [变量分配: 存储总结] - [LLM节点2: 生成计划] - [文本输出] - [结束]4.3 配置关键节点这是核心步骤我们重点配置两个LLM节点。配置第一个LLM节点总结周报点击画布上的第一个LLM节点。在右侧面板的“模型”部分选择你已配置好的供应商和模型例如GPT-4。在“提示词”区域输入以下内容你是一个高效的项目经理助理。请分析以下周报内容并严格按以下格式输出 ## 本周工作亮点 - [列出1-3项核心成果] ## 本周待办事项 - [列出未完成或需跟进的事项] ## 风险与问题 - [列出任何潜在风险或阻塞点] 周报内容 {#input#}{#input#}是一个变量它会自动绑定到上一个节点即“输入周报”节点的输出。配置变量分配节点点击变量分配节点。在右侧面板点击“添加变量”。变量名设置为weekly_summary值选择为“上一节点输出”即第一个LLM节点的完整回复。配置第二个LLM节点生成计划点击第二个LLM节点。选择模型。在提示词区域输入基于以下对本周工作的总结为下周制定一个具体、可执行的工作计划建议。 请按优先级排序并确保每个建议都是可操作的。 本周总结 {weekly_summary} 请输出 ## 下周工作计划建议 - [建议1] - [建议2] - [建议3]配置文本输出节点点击文本输出节点。在“答案”区域你可以简单地选择“上一节点输出”也可以使用更复杂的模板例如{#前一个LLM节点的输出#}这里我们选择“上一节点输出”即可。4.4 运行与测试点击画布右上角的“保存”按钮。然后点击“发布”按钮将工作流发布为一个版本。点击顶部的“聊天”标签页切换到测试界面。在底部的输入框粘贴一段示例周报文本例如本周主要完成了项目A的API接口开发与联调已通过测试。完成了项目B的需求评审文档初稿。与设计团队讨论了新版UI方案尚未定稿。遇到的主要问题是第三方服务响应不稳定已反馈给对方。点击发送。稍等片刻你将收到一个结构清晰、包含总结和计划建议的回复。通过这个简单的例子你已经体验了Dify如何将多个LLM调用和逻辑处理串联成一个自动化流程。而这仅仅是个开始。5. 进阶实战构建基于知识库的智能客服机器人单一的工作流已经很强大了但结合知识库RAG才能释放Dify在企业级场景的真正潜力。我们来构建一个能回答特定领域比如“公司内部IT政策”问题的客服机器人。5.1 创建并配置知识库在Dify主界面进入“知识库”模块点击“创建知识库”。命名为“公司IT政策手册”并选择嵌入模型默认即可。创建后进入知识库点击“上传文件”。你可以上传公司的IT政策PDF、员工手册Word文档等。Dify会自动进行文本解析、分块和向量化。上传完成后点击“处理”按钮等待状态变为“已索引”。5.2 创建工作流集成知识库回到“应用”页面创建一个新的“工作流”应用命名为“IT政策问答机器人”。在画布上构建如下流程[开始] - [问题输入] - [知识库检索节点] - [LLM节点] - [答案输出] - [结束]配置知识库检索节点选择我们刚创建的“公司IT政策手册”知识库。设置“检索模式”通常“向量检索”即可。可以调整“最大召回数量”和“相似度阈值”来平衡召回率和精准度。在“查询变量”中绑定到“问题输入”节点的输出。配置LLM节点提示词是关键。我们需要设计一个“系统提示词”来指导LLM如何利用检索到的上下文。你是一个专业的IT支持助手。请严格根据提供的“参考信息”来回答用户关于公司IT政策的问题。 如果参考信息中包含答案请用友好、清晰的语言总结并回答。 如果参考信息中不包含答案或者答案不明确请直接说“根据现有的政策手册我无法找到相关答案建议您联系IT部门确认。” 不要编造信息。 参考信息 {context} 用户问题 {query} 请用中文回答这里{context}变量会自动绑定到“知识库检索节点”的输出即检索到的文档片段。{query}绑定到用户的问题。5.3 测试RAG效果发布并测试你的机器人。提问“公司规定的VPN使用政策是什么”预期如果知识库中有相关文档机器人会提取关键信息并回答。提问“我明天可以带宠物来上班吗”预期如果知识库中没有机器人会礼貌地表示无法回答。这个机器人现在具备了基于私有知识准确回答问题的能力并且不会产生“幻觉”胡编乱造。你可以通过持续更新知识库来维护它的知识体系。6. 高级特性探索Agent、工具与API发布当你熟悉了基础工作流和知识库后可以探索Dify更强大的功能。6.1 构建具备工具调用能力的AgentDify支持让LLM节点具备“工具调用”能力。例如你可以让Agent在回答天气问题时先调用一个“获取实时天气”的工具。创建工具在“工具”模块你可以创建自定义工具。一个工具本质上是一个HTTP端点或一个函数。Dify内置了“网页搜索”、“代码执行”等工具。在工作流中启用工具在LLM节点的配置中开启“工具”选项并勾选你创建或内置的工具。设计提示词在提示词中鼓励LLM在需要时使用工具。例如“如果你需要查询实时信息请使用‘网页搜索’工具。”运行当你问“北京今天天气怎么样”LLM节点会先调用天气API工具获取数据再将数据整合进最终回复中。6.2 将应用发布为APIDify构建的应用不仅是Web界面还可以作为API服务集成到你的其他系统中。在应用配置页面找到“API访问”部分。点击“创建API密钥”生成一个密钥。你会获得一个API端点Endpoint和文档。你可以使用cURL、Python requests等任何HTTP客户端来调用。curl -X POST \ https://your-dify-domain/v1/chat-messages \ -H Authorization: Bearer your-api-key \ -H Content-Type: application/json \ -d { inputs: {}, query: 你好请总结这份周报..., response_mode: blocking, conversation_id: , user: user-123 }这为你的AI应用提供了极大的灵活性可以嵌入到企业微信、钉钉、自有APP或网站中。6.3 版本管理与监控Dify提供了企业级的功能版本管理每次发布工作流都会生成一个版本你可以回滚到任何历史版本。日志与标注查看每一次对话的详细日志包括每个节点的输入输出。可以对回答进行“好评/差评”标注用于后续的模型微调或提示词优化。监控仪表盘查看应用的使用量、Token消耗、响应时间等指标。7. 常见问题与故障排查在实践过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案应用启动失败访问localhost:3000无响应Docker容器未成功启动或端口冲突运行docker-compose ps查看容器状态。运行docker-compose logs查看错误日志。检查端口3000、5000是否被占用。确保Docker内存分配足够至少4GB。根据日志错误信息解决依赖问题。知识库文件上传后一直“处理中”文本解析或向量化过程出错嵌入模型服务异常。查看api服务的日志通常会有更详细的错误信息。检查知识库处理队列。确认文件格式支持。尝试重新上传或分割成更小的文件。检查嵌入模型配置是否正确。LLM节点调用超时或无响应API Key错误网络问题模型供应商服务不稳定提示词过长导致超时。在Dify的“日志与标注”中查看该次调用的详细请求和响应。测试直接使用该API Key调用模型。检查API Key和Base URL配置。简化提示词或调整超时设置。考虑使用响应更快的模型。工作流运行结果不符合预期节点连接顺序错误变量绑定错误提示词设计不佳。使用画布上的“调试”功能逐步运行并查看每个节点的输入输出。仔细检查节点间的连线。确认变量名引用正确。迭代优化提示词增加更明确的指令和格式要求。本地模型如Ollama连接失败Docker网络配置问题容器无法访问宿主机服务。在Dify容器内执行curl http://host.docker.internal:11434/api/tags测试连通性。确保Ollama在宿主机运行。对于Linux可能需要使用--add-hosthost.docker.internal:host-gateway参数启动Docker。或直接使用宿主机IP代替host.docker.internal。8. 最佳实践与工程建议为了让你的Dify应用更健壮、更高效请遵循以下建议提示词工程结构化输出像我们之前的例子一样明确要求LLM按特定格式如Markdown列表、JSON输出便于后续节点解析。提供示例在提示词中给出1-2个输入输出的例子Few-Shot Learning能极大提升模型表现。角色设定明确告诉模型“你是一个XX专家”赋予其角色回答会更专业。工作流设计模块化将复杂流程拆分成子工作流提高可复用性和可维护性。错误处理在工作流中增加“条件判断”节点检查上游节点的输出是否有效并设计错误分支流程。变量管理为变量使用清晰、一致的命名规则如user_query,search_results,final_answer。知识库优化文档预处理上传前尽量保证文档格式整洁。对于复杂PDF可先转换为Markdown或纯文本。分块策略根据文档类型调整文本分割的大小和重叠度。技术文档可能适合小分块而连贯性强的文章适合大分块。混合检索对于关键知识可以结合“向量检索”语义相似和“关键词检索”精确匹配来提高召回准确率。生产环境部署安全第一务必修改默认密码和密钥。启用HTTPS。仔细配置API访问权限和速率限制。资源隔离为Dify的数据库、Redis等使用独立的持久化卷Volume。监控与告警利用Dify的日志和指标并集成到现有的监控系统如PrometheusGrafana。备份定期备份Dify的数据库。团队协作利用Dify的“团队”功能管理成员权限开发者、运营、只读等。建立标准的应用开发、测试、发布流程。Dify的出现极大地弥合了AI潜力与工程落地之间的鸿沟。它让产品经理、运营人员也能直接参与AI应用的构建同时为开发者提供了强大的扩展性和工程控制力。无论是快速验证一个AI想法还是构建一个需要投入生产的复杂智能体系统Dify都提供了一个高效、可视化的解决方案。从今天开始尝试用Dify将你的下一个AI想法“拖拽”成现实。你可以从构建一个简单的个人知识管理助手开始逐步探索更复杂的业务自动化流程。记住最好的学习方式就是动手实践。如果在过程中遇到问题其活跃的GitHub社区和Discord频道是寻找答案的好去处。 30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
