Dify 开源 AI 平台入门：从账号开通到核心界面与功能详解

🚀 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

Dify 是一个开源的 AI 应用开发平台，它让开发者、产品经理甚至业务人员能够通过可视化的工作流编排，快速构建和部署基于大语言模型的智能应用。对于刚接触 Dify 的用户来说，第一步往往不是直接开始构建复杂的智能体，而是需要先完成账号开通，并熟悉其核心界面与功能模块。这一步看似简单，却决定了后续能否高效地使用平台。一个清晰的界面导览能帮助你快速定位到“工作流”、“知识库”、“模型配置”等关键区域，避免在后续开发中迷失方向。本文将带你从零开始，完成 Dify 的账号开通，并详细解析其管理后台的每一个核心界面与功能，为你后续构建 RAG 应用、智能体工作流打下坚实基础。

1. 开通 Dify 账号：云端与本地部署的选择

在开始使用 Dify 之前，你需要先获得一个可访问的 Dify 实例。这通常有两种方式：使用官方提供的云端 SaaS 服务，或者在本地或自己的服务器上进行私有化部署。选择哪种方式取决于你的使用场景、数据安全要求和开发需求。

1.1 云端 SaaS 服务：快速开始体验

对于大多数初次体验和快速原型验证的用户，直接使用 Dify 官方提供的云端服务是最便捷的选择。它无需你准备服务器、安装 Docker 或配置环境，注册即用。

操作步骤：

1. 访问 Dify 官方网站。
2. 在首页找到并点击 “Get Started” 或 “Sign Up” 按钮。
3. 通常支持使用 GitHub 账号、Google 账号或邮箱进行注册。选择你熟悉的方式完成注册流程。
4. 注册成功后，系统会自动为你创建一个工作空间（Workspace），并引导你进入 Dify 的管理后台。

云端服务的优势与局限：

• 优势：开箱即用，免运维，自动升级，可以快速体验 Dify 的全部功能。
• 局限：存在使用限制（如 API 调用次数、知识库文档数量等），数据存储在云端，对于高度敏感的业务数据可能不够安全。高级功能和企业级支持可能需要付费订阅。

注意：使用云端服务时，请务必仔细阅读其服务条款和隐私政策，了解数据存储和处理的相关规定。

1.2 本地/私有化部署：掌握完全控制权

如果你需要将 Dify 用于企业内网、处理敏感数据，或者希望进行深度定制和集成，私有化部署是更合适的选择。Dify 官方推荐使用 Docker Compose 进行部署，这能最大程度地保证环境一致性。

部署前环境准备：在部署之前，请确保你的服务器或本地开发机满足以下基本要求：

• 操作系统：Linux (如 Ubuntu 20.04+， CentOS 7+)， macOS， 或 Windows (通过 WSL2 或 Docker Desktop)。
• Docker：版本 20.10.0 或更高。
• Docker Compose：版本 2.0.0 或更高。
• 硬件资源：建议至少 4GB 内存，2核 CPU。运行知识库索引或复杂工作流时需要更多资源。
• 网络：能够访问 Docker Hub 或配置了国内镜像源，以拉取必要的镜像。

使用 Docker Compose 一键部署：这是最常用的部署方式。首先，创建一个项目目录并下载官方提供的docker-compose.yaml文件。

# 创建一个目录用于存放 Dify 相关文件 mkdir dify && cd dify # 从 GitHub 仓库下载最新的 docker-compose 配置文件 # 注意：请始终从官方仓库获取最新版本，以下链接仅为示例，版本号可能变化 curl -o docker-compose.yaml https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml # 如果你在国内，下载速度慢，可以尝试使用代理或从 Gitee 镜像获取 # curl -o docker-compose.yaml https://gitee.com/langgenius/dify/raw/main/docker/docker-compose.yaml

下载完成后，你可以直接启动所有服务：

# 在后台启动所有容器 docker-compose up -d

这个命令会拉取 PostgreSQL、Redis、Web 服务、API 服务等所有必需的 Docker 镜像，并启动容器。首次启动可能需要几分钟时间。

验证部署是否成功：启动完成后，在浏览器中访问http://你的服务器IP:3000（默认前端端口是 3000）。如果看到 Dify 的登录/注册界面，说明部署成功。

初始账号设置：首次访问部署好的 Dify 实例，你需要创建一个管理员账号。

1. 在登录界面点击“注册”。
2. 输入你的邮箱、用户名和密码，完成管理员账号的注册。
3. 登录后，你就进入了 Dify 的管理后台。这个环境完全由你掌控，数据也存储在你自己的服务器上。

2. Dify 管理后台核心界面导览

成功登录 Dify 后，你会进入其管理后台。整个界面可以划分为几个核心功能区：顶部导航栏、左侧主菜单、中央工作区。理解每个区域的作用，是高效使用 Dify 的关键。

2.1 顶部导航栏：全局控制与切换

顶部导航栏通常包含以下元素：

• 工作空间切换器：如果你有多个团队或项目，可以在这里切换不同的工作空间。每个工作空间的应用、知识库、对话记录等数据是隔离的。
• 用户菜单：点击你的头像或用户名，可以下拉菜单，进行个人设置、查看系统状态、切换主题（深色/浅色模式）以及退出登录。
• 系统状态/通知：有时会显示系统消息或通知图标。

2.2 左侧主菜单：功能入口矩阵

左侧菜单是 Dify 所有核心功能的入口，也是我们重点讲解的部分。菜单项可能因版本略有不同，但核心模块如下：

1. 应用（Applications）这是 Dify 的核心。你创建的所有 AI 应用（智能体、聊天机器人、工作流应用）都在这里管理。

• 我的应用：列出你创建的所有应用。你可以在这里创建新应用、编辑已有应用、查看应用的分析数据。
• 创建应用：点击后进入应用创建向导，可以选择创建“对话型应用”（基于提示词工程）或“工作流应用”（基于可视化编排）。

2. 工作流（Workflow）这是 Dify 最具特色的功能模块，采用可视化、拖拽式的节点编排来构建复杂的 AI 处理逻辑。

• 工作流画布：进入后是一个空白的画布，你可以从左侧的节点库中拖拽各种节点（如 LLM、知识库检索、代码执行、条件判断、HTTP 请求等）到画布上，并用连线定义它们的执行顺序和数据流。
• 工作流列表：管理所有已创建的工作流，可以复制、导出、导入或删除。

3. 知识库（Knowledge Base）用于管理提供给 AI 模型进行检索增强生成（RAG）的文档数据。

• 知识库列表：显示所有已创建的知识库。每个知识库可以包含多个文档。
• 创建/管理知识库：可以上传文本、PDF、Word、Excel、PPT、TXT 等多种格式的文件。Dify 会自动进行文本提取、分块、向量化并存入向量数据库。
• 文档处理状态：上传后可以查看文档的索引状态（处理中、成功、失败），并支持重新索引或删除文档。

4. 模型供应商（Model Providers）配置 Dify 可以调用的各种大语言模型。这是让 Dify “动起来”的关键配置。

• 供应商列表：显示已配置的模型供应商，如 OpenAI、Azure OpenAI、Anthropic、Ollama（本地模型）、通义千问、DeepSeek 等。
• 添加供应商：点击后，选择供应商类型，然后填入对应的 API Key、Base URL（如果需要）等认证信息。例如，配置 OpenAI 需要填入OPENAI_API_KEY。

5. 插件（Plugins）与工具（Tools）用于扩展 AI 应用的能力，使其能够执行特定操作，如查询天气、搜索网页、操作数据库等。

• 可用插件：展示从 Dify 市场或社区获取的插件。
• 自定义工具：你可以通过编写 API 或配置 HTTP 请求来创建自己的工具，供工作流中的“工具调用”节点使用。

6. 日志与审计（Logging & Audit）用于监控和调试应用运行情况。

• 应用日志：查看每个应用被调用时的详细输入、输出、所用模型、消耗的 Token 数以及耗时。这是排查“为什么 AI 回答不对”或“为什么响应慢”的首要位置。
• 工作流运行记录：对于工作流应用，可以查看每一次执行的完整链路，包括每个节点的输入输出，便于调试复杂的流程逻辑。

7. 数据集（Datasets）与标注（Annotations）部分版本中，用于管理更结构化的训练或评估数据。

8. 成员与权限（Team & Members）在团队版或企业版中，用于管理团队成员，并分配不同的角色和权限（如管理员、开发者、运营者）。

2.3 中央工作区：核心操作面板

根据你在左侧菜单选择的不同功能，中央工作区会呈现不同的界面：

• 应用配置页：当你创建或编辑一个“对话型应用”时，这里会显示提示词编排、对话开场白、上下文长度、模型选择等配置项。
• 工作流画布：当你编辑工作流时，这里就是进行拖拽编排的舞台。
• 知识库详情页：显示某个知识库中的所有文档，支持上传、预览、设置检索参数等。
• 数据表格/列表：如应用列表、日志列表，提供搜索、筛选和分页功能。

3. 创建你的第一个应用：从对话型应用开始

为了将界面知识与实际操作结合，我们通过创建一个最简单的“对话型应用”来串联核心功能。

3.1 创建应用并配置基础信息

1. 在左侧菜单点击“应用”->“创建应用”。
2. 选择“对话型应用”。给它起一个名字，例如“我的第一个助手”，并选择一张图标。
3. 点击创建，进入应用配置界面。

3.2 配置提示词与模型

这是对话型应用的核心。

• 提示词编排：在“提示词”选项卡中，系统会提供一个默认的提示词模板。你可以修改它来定义 AI 的角色和行为。例如：

  你是一个乐于助人的AI助手。请用中文，以友好、清晰的方式回答用户的问题。如果问题涉及你不知道的信息，请如实告知。

• 模型选择：在“模型”区域，点击下拉框。如果你之前已经在“模型供应商”中配置了 OpenAI，这里就能看到可选的模型（如 gpt-3.5-turbo, gpt-4）。选择一个模型。
• 对话开场白：你可以设置一段话，在用户第一次进入对话时自动发送，引导用户。例如：“你好！我是你的AI助手，有什么可以帮你的？”

3.3 发布与测试应用

1. 完成基础配置后，点击右上角的“发布”按钮。
2. 发布后，页面会刷新，右侧会出现一个“预览”窗口。
3. 在预览窗口的输入框里，尝试问一个问题，比如“你好，介绍一下你自己”。如果配置正确，AI 会基于你的提示词进行回复。
4. 同时，你可以点击顶部的“访问地址”或“分享”，获得一个独立的 URL，其他人可以通过这个链接直接与你的 AI 应用对话。

4. 关键配置详解：模型供应商与知识库

要让 Dify 应用真正发挥能力，两个外部资源的配置至关重要：大语言模型和知识库。

4.1 配置模型供应商：以 OpenAI 和 Ollama 为例

没有模型，Dify 只是一个空壳。你必须至少配置一个可用的模型供应商。

配置 OpenAI / Azure OpenAI：

1. 进入“模型供应商”->“添加模型供应商”。
2. 在列表中找到“OpenAI”或“Azure OpenAI”。
3. 对于 OpenAI：
   • API Key：填入你在 OpenAI 平台申请的密钥。
   • 组织ID：可选，如果你属于某个组织。
4. 对于 Azure OpenAI：
   • API Key：填入 Azure 门户中获取的密钥。
   • API Base：填入你的 Azure OpenAI 终结点，格式如https://your-resource.openai.azure.com。
   • API Version：填入 API 版本号，如2024-02-15-preview。
   • 部署名称：填入你在 Azure 上部署的模型名称。
5. 点击“保存”，系统会测试连接是否成功。

配置 Ollama（本地模型）：如果你希望在本地或内网运行开源模型（如 Llama 3, Qwen2.5），Ollama 是一个优秀的选择。

1. 确保你已在运行 Dify 的同一台机器或同一网络内安装并启动了 Ollama，并拉取了模型（例如ollama pull qwen2.5:7b）。
2. 在 Dify 的模型供应商页面，点击“添加模型供应商”。
3. 找到“Ollama”。
4. 通常只需要配置Ollama 服务地址，默认为http://host.docker.internal:11434。如果 Dify 和 Ollama 不在同一台机器，需要填写 Ollama 服务的实际 IP 和端口。
5. 保存后，在创建应用选择模型时，就能看到从 Ollama 拉取到的本地模型列表了。

4.2 创建与使用知识库：构建专属知识大脑

知识库是实现 RAG 的关键，它让 AI 能够回答你提供的特定领域知识。

创建并填充知识库：

1. 进入“知识库”->“创建知识库”。
2. 输入知识库名称，如“公司产品手册”。
3. 创建后，进入该知识库，点击“上传文件”或“同步”（支持从网站抓取）。
4. 上传一个 PDF 或 Word 文档。系统会开始异步处理文档，包括文本提取、分块、向量化。
5. 在“文档处理方式”中，注意两个关键参数：
   • 分段处理规则：决定文档如何被切分成片段（chunks）。通常按字符数或段落分割。
   • 文本清洗规则：是否移除冗余的换行符、URL 等。

在应用或工作流中调用知识库：

• 对于对话型应用：在应用配置的“提示词”区域，可以添加一个“上下文”区块，并关联上一步创建的知识库。这样，用户提问时，系统会先从知识库检索相关片段，再连同问题和片段一起发送给 LLM 生成答案。
• 对于工作流应用：可以直接从节点库拖拽一个“知识库检索”节点到画布上，在节点配置中选择目标知识库，并将其连接到 LLM 节点之前。

5. 常见问题排查与配置清单

在实际使用中，你可能会遇到一些典型问题。以下是一些常见问题的排查思路和一份部署配置检查清单。

5.1 常见问题排查表

5.2 首次部署与配置检查清单

在完成 Dify 部署和初步配置后，建议按照以下清单进行检查，确保基础环境就绪：

1. 部署检查：

   • [ ] 所有 Docker 容器状态均为Up(docker-compose ps)。
   • [ ] 能通过http://<IP>:3000正常访问登录页面。
   • [ ] 能成功注册管理员账号并登录。

2. 模型供应商检查：

   • [ ] 至少成功配置一个模型供应商（如 OpenAI/Ollama）。
   • [ ] 在“模型供应商”页面，该供应商状态显示为“正常”或测试连接成功。
   • [ ] 在创建应用时，可以在模型下拉列表中看到该供应商的模型。

3. 知识库功能检查：

   • [ ] 能成功创建一个知识库。
   • [ ] 能上传一个测试文档（如 TXT 文件）并成功完成索引（状态为“已完成”）。
   • [ ] 在知识库详情页能预览到提取的文本内容。

4. 应用创建与测试检查：

   • [ ] 能成功创建一个“对话型应用”。
   • [ ] 能为该应用配置提示词并选择一个可用模型。
   • [ ] 能成功发布应用，并在右侧预览窗格中进行对话测试，获得正常回复。

完成以上四点检查，说明你的 Dify 平台已经基本就绪，可以开始探索更高级的工作流编排、插件集成等功能了。

6. 下一步：从界面熟悉到深度实践

熟悉界面和完成基础配置只是第一步。要真正利用 Dify 构建有价值的 AI 应用，建议你按以下路径深入：

1. 深入工作流：尝试构建一个包含“条件判断”、“HTTP 请求”（调用外部 API）、“代码执行”节点的复杂工作流。例如，创建一个根据用户输入城市，先查询天气，再根据天气情况生成穿衣建议的智能体。
2. 探索插件市场：访问 Dify 插件市场，将一些现成的插件（如网页搜索、学术搜索）安装到你的工作空间，并在工作流中调用它们，扩展 AI 的能力边界。
3. 优化 RAG 效果：知识库的效果直接影响答案质量。实践不同的文本分段策略、尝试使用“重排序”模型来优化检索结果、给知识库文档添加元数据（如标题、来源）进行过滤。
4. 关注日志与迭代：养成查看应用日志和工作流运行记录的习惯。通过分析实际交互中的输入输出，不断优化你的提示词、工作流逻辑和知识库内容。

Dify 的强大之处在于它将 AI 应用开发的复杂性封装在了直观的界面之后。当你掌握了其界面布局和核心模块的联动关系后，剩下的就是将你的业务逻辑，通过拖拽和配置，转化为可运行的智能应用。从开通账号、认识界面开始，你已经走上了这条低代码构建 AI 能力的快速通道。

🚀 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