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文档分析应用却卡在了复杂的模型调用、流程编排和部署环节从零开始开发不仅周期长、成本高还要处理各种 API 对接、状态管理和性能优化问题。如果你正在寻找一个能一站式解决这些痛点的平台那么 Dify 很可能就是你需要的答案。Dify 是一个开源的 LLM 应用开发平台它让开发者能够通过可视化工作流的方式快速构建和部署生产级的 AI 应用。无论是简单的聊天机器人还是复杂的多步骤 Agentic 工作流Dify 都提供了从构思、开发到监控的完整工具链。本文将带你从零开始深入掌握 Dify 的核心功能并通过一系列实战项目让你在一周内具备独立搭建企业级 AI 应用的能力。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 的定位和价值。简单来说Dify 是一个“AI 应用操作系统”。它不是一个单一的模型而是一个集成了大模型能力、工作流引擎、知识库RAG和可观测性工具的平台。1.1 Dify 的核心能力根据官方介绍Dify 主要提供以下四大核心能力可视化工作流Agentic Workflow通过拖拽节点的方式构建复杂的 AI 处理流程。你可以将 LLM 调用、代码执行、条件判断、API 调用等环节串联起来无需编写大量胶水代码。RAG Pipeline提供从文档上传、文本分割、向量化到检索的完整检索增强生成RAG流水线。支持多种向量数据库并能轻松管理知识库。丰富的模型与工具集成无缝接入 OpenAI、Anthropic、国内主流模型以及本地部署的模型如通过 Ollama。同时支持通过插件或自定义工具扩展能力。可观测性与生产就绪内置应用监控、日志、性能分析等功能确保应用稳定运行满足企业级部署需求。1.2 Dify 解决了什么问题对于开发者和企业而言Dify 主要解决了以下几个关键问题降低开发门槛将 AI 应用开发从“写代码”变为“画流程图”让产品经理、运营等非技术角色也能参与构建原型。提升开发效率预置了常见的 AI 能力模块如联网搜索、代码执行、文本处理避免了重复造轮子。简化部署运维提供一键部署能力支持 Docker、Kubernetes 等多种方式并集成了监控和日志降低了运维复杂度。保障应用可控工作流可视化使得复杂的 AI 逻辑变得清晰可管理便于团队协作、调试和迭代。1.3 谁适合学习 DifyAI 应用开发者希望快速将 LLM 能力产品化构建智能客服、内容生成、数据分析等应用。全栈/后端工程师需要将 AI 能力集成到现有业务系统中但不想深入底层模型调优。产品经理与业务人员希望快速验证 AI 想法的可行性构建可交互的原型。企业技术负责人寻求一个稳定、可扩展、易于团队协作的 AI 应用开发平台。接下来我们将从环境搭建开始一步步深入 Dify 的各个功能模块。2. 环境准备与部署指南工欲善其事必先利其器。我们将首先完成 Dify 的本地部署这是后续所有实战的基础。Dify 支持多种部署方式这里我们以最常用的Docker Compose方式在 Linux 环境下进行部署。2.1 系统要求与前置条件在开始之前请确保你的环境满足以下要求操作系统Linux (Ubuntu 20.04/22.04, CentOS 7/8 等) 或 macOS。Windows 用户建议使用 WSL2。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 内存20GB 磁盘空间。如果计划运行本地大模型需要更高配置。网络能够访问 Docker Hub 和 GitHub用于拉取镜像。首先检查 Docker 和 Docker Compose 是否已安装# 检查 Docker 版本 docker --version # 检查 Docker Compose 版本 docker compose version如果未安装请参考 Docker 官方文档进行安装。2.2 使用 Docker Compose 快速部署这是官方推荐的、最简单快捷的部署方式。我们将部署包含 Web 前端、后端 API 服务和 PostgreSQL 数据库的完整套件。克隆部署仓库并进入目录git clone https://github.com/langgenius/dify.git cd dify/docker启动 Dify 服务使用docker-compose命令启动所有服务。-d参数表示在后台运行。docker-compose up -d这个命令会拉取必要的镜像包括 Dify 的 API 服务、前端界面和 PostgreSQL 数据库并启动容器。验证服务状态等待几分钟后使用以下命令检查容器是否正常运行docker-compose ps你应该看到类似下面的输出状态 (State) 均为UpName Command State Ports ------------------------------------------------------------------------ dify-api /bin/bash /entrypoint.sh Up 5001/tcp dify-db docker-entrypoint.sh postgres Up 5432/tcp dify-web /docker-entrypoint.sh nginx -g daemon off; Up 0.0.0.0:80-80/tcp访问 Dify 控制台在浏览器中访问http://你的服务器IP。如果是在本地部署访问http://localhost。 首次访问会进入初始化设置页面。2.3 初始配置与登录初始化设置按照页面提示设置管理员账号、密码和团队名称。配置 LLM 模型登录后进入“设置” - “模型供应商”。这里你需要添加至少一个模型供应商才能开始构建应用。例如添加 OpenAI选择供应商为 “OpenAI”填入你的 API Key并选择一个模型如 gpt-4o。你也可以配置 Azure OpenAI、 Anthropic Claude 或本地模型如通过 Ollama。验证连接保存后可以点击“测试”按钮验证模型连接是否成功。至此你的 Dify 平台就已经准备就绪了接下来我们将探索其核心功能。3. 核心功能模块深度解析Dify 的界面主要围绕“应用”展开。一个应用可以是一个聊天机器人、一个工作流或一个 API 端点。我们主要关注三个核心构建模块提示词编排、工作流和知识库。3.1 提示词编排Prompt Engineering这是构建基础对话应用的最快方式。你可以在一个可视化的编辑器中设计系统提示词、用户输入模板并配置对话参数。关键概念与操作系统提示词定义 AI 助手的角色、能力和行为边界。这是引导模型行为的关键。上下文你可以关联一个或多个知识库让模型在回答时参考你提供的文档内容实现 RAG 能力。对话变量通过{{variable}}的格式在提示词中插入变量使应用动态化。模型与参数调优为应用选择具体的模型并调整温度Temperature、最大生成长度等参数。一个简单的客服助手提示词示例你是一个专业的在线客服助手负责回答用户关于产品使用的问题。 你的回答应该友好、专业且简洁。 如果问题涉及以下知识库内容请优先依据知识库信息回答。 如果知识库中没有相关信息请根据你的通用知识进行回答并告知用户此信息并非来自官方文档。 当前用户问题{{query}}配置步骤在 Dify 控制台点击“创建新应用”选择“对话型应用”。在“提示词编排”页签将上述提示词填入“系统提示词”区域。在“上下文”部分可以添加之前创建好的知识库。在“模型”部分选择你配置好的供应商和模型如 GPT-4。点击右上角“发布”即可获得一个可访问的 Web 聊天界面或 API 端点。3.2 工作流Workflow—— 可视化编程工作流是 Dify 最强大的功能它允许你通过拖拽节点的方式构建复杂的、多步骤的 AI 处理逻辑。这类似于编程中的函数调用和流程控制但完全可视化。核心节点类型开始节点工作流的入口定义输入变量。LLM 节点调用大语言模型是核心处理单元。知识库检索节点从指定的知识库中检索相关文档片段。代码执行节点支持运行 Python 或 JavaScript 代码用于数据处理、计算或调用外部库。条件判断节点根据变量值决定流程分支if-else。HTTP 请求节点调用外部 API集成第三方服务。文本处理节点进行拼接、分割、提取等操作。结束节点定义工作流的输出。构建一个智能天气查询工作流的思路开始接收用户输入的城市名city。HTTP 请求调用一个公开的天气 API如wttr.in获取该城市的天气数据JSON格式。代码执行使用 Python 节点解析 JSON提取温度、天气状况等关键信息并格式化成一段友好的文本。LLM 节点将格式化后的天气文本和用户原始输入city一起交给 LLM让它生成一段人性化的天气播报和建议。结束输出 LLM 生成的最终播报文本。通过这种图形化连接你无需关心 API 调用的错误处理、数据格式转换的细节代码只需关注每个节点的输入输出和业务逻辑。3.3 知识库Knowledge Base与 RAGRAG 是让 LLM 回答“未知”问题的重要技术。Dify 的知识库功能提供了开箱即用的 RAG 流水线。创建与使用知识库的步骤创建知识库在“知识库”菜单中点击“创建”填写名称。上传文档支持 TXT、PDF、Word、PPT、Excel、Markdown 等多种格式。你可以直接上传文件或通过文本粘贴。处理与索引Dify 会自动进行文本分割、清洗、向量化并存入向量数据库部署时默认使用内置的向量库。你可以在“设置”中调整分段规则和清洗规则。在应用中使用在创建“提示词编排”应用或“工作流”应用时在上下文设置或添加“知识库检索”节点选择你创建的知识库即可。最佳实践文档质量上传结构清晰、内容准确的文档能极大提升检索效果。分段策略对于技术文档可以适当减小分段大小对于连贯性强的文章可以增大分段大小。混合检索Dify 支持“向量检索”和“全文检索”的混合模式通常能获得更准确的结果。4. 实战项目一构建企业级智能客服助手现在让我们结合以上知识完成第一个实战项目一个能够回答特定产品问题的智能客服助手。它将结合提示词工程和知识库 RAG 能力。项目目标创建一个客服助手能够基于产品手册知识库回答用户问题对于知识库外的问题能礼貌地引导用户联系人工客服。4.1 步骤一准备知识库文档准备一份你产品的 FAQ 文档或使用手册保存为product_manual.md。在 Dify 中创建名为“产品手册”的知识库。上传product_manual.md文件等待处理完成状态变为“已索引”。4.2 步骤二创建对话型应用点击“创建新应用”选择“对话型应用”命名为“产品智能客服”。进入“提示词编排”界面。4.3 步骤三设计系统提示词与关联知识库在“系统提示词”区域输入以下内容你是{公司名称}的智能客服助手“小D”。你的主要职责是解答用户关于我们产品的疑问。 请严格遵守以下规则 1. 你的回答必须基于“产品手册”知识库中的信息。知识库包含产品的最新功能、使用方法和政策。 2. 如果用户的问题在知识库中有明确答案请清晰、友好地引用相关知识片段进行回答。 3. 如果用户的问题超出知识库范围例如询问未发布的功能、价格或涉及个人账户的具体操作你绝不能编造信息。你应该这样回答“关于这个问题我目前无法在知识库中找到确切信息。为了给您提供最准确的帮助建议您直接联系我们的[人工客服](联系链接)或发送邮件至 supportyourcompany.com。” 4. 保持回答简洁专业但可以适当加入表情符号让语气更亲切。 现在开始处理用户的问题吧。 用户问题{{query}}关键配置上下文在“上下文”部分点击“添加”选择我们刚才创建的“产品手册”知识库。可以设置“引用上限”为3即最多引用3段相关文本。模型选择一个合适的模型例如 GPT-4 或 Claude 3 Sonnet。对话参数将“温度”设置为 0.1 以获得更稳定、更基于事实的回答。4.4 步骤四预览与测试点击右上角的“预览”按钮在右侧的聊天窗口进行测试。尝试提问知识库内的问题如“如何重置产品密码”。观察助手是否能从上传的手册中找到并回答。尝试提问知识库外的问题如“你们公司明年有什么新品计划”。观察助手是否会按照提示词要求引导用户联系人工客服。4.5 步骤五发布与集成测试无误后点击“发布”。Web 访问你可以获得一个独立的聊天网页链接可以嵌入到官网或内部系统。API 集成在“访问方式”中可以看到 API 端点 URL 和密钥。你可以用任何编程语言调用此 API将客服助手集成到你的 App、微信公众号等渠道。# 一个简单的 Python 调用示例 import requests api_key “你的应用API密钥” endpoint “你的应用API端点” response requests.post( endpoint, headers{“Authorization”: f”Bearer {api_key}”, “Content-Type”: “application/json”}, json{“inputs”: {}, “query”: “如何安装你们的软件”, “response_mode”: “blocking”, “user”: “test_user”} ) print(response.json()[“answer”])至此一个具备基本 RAG 能力的客服助手就搭建完成了。但这只是一个开始客服场景往往需要更复杂的逻辑比如查询订单、创建工单这就需要用到更强大的工作流功能。5. 实战项目二构建自动化会议纪要生成工作流第二个项目我们将创建一个更复杂的工作流应用自动会议纪要生成器。它的功能是用户上传一段会议录音或提供文字稿工作流会自动将其转成文本提取关键议题、决策点和待办事项并格式化成标准的会议纪要。这个项目将串联多个节点文件处理、AI 总结、文本格式化。5.1 步骤一规划工作流逻辑我们的工作流将包含以下节点开始接收用户输入的会议音频文件或文本。条件判断判断输入是音频文件还是文本。分支A音频处理调用语音转文本服务例如通过 HTTP 节点调用 OpenAI Whisper API。分支B文本处理直接使用输入的文本。LLM 节点总结提取将会议文本发送给 LLM要求其提取关键信息。代码执行节点格式化将 LLM 输出的结构化数据如 JSON格式化为 Markdown 文档。结束输出最终的会议纪要 Markdown 文本。5.2 步骤二在 Dify 中创建工作流点击“创建新应用”这次选择“工作流应用”命名为“智能会议纪要生成器”。进入可视化工作流编辑器。5.3 步骤三搭建工作流节点我们将一步步添加并连接节点。1. 设置开始节点拖入一个“开始”节点。在节点配置中定义两个输入变量input_type(字符串)枚举类型值为[“audio”, “text”]用于让用户选择输入类型。content(字符串)用于接收用户上传的音频文件 URL 或直接输入的文本。2. 添加条件判断节点拖入一个“条件判断”节点并将其连接到开始节点。配置条件ifinput_type“audio”。这表示如果用户上传的是音频则走“真”分支如果是文本则走“假”分支。3. 构建音频处理分支真分支拖入一个“HTTP 请求”节点连接到条件判断节点的“真”输出。配置该节点调用一个语音转文本的 API。这里以模拟的 OpenAI Whisper API 为例URL:https://api.openai.com/v1/audio/transcriptionsMethod: POSTHeaders:{“Authorization”: “Bearer YOUR_OPENAI_KEY”}Body(form-data):file:{{content}}(这里需要将用户上传的文件进行适当处理实际中可能需要先通过代码节点将文件上传到临时存储并获取 URL)model:whisper-1输出处理从响应体中提取转换后的文本赋值给一个变量例如meeting_text。4. 构建文本直通分支假分支拖入一个“变量分配器”节点或使用“设置变量”节点连接到条件判断节点的“假”输出。直接将content变量的值赋给meeting_text变量。5. 添加 LLM 总结节点拖入一个“LLM”节点。将上一步的meeting_text变量输出连接到该节点。配置 LLM 节点的提示词你是一个专业的会议秘书。请根据下面的会议记录文本提取并生成一份结构清晰的会议纪要。 要求 1. 提炼出会议的核心议题不超过5个。 2. 记录每个议题下的关键讨论要点和达成的决策。 3. 列出明确的待办事项Action Items包括负责人如能推断和截止时间如提及。 4. 使用中文输出。 会议记录文本 {{meeting_text}} 请以 JSON 格式输出包含以下字段topics (议题列表), key_points (要点列表), decisions (决策列表), action_items (待办事项列表每个事项包含 task, owner, deadline)。选择一个大语言模型如 GPT-4。将 LLM 的输出保存到一个变量例如summary_json。6. 添加代码格式化节点拖入一个“代码执行”节点选择 Python连接到 LLM 节点。编写 Python 代码将summary_json解析并格式化为美观的 Markdown。# Python 代码示例 import json def main(summary_json: str) - str: try: data json.loads(summary_json) except json.JSONDecodeError: # 如果 LLM 输出不是标准 JSON尝试提取 # 这里简化处理实际可能需要更复杂的解析 return “# 会议纪要\n\nLLM 输出格式异常请检查原始文本。\n\n” summary_json markdown “# 会议纪要\n\n” if ‘topics’ in data and data[‘topics’]: markdown “## 核心议题\n” for topic in data[‘topics’]: markdown f”- {topic}\n” markdown “\n” if ‘key_points’ in data and data[‘key_points’]: markdown “## 关键讨论要点\n” for point in data[‘key_points’]: markdown f”- {point}\n” markdown “\n” if ‘decisions’ in data and data[‘decisions’]: markdown “## 达成决策\n” for decision in data[‘decisions’]: markdown f”- {decision}\n” markdown “\n” if ‘action_items’ in data and data[‘action_items’]: markdown “## 待办事项 (Action Items)\n” markdown “| 任务 | 负责人 | 截止时间 |\n” markdown “| :--- | :--- | :--- |\n” for item in data[‘action_items’]: task item.get(‘task’, ‘N/A’) owner item.get(‘owner’, ‘待定’) deadline item.get(‘deadline’, ‘待定’) markdown f”| {task} | {owner} | {deadline} |\n” return markdown # 从上游节点获取变量 summary_json ‘{{summary_json}}’ output_text main(summary_json)将代码节点的输出保存为变量final_minutes。7. 设置结束节点拖入“结束”节点连接到代码节点。在结束节点配置中定义输出变量。例如添加一个输出变量minutes其值设置为{{final_minutes}}。5.4 步骤四调试与运行点击右上角的“调试”按钮。在调试面板中为input_type选择“text”并在content中粘贴一段模拟的会议文字记录。点击“运行”观察工作流每一步的执行状态、输入和输出。检查 LLM 输出的 JSON 格式是否正确代码节点生成的 Markdown 是否美观。修复可能出现的错误例如变量名不匹配、API 调用失败等。5.5 步骤五发布与使用调试成功后点击“发布”。现在你获得了一个可以通过 API 调用的自动化会议纪要生成服务。你可以将其集成到 OA 系统、会议软件中或直接提供一个 Web 表单让用户上传录音/文字。通过这个项目你体验了 Dify 工作流如何将多个 AI 和非 AI 服务串联起来完成一个复杂的自动化任务。这种可视化编排能力正是构建高级 AI Agent 应用的基础。6. 进阶技巧与最佳实践掌握了基础构建后以下技巧能帮助你打造更稳健、高效的企业级应用。6.1 应用版本管理与迭代Dify 支持应用版本管理。在发布前系统会自动保存一个“草稿”版本。发布后你可以继续修改草稿进行测试然后再次发布形成新版本。这很好地支持了持续迭代和 A/B 测试。最佳实践为每次重要的功能更新创建新的版本并添加描述便于回滚和追踪变更历史。6.2 工作流中的错误处理与稳定性在生产环境中工作流可能因网络、API 限流等问题失败。使用“重试”功能在 HTTP 请求、LLM 等节点配置中可以设置失败后的重试次数和间隔。添加“条件判断”进行降级处理例如当主要模型 API 调用失败时可以切换到一个备用的、性能稍差的模型。利用“日志”与“跟踪”Dify 提供了详细的工作流运行日志和跟踪信息这是排查问题的第一手资料。确保在关键节点输出有意义的变量值。6.3 性能优化与成本控制知识库检索优化选择合适的文本分割器Splitter。对于技术文档RecursiveCharacterTextSplitter效果较好。启用“高质量”索引模式如果向量数据库支持虽然慢但检索精度更高。使用“混合搜索”模式结合向量搜索和关键词搜索提高召回率。LLM 调用优化在提示词中明确限制输出长度避免生成冗长内容。对于非核心任务考虑使用更便宜、更快的模型如 GPT-3.5-Turbo。利用工作流的“并行”能力同时运行多个不依赖的节点来减少总体响应时间。6.4 安全与权限管理API 密钥管理不要在应用提示词或工作流配置中硬编码敏感 API Key。使用 Dify 的“模型供应商”统一管理并在应用层面进行选择。访问控制Dify 支持团队协作。可以为不同成员分配“所有者”、“管理员”、“编辑者”、“查看者”等角色控制其对应用和知识库的访问权限。内容审核对于面向公众的应用考虑在 LLM 输出后添加一个内容安全过滤节点可以是另一个 LLM 调用或调用内容审核 API防止生成有害内容。7. 常见问题与排查指南在学习和使用 Dify 过程中你可能会遇到以下常见问题问题现象可能原因解决方案应用发布失败提示“配置错误”1. 关联的知识库未成功索引。2. 选择的模型供应商未配置或 API Key 无效。3. 工作流中存在环状连接或未连接的节点。1. 检查知识库状态确保为“已索引”。2. 前往“设置-模型供应商”检查并测试连接。3. 检查工作流确保是单向无环图所有节点正确连接。知识库检索不到相关内容1. 上传的文档格式混乱解析失败。2. 文本分割方式不合适导致检索片段不完整。3. 查询问题与文档内容语义差异过大。1. 尝试上传纯文本.txt或格式规范的 Markdown 文件。2. 调整知识库的分段规则尝试不同的分割器或自定义分段大小。3. 优化用户提问方式或考虑在提示词中引导用户更具体地提问。工作流调试时某个节点报错“变量未找到”上游节点输出的变量名与下游节点引用的变量名不一致。检查节点之间的连接确认上游节点的输出变量名。在下游节点的输入框中使用{{变量名}}格式正确引用。可以点击变量选择器从列表中选择。调用应用 API 返回 401 或 403 错误API 密钥错误或已失效应用访问权限设置不正确。1. 在应用的“访问方式”中检查并复制正确的 API Key。2. 确认调用时在 Header 中正确添加了Authorization: Bearer {api_key}。3. 检查应用是否已发布。Docker 部署后无法访问 Web 界面端口冲突或防火墙限制容器启动失败。1. 运行docker-compose logs web查看前端容器日志。2. 检查宿主机 80 端口是否被占用可以在docker-compose.yml中修改端口映射如”8080:80″。3. 运行docker-compose ps确认所有容器状态为 “Up”。8. 总结与学习路线通过本文我们完成了从 Dify 概念理解、环境部署、核心功能学习到两个实战项目构建的完整旅程。你现在应该能够独立部署Dify 社区版。理解并运用提示词编排、可视化工作流和知识库三大核心模块。构建一个基于 RAG 的对话应用和一个多步骤的自动化工作流应用。掌握应用调试、发布、API 集成以及基本的性能与安全优化思路。下一步学习建议探索更多节点深入研究“代码执行”节点用它调用外部 Python 库处理数据学习“HTTP 请求”节点将你的应用与公司内部系统如 CRM、ERP打通。构建复杂 Agent尝试设计一个能自主选择工具、具备记忆和规划能力的智能体Agent。Dify 的工作流天然支持这类设计。关注生态与插件Dify 拥有活跃的社区和插件市场关注官方更新尝试使用社区贡献的插件来扩展应用能力例如接入 Midjourney 生成图片、连接数据库等。投入生产将你的实验性应用部署到正式的服务器环境配置域名、SSL 证书并设置定期备份数据库。关注 Dify 的企业版功能如更细粒度的权限控制、审计日志等以满足更严苛的生产需求。AI 应用开发的世界正在快速演进而 Dify 这样的平台极大地降低了创新门槛。希望这篇教程能成为你探索 AI 应用开发的坚实起点。动手去搭建、去试错将你的想法通过 Dify 快速变为现实。如果在实践中遇到任何问题Dify 的官方文档和活跃的 GitHub 社区都是寻求帮助的好去处。 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
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文档分析应用却卡在了复杂的模型调用、流程编排和部署环节从零开始开发不仅周期长、成本高还要处理各种 API 对接、状态管理和性能优化问题。如果你正在寻找一个能一站式解决这些痛点的平台那么 Dify 很可能就是你需要的答案。Dify 是一个开源的 LLM 应用开发平台它让开发者能够通过可视化工作流的方式快速构建和部署生产级的 AI 应用。无论是简单的聊天机器人还是复杂的多步骤 Agentic 工作流Dify 都提供了从构思、开发到监控的完整工具链。本文将带你从零开始深入掌握 Dify 的核心功能并通过一系列实战项目让你在一周内具备独立搭建企业级 AI 应用的能力。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 的定位和价值。简单来说Dify 是一个“AI 应用操作系统”。它不是一个单一的模型而是一个集成了大模型能力、工作流引擎、知识库RAG和可观测性工具的平台。1.1 Dify 的核心能力根据官方介绍Dify 主要提供以下四大核心能力可视化工作流Agentic Workflow通过拖拽节点的方式构建复杂的 AI 处理流程。你可以将 LLM 调用、代码执行、条件判断、API 调用等环节串联起来无需编写大量胶水代码。RAG Pipeline提供从文档上传、文本分割、向量化到检索的完整检索增强生成RAG流水线。支持多种向量数据库并能轻松管理知识库。丰富的模型与工具集成无缝接入 OpenAI、Anthropic、国内主流模型以及本地部署的模型如通过 Ollama。同时支持通过插件或自定义工具扩展能力。可观测性与生产就绪内置应用监控、日志、性能分析等功能确保应用稳定运行满足企业级部署需求。1.2 Dify 解决了什么问题对于开发者和企业而言Dify 主要解决了以下几个关键问题降低开发门槛将 AI 应用开发从“写代码”变为“画流程图”让产品经理、运营等非技术角色也能参与构建原型。提升开发效率预置了常见的 AI 能力模块如联网搜索、代码执行、文本处理避免了重复造轮子。简化部署运维提供一键部署能力支持 Docker、Kubernetes 等多种方式并集成了监控和日志降低了运维复杂度。保障应用可控工作流可视化使得复杂的 AI 逻辑变得清晰可管理便于团队协作、调试和迭代。1.3 谁适合学习 DifyAI 应用开发者希望快速将 LLM 能力产品化构建智能客服、内容生成、数据分析等应用。全栈/后端工程师需要将 AI 能力集成到现有业务系统中但不想深入底层模型调优。产品经理与业务人员希望快速验证 AI 想法的可行性构建可交互的原型。企业技术负责人寻求一个稳定、可扩展、易于团队协作的 AI 应用开发平台。接下来我们将从环境搭建开始一步步深入 Dify 的各个功能模块。2. 环境准备与部署指南工欲善其事必先利其器。我们将首先完成 Dify 的本地部署这是后续所有实战的基础。Dify 支持多种部署方式这里我们以最常用的Docker Compose方式在 Linux 环境下进行部署。2.1 系统要求与前置条件在开始之前请确保你的环境满足以下要求操作系统Linux (Ubuntu 20.04/22.04, CentOS 7/8 等) 或 macOS。Windows 用户建议使用 WSL2。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 内存20GB 磁盘空间。如果计划运行本地大模型需要更高配置。网络能够访问 Docker Hub 和 GitHub用于拉取镜像。首先检查 Docker 和 Docker Compose 是否已安装# 检查 Docker 版本 docker --version # 检查 Docker Compose 版本 docker compose version如果未安装请参考 Docker 官方文档进行安装。2.2 使用 Docker Compose 快速部署这是官方推荐的、最简单快捷的部署方式。我们将部署包含 Web 前端、后端 API 服务和 PostgreSQL 数据库的完整套件。克隆部署仓库并进入目录git clone https://github.com/langgenius/dify.git cd dify/docker启动 Dify 服务使用docker-compose命令启动所有服务。-d参数表示在后台运行。docker-compose up -d这个命令会拉取必要的镜像包括 Dify 的 API 服务、前端界面和 PostgreSQL 数据库并启动容器。验证服务状态等待几分钟后使用以下命令检查容器是否正常运行docker-compose ps你应该看到类似下面的输出状态 (State) 均为UpName Command State Ports ------------------------------------------------------------------------ dify-api /bin/bash /entrypoint.sh Up 5001/tcp dify-db docker-entrypoint.sh postgres Up 5432/tcp dify-web /docker-entrypoint.sh nginx -g daemon off; Up 0.0.0.0:80-80/tcp访问 Dify 控制台在浏览器中访问http://你的服务器IP。如果是在本地部署访问http://localhost。 首次访问会进入初始化设置页面。2.3 初始配置与登录初始化设置按照页面提示设置管理员账号、密码和团队名称。配置 LLM 模型登录后进入“设置” - “模型供应商”。这里你需要添加至少一个模型供应商才能开始构建应用。例如添加 OpenAI选择供应商为 “OpenAI”填入你的 API Key并选择一个模型如 gpt-4o。你也可以配置 Azure OpenAI、 Anthropic Claude 或本地模型如通过 Ollama。验证连接保存后可以点击“测试”按钮验证模型连接是否成功。至此你的 Dify 平台就已经准备就绪了接下来我们将探索其核心功能。3. 核心功能模块深度解析Dify 的界面主要围绕“应用”展开。一个应用可以是一个聊天机器人、一个工作流或一个 API 端点。我们主要关注三个核心构建模块提示词编排、工作流和知识库。3.1 提示词编排Prompt Engineering这是构建基础对话应用的最快方式。你可以在一个可视化的编辑器中设计系统提示词、用户输入模板并配置对话参数。关键概念与操作系统提示词定义 AI 助手的角色、能力和行为边界。这是引导模型行为的关键。上下文你可以关联一个或多个知识库让模型在回答时参考你提供的文档内容实现 RAG 能力。对话变量通过{{variable}}的格式在提示词中插入变量使应用动态化。模型与参数调优为应用选择具体的模型并调整温度Temperature、最大生成长度等参数。一个简单的客服助手提示词示例你是一个专业的在线客服助手负责回答用户关于产品使用的问题。 你的回答应该友好、专业且简洁。 如果问题涉及以下知识库内容请优先依据知识库信息回答。 如果知识库中没有相关信息请根据你的通用知识进行回答并告知用户此信息并非来自官方文档。 当前用户问题{{query}}配置步骤在 Dify 控制台点击“创建新应用”选择“对话型应用”。在“提示词编排”页签将上述提示词填入“系统提示词”区域。在“上下文”部分可以添加之前创建好的知识库。在“模型”部分选择你配置好的供应商和模型如 GPT-4。点击右上角“发布”即可获得一个可访问的 Web 聊天界面或 API 端点。3.2 工作流Workflow—— 可视化编程工作流是 Dify 最强大的功能它允许你通过拖拽节点的方式构建复杂的、多步骤的 AI 处理逻辑。这类似于编程中的函数调用和流程控制但完全可视化。核心节点类型开始节点工作流的入口定义输入变量。LLM 节点调用大语言模型是核心处理单元。知识库检索节点从指定的知识库中检索相关文档片段。代码执行节点支持运行 Python 或 JavaScript 代码用于数据处理、计算或调用外部库。条件判断节点根据变量值决定流程分支if-else。HTTP 请求节点调用外部 API集成第三方服务。文本处理节点进行拼接、分割、提取等操作。结束节点定义工作流的输出。构建一个智能天气查询工作流的思路开始接收用户输入的城市名city。HTTP 请求调用一个公开的天气 API如wttr.in获取该城市的天气数据JSON格式。代码执行使用 Python 节点解析 JSON提取温度、天气状况等关键信息并格式化成一段友好的文本。LLM 节点将格式化后的天气文本和用户原始输入city一起交给 LLM让它生成一段人性化的天气播报和建议。结束输出 LLM 生成的最终播报文本。通过这种图形化连接你无需关心 API 调用的错误处理、数据格式转换的细节代码只需关注每个节点的输入输出和业务逻辑。3.3 知识库Knowledge Base与 RAGRAG 是让 LLM 回答“未知”问题的重要技术。Dify 的知识库功能提供了开箱即用的 RAG 流水线。创建与使用知识库的步骤创建知识库在“知识库”菜单中点击“创建”填写名称。上传文档支持 TXT、PDF、Word、PPT、Excel、Markdown 等多种格式。你可以直接上传文件或通过文本粘贴。处理与索引Dify 会自动进行文本分割、清洗、向量化并存入向量数据库部署时默认使用内置的向量库。你可以在“设置”中调整分段规则和清洗规则。在应用中使用在创建“提示词编排”应用或“工作流”应用时在上下文设置或添加“知识库检索”节点选择你创建的知识库即可。最佳实践文档质量上传结构清晰、内容准确的文档能极大提升检索效果。分段策略对于技术文档可以适当减小分段大小对于连贯性强的文章可以增大分段大小。混合检索Dify 支持“向量检索”和“全文检索”的混合模式通常能获得更准确的结果。4. 实战项目一构建企业级智能客服助手现在让我们结合以上知识完成第一个实战项目一个能够回答特定产品问题的智能客服助手。它将结合提示词工程和知识库 RAG 能力。项目目标创建一个客服助手能够基于产品手册知识库回答用户问题对于知识库外的问题能礼貌地引导用户联系人工客服。4.1 步骤一准备知识库文档准备一份你产品的 FAQ 文档或使用手册保存为product_manual.md。在 Dify 中创建名为“产品手册”的知识库。上传product_manual.md文件等待处理完成状态变为“已索引”。4.2 步骤二创建对话型应用点击“创建新应用”选择“对话型应用”命名为“产品智能客服”。进入“提示词编排”界面。4.3 步骤三设计系统提示词与关联知识库在“系统提示词”区域输入以下内容你是{公司名称}的智能客服助手“小D”。你的主要职责是解答用户关于我们产品的疑问。 请严格遵守以下规则 1. 你的回答必须基于“产品手册”知识库中的信息。知识库包含产品的最新功能、使用方法和政策。 2. 如果用户的问题在知识库中有明确答案请清晰、友好地引用相关知识片段进行回答。 3. 如果用户的问题超出知识库范围例如询问未发布的功能、价格或涉及个人账户的具体操作你绝不能编造信息。你应该这样回答“关于这个问题我目前无法在知识库中找到确切信息。为了给您提供最准确的帮助建议您直接联系我们的[人工客服](联系链接)或发送邮件至 supportyourcompany.com。” 4. 保持回答简洁专业但可以适当加入表情符号让语气更亲切。 现在开始处理用户的问题吧。 用户问题{{query}}关键配置上下文在“上下文”部分点击“添加”选择我们刚才创建的“产品手册”知识库。可以设置“引用上限”为3即最多引用3段相关文本。模型选择一个合适的模型例如 GPT-4 或 Claude 3 Sonnet。对话参数将“温度”设置为 0.1 以获得更稳定、更基于事实的回答。4.4 步骤四预览与测试点击右上角的“预览”按钮在右侧的聊天窗口进行测试。尝试提问知识库内的问题如“如何重置产品密码”。观察助手是否能从上传的手册中找到并回答。尝试提问知识库外的问题如“你们公司明年有什么新品计划”。观察助手是否会按照提示词要求引导用户联系人工客服。4.5 步骤五发布与集成测试无误后点击“发布”。Web 访问你可以获得一个独立的聊天网页链接可以嵌入到官网或内部系统。API 集成在“访问方式”中可以看到 API 端点 URL 和密钥。你可以用任何编程语言调用此 API将客服助手集成到你的 App、微信公众号等渠道。# 一个简单的 Python 调用示例 import requests api_key “你的应用API密钥” endpoint “你的应用API端点” response requests.post( endpoint, headers{“Authorization”: f”Bearer {api_key}”, “Content-Type”: “application/json”}, json{“inputs”: {}, “query”: “如何安装你们的软件”, “response_mode”: “blocking”, “user”: “test_user”} ) print(response.json()[“answer”])至此一个具备基本 RAG 能力的客服助手就搭建完成了。但这只是一个开始客服场景往往需要更复杂的逻辑比如查询订单、创建工单这就需要用到更强大的工作流功能。5. 实战项目二构建自动化会议纪要生成工作流第二个项目我们将创建一个更复杂的工作流应用自动会议纪要生成器。它的功能是用户上传一段会议录音或提供文字稿工作流会自动将其转成文本提取关键议题、决策点和待办事项并格式化成标准的会议纪要。这个项目将串联多个节点文件处理、AI 总结、文本格式化。5.1 步骤一规划工作流逻辑我们的工作流将包含以下节点开始接收用户输入的会议音频文件或文本。条件判断判断输入是音频文件还是文本。分支A音频处理调用语音转文本服务例如通过 HTTP 节点调用 OpenAI Whisper API。分支B文本处理直接使用输入的文本。LLM 节点总结提取将会议文本发送给 LLM要求其提取关键信息。代码执行节点格式化将 LLM 输出的结构化数据如 JSON格式化为 Markdown 文档。结束输出最终的会议纪要 Markdown 文本。5.2 步骤二在 Dify 中创建工作流点击“创建新应用”这次选择“工作流应用”命名为“智能会议纪要生成器”。进入可视化工作流编辑器。5.3 步骤三搭建工作流节点我们将一步步添加并连接节点。1. 设置开始节点拖入一个“开始”节点。在节点配置中定义两个输入变量input_type(字符串)枚举类型值为[“audio”, “text”]用于让用户选择输入类型。content(字符串)用于接收用户上传的音频文件 URL 或直接输入的文本。2. 添加条件判断节点拖入一个“条件判断”节点并将其连接到开始节点。配置条件ifinput_type“audio”。这表示如果用户上传的是音频则走“真”分支如果是文本则走“假”分支。3. 构建音频处理分支真分支拖入一个“HTTP 请求”节点连接到条件判断节点的“真”输出。配置该节点调用一个语音转文本的 API。这里以模拟的 OpenAI Whisper API 为例URL:https://api.openai.com/v1/audio/transcriptionsMethod: POSTHeaders:{“Authorization”: “Bearer YOUR_OPENAI_KEY”}Body(form-data):file:{{content}}(这里需要将用户上传的文件进行适当处理实际中可能需要先通过代码节点将文件上传到临时存储并获取 URL)model:whisper-1输出处理从响应体中提取转换后的文本赋值给一个变量例如meeting_text。4. 构建文本直通分支假分支拖入一个“变量分配器”节点或使用“设置变量”节点连接到条件判断节点的“假”输出。直接将content变量的值赋给meeting_text变量。5. 添加 LLM 总结节点拖入一个“LLM”节点。将上一步的meeting_text变量输出连接到该节点。配置 LLM 节点的提示词你是一个专业的会议秘书。请根据下面的会议记录文本提取并生成一份结构清晰的会议纪要。 要求 1. 提炼出会议的核心议题不超过5个。 2. 记录每个议题下的关键讨论要点和达成的决策。 3. 列出明确的待办事项Action Items包括负责人如能推断和截止时间如提及。 4. 使用中文输出。 会议记录文本 {{meeting_text}} 请以 JSON 格式输出包含以下字段topics (议题列表), key_points (要点列表), decisions (决策列表), action_items (待办事项列表每个事项包含 task, owner, deadline)。选择一个大语言模型如 GPT-4。将 LLM 的输出保存到一个变量例如summary_json。6. 添加代码格式化节点拖入一个“代码执行”节点选择 Python连接到 LLM 节点。编写 Python 代码将summary_json解析并格式化为美观的 Markdown。# Python 代码示例 import json def main(summary_json: str) - str: try: data json.loads(summary_json) except json.JSONDecodeError: # 如果 LLM 输出不是标准 JSON尝试提取 # 这里简化处理实际可能需要更复杂的解析 return “# 会议纪要\n\nLLM 输出格式异常请检查原始文本。\n\n” summary_json markdown “# 会议纪要\n\n” if ‘topics’ in data and data[‘topics’]: markdown “## 核心议题\n” for topic in data[‘topics’]: markdown f”- {topic}\n” markdown “\n” if ‘key_points’ in data and data[‘key_points’]: markdown “## 关键讨论要点\n” for point in data[‘key_points’]: markdown f”- {point}\n” markdown “\n” if ‘decisions’ in data and data[‘decisions’]: markdown “## 达成决策\n” for decision in data[‘decisions’]: markdown f”- {decision}\n” markdown “\n” if ‘action_items’ in data and data[‘action_items’]: markdown “## 待办事项 (Action Items)\n” markdown “| 任务 | 负责人 | 截止时间 |\n” markdown “| :--- | :--- | :--- |\n” for item in data[‘action_items’]: task item.get(‘task’, ‘N/A’) owner item.get(‘owner’, ‘待定’) deadline item.get(‘deadline’, ‘待定’) markdown f”| {task} | {owner} | {deadline} |\n” return markdown # 从上游节点获取变量 summary_json ‘{{summary_json}}’ output_text main(summary_json)将代码节点的输出保存为变量final_minutes。7. 设置结束节点拖入“结束”节点连接到代码节点。在结束节点配置中定义输出变量。例如添加一个输出变量minutes其值设置为{{final_minutes}}。5.4 步骤四调试与运行点击右上角的“调试”按钮。在调试面板中为input_type选择“text”并在content中粘贴一段模拟的会议文字记录。点击“运行”观察工作流每一步的执行状态、输入和输出。检查 LLM 输出的 JSON 格式是否正确代码节点生成的 Markdown 是否美观。修复可能出现的错误例如变量名不匹配、API 调用失败等。5.5 步骤五发布与使用调试成功后点击“发布”。现在你获得了一个可以通过 API 调用的自动化会议纪要生成服务。你可以将其集成到 OA 系统、会议软件中或直接提供一个 Web 表单让用户上传录音/文字。通过这个项目你体验了 Dify 工作流如何将多个 AI 和非 AI 服务串联起来完成一个复杂的自动化任务。这种可视化编排能力正是构建高级 AI Agent 应用的基础。6. 进阶技巧与最佳实践掌握了基础构建后以下技巧能帮助你打造更稳健、高效的企业级应用。6.1 应用版本管理与迭代Dify 支持应用版本管理。在发布前系统会自动保存一个“草稿”版本。发布后你可以继续修改草稿进行测试然后再次发布形成新版本。这很好地支持了持续迭代和 A/B 测试。最佳实践为每次重要的功能更新创建新的版本并添加描述便于回滚和追踪变更历史。6.2 工作流中的错误处理与稳定性在生产环境中工作流可能因网络、API 限流等问题失败。使用“重试”功能在 HTTP 请求、LLM 等节点配置中可以设置失败后的重试次数和间隔。添加“条件判断”进行降级处理例如当主要模型 API 调用失败时可以切换到一个备用的、性能稍差的模型。利用“日志”与“跟踪”Dify 提供了详细的工作流运行日志和跟踪信息这是排查问题的第一手资料。确保在关键节点输出有意义的变量值。6.3 性能优化与成本控制知识库检索优化选择合适的文本分割器Splitter。对于技术文档RecursiveCharacterTextSplitter效果较好。启用“高质量”索引模式如果向量数据库支持虽然慢但检索精度更高。使用“混合搜索”模式结合向量搜索和关键词搜索提高召回率。LLM 调用优化在提示词中明确限制输出长度避免生成冗长内容。对于非核心任务考虑使用更便宜、更快的模型如 GPT-3.5-Turbo。利用工作流的“并行”能力同时运行多个不依赖的节点来减少总体响应时间。6.4 安全与权限管理API 密钥管理不要在应用提示词或工作流配置中硬编码敏感 API Key。使用 Dify 的“模型供应商”统一管理并在应用层面进行选择。访问控制Dify 支持团队协作。可以为不同成员分配“所有者”、“管理员”、“编辑者”、“查看者”等角色控制其对应用和知识库的访问权限。内容审核对于面向公众的应用考虑在 LLM 输出后添加一个内容安全过滤节点可以是另一个 LLM 调用或调用内容审核 API防止生成有害内容。7. 常见问题与排查指南在学习和使用 Dify 过程中你可能会遇到以下常见问题问题现象可能原因解决方案应用发布失败提示“配置错误”1. 关联的知识库未成功索引。2. 选择的模型供应商未配置或 API Key 无效。3. 工作流中存在环状连接或未连接的节点。1. 检查知识库状态确保为“已索引”。2. 前往“设置-模型供应商”检查并测试连接。3. 检查工作流确保是单向无环图所有节点正确连接。知识库检索不到相关内容1. 上传的文档格式混乱解析失败。2. 文本分割方式不合适导致检索片段不完整。3. 查询问题与文档内容语义差异过大。1. 尝试上传纯文本.txt或格式规范的 Markdown 文件。2. 调整知识库的分段规则尝试不同的分割器或自定义分段大小。3. 优化用户提问方式或考虑在提示词中引导用户更具体地提问。工作流调试时某个节点报错“变量未找到”上游节点输出的变量名与下游节点引用的变量名不一致。检查节点之间的连接确认上游节点的输出变量名。在下游节点的输入框中使用{{变量名}}格式正确引用。可以点击变量选择器从列表中选择。调用应用 API 返回 401 或 403 错误API 密钥错误或已失效应用访问权限设置不正确。1. 在应用的“访问方式”中检查并复制正确的 API Key。2. 确认调用时在 Header 中正确添加了Authorization: Bearer {api_key}。3. 检查应用是否已发布。Docker 部署后无法访问 Web 界面端口冲突或防火墙限制容器启动失败。1. 运行docker-compose logs web查看前端容器日志。2. 检查宿主机 80 端口是否被占用可以在docker-compose.yml中修改端口映射如”8080:80″。3. 运行docker-compose ps确认所有容器状态为 “Up”。8. 总结与学习路线通过本文我们完成了从 Dify 概念理解、环境部署、核心功能学习到两个实战项目构建的完整旅程。你现在应该能够独立部署Dify 社区版。理解并运用提示词编排、可视化工作流和知识库三大核心模块。构建一个基于 RAG 的对话应用和一个多步骤的自动化工作流应用。掌握应用调试、发布、API 集成以及基本的性能与安全优化思路。下一步学习建议探索更多节点深入研究“代码执行”节点用它调用外部 Python 库处理数据学习“HTTP 请求”节点将你的应用与公司内部系统如 CRM、ERP打通。构建复杂 Agent尝试设计一个能自主选择工具、具备记忆和规划能力的智能体Agent。Dify 的工作流天然支持这类设计。关注生态与插件Dify 拥有活跃的社区和插件市场关注官方更新尝试使用社区贡献的插件来扩展应用能力例如接入 Midjourney 生成图片、连接数据库等。投入生产将你的实验性应用部署到正式的服务器环境配置域名、SSL 证书并设置定期备份数据库。关注 Dify 的企业版功能如更细粒度的权限控制、审计日志等以满足更严苛的生产需求。AI 应用开发的世界正在快速演进而 Dify 这样的平台极大地降低了创新门槛。希望这篇教程能成为你探索 AI 应用开发的坚实起点。动手去搭建、去试错将你的想法通过 Dify 快速变为现实。如果在实践中遇到任何问题Dify 的官方文档和活跃的 GitHub 社区都是寻求帮助的好去处。 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
![[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)
