Dify 入门教程：开源 AI 应用开发平台实战
完整的 Dify 入门到进阶教程，涵盖 Docker 部署、知识库搭建、工作流编排以及接入 DeepSeek 等外部模型的实战指南。
为什么你需要 Dify
我是 DFK，作为一个 AI 工具的重度用户，我用过无数种方式来构建 AI 应用——从纯代码写 LangChain，到用 Coze 拖拽搭建，再到用 Dify 这样的平台。最终，Dify 成了我个人项目中最常用的开发平台。
原因很简单：Dify 在灵活性和易用性之间找到了最佳平衡点。
它比 Coze 更灵活——你可以私有部署、自定义一切；它比直接写 LangChain 代码更省时间——可视化编排让复杂流程一目了然。如果你对零代码搭建方案也有兴趣，可以看看我的 Coze 完全指南，两个工具各有所长。
Dify 是什么
Dify 是一个 开源的 LLMOps 平台，让你可以快速构建和部署 AI 应用。它的名字来源于 "Do It For You"（帮你搞定），这也很好地概括了它的理念——把 AI 应用开发中的脏活累活都帮你处理好。
核心概念
在开始之前，先了解几个核心概念：
| 概念 | 解释 | 类比 |
|---|---|---|
| Prompt 编排 | 设计 AI 的行为和回答方式 | 相当于给员工写岗位说明书 |
| RAG（检索增强生成） | 让 AI 能查阅你的私有文档来回答 | 给员工一本参考手册 |
| Agent | 能自主使用工具完成任务的 AI | 一个有手有脚的智能助手 |
| Workflow（工作流） | 多步骤的 AI 处理流水线 | 一条自动化生产线 |
| Dataset（知识库） | 存储文档和数据的地方 | 公司的知识库系统 |
Dify 能做什么
- 聊天助手：带知识库的智能问答系统
- 文本生成应用：自动写文案、翻译、摘要
- Agent 应用：能使用搜索、计算等工具的智能体
- 工作流应用：多步骤的复杂 AI 处理流程
Docker 部署实战
Dify 支持云端使用和自部署。对于想要完全控制数据和自由定制的用户，Docker 私有部署是最佳选择。
前置准备
# 确保已安装 Docker 和 Docker Compose
docker --version # 需要 Docker 20.10+
docker compose version # 需要 Docker Compose V2
# 机器最低配置要求
# CPU: 2核
# 内存: 4GB（推荐 8GB）
# 磁盘: 20GB 可用空间
部署步骤
第一步：克隆代码
git clone https://github.com/langgenius/dify.git
cd dify/docker
第二步：配置环境变量
# 复制环境变量模板
cp .env.example .env
# 编辑 .env 文件，修改关键配置
关键配置项：
# 密钥配置（务必修改！）
SECRET_KEY=your-random-secret-key-here
CONSOLE_API_URL=http://your-server-ip/console/api
APP_WEB_URL=http://your-server-ip
# 数据库配置（默认使用内置 PostgreSQL）
DB_USERNAME=postgres
DB_PASSWORD=your-db-password
# 向量数据库配置（默认使用 Weaviate）
VECTOR_STORE=weaviate
第三步：启动服务
docker compose up -d
等待几分钟，所有容器启动完成后：
# 检查容器状态
docker compose ps
# 应该看到以下服务都是 running 状态：
# - dify-web (前端界面)
# - dify-api (后端API)
# - dify-worker (后台任务)
# - postgres (数据库)
# - redis (缓存)
# - weaviate (向量数据库)
# - nginx (反向代理)
第四步：初始化
- 访问
http://your-server-ip - 创建管理员账号
- 进入工作台
常见问题排查：
# 如果某个容器启动失败，查看日志
docker compose logs dify-api
# 如果端口被占用
# 修改 .env 中的端口配置，或停掉占用端口的服务
# 如果内存不足
# 升级服务器配置或减少不必要的服务
搭建你的第一个 AI 应用
场景：带知识库的问答 Bot
我们来搭建一个实际有用的东西——一个能回答你产品相关问题的 AI 客服，它能够检索你上传的文档来给出准确答案。
第一步：创建知识库
- 进入「知识库」页面，点击「创建知识库」
- 上传你的文档（支持 TXT、PDF、Markdown、HTML 等）
- 配置文本分段参数：
分段方式：自动分段（推荐）
分段长度：500-1000 tokens（中文文档建议 500）
重叠长度：50 tokens
清洗规则：启用（去除多余空格、特殊字符）
- 选择嵌入模型（推荐使用 OpenAI text-embedding-3-small 或 bge-large-zh-v1.5）
- 等待索引完成
文档准备建议：
- 按主题拆分文档，每个文件聚焦一个话题
- 确保文档中有清晰的标题和结构
- 删除无关内容（页眉页脚、广告等）
- 如果是 FAQ 格式，每个问答对独立一段效果最好
第二步：创建应用
- 进入「工作室」，点击「创建应用」
- 选择「聊天助手」类型
- 编写提示词：
你是 Learn AI 平台的智能客服助手。你的职责是回答用户关于 AI 工具和学习资源的问题。
## 回答原则
1. 基于知识库内容回答，不要编造信息
2. 如果知识库中没有相关信息，诚实说明"这个问题我暂时没有相关资料"
3. 回答要简洁清晰，使用编号列表组织复杂内容
4. 适当引导用户探索更多相关内容
## 回答格式
- 简短问题：直接回答，不超过 3 句话
- 复杂问题：先给总结，再分步骤展开
- 引用知识库内容时，标注来源文档
- 在「上下文」设置中关联刚创建的知识库
- 配置检索参数：
检索模式：混合检索（推荐）
Top K：3（检索最相关的 3 段内容）
Score 阈值：0.5（低于此分数的结果不返回）
第三步：测试和优化
在右侧预览窗口测试对话效果。常见优化方向：
- 回答不准确：检查文档分段是否合理，调高 Top K 值
- 回答太冗长：在 Prompt 中强调简洁性
- 检索不到内容：检查嵌入模型质量，尝试调低 Score 阈值
- 回答有幻觉：在 Prompt 中强调"只基于知识库回答"
进阶：工作流模式
工作流是 Dify 最强大的功能，它让你能够构建复杂的多步骤 AI 流水线。
工作流 vs 聊天助手
| 特性 | 聊天助手 | 工作流 |
|---|---|---|
| 交互方式 | 对话式 | 输入-输出式 |
| 适合场景 | 问答、客服 | 批量处理、复杂流程 |
| 灵活性 | 中等 | 极高 |
| 可视化 | 简单配置 | 节点拖拽编排 |
工作流实战：文章内容处理流水线
我在 joinlearn 网站上用 Dify 搭建了一个内容处理流水线，流程如下：
输入：原始文章文本
↓
[LLM节点] 提取文章关键信息（标题、摘要、标签）
↓
[条件判断] 文章类型？
├── 教程类 → [LLM节点] 优化为教程格式
├── 评测类 → [LLM节点] 生成对比表格
└── 观点类 → [LLM节点] 提炼核心论点
↓
[LLM节点] 生成 SEO 优化的 meta description
↓
[代码节点] 格式化输出为 JSON
↓
输出：结构化文章数据
关键工作流节点详解
LLM 节点：调用大模型的核心节点
# LLM 节点配置示例
模型: deepseek-chat
温度: 0.3 # 低温度保证输出稳定性
最大 tokens: 2000
系统提示词: |
你是一个专业的内容编辑。
请从以下文章中提取关键信息。
用户输入: "{{input_text}}"
条件判断节点：根据条件走不同分支
条件：如果 {{article_type}} 等于 "tutorial"
→ 走教程处理分支
否则如果 {{article_type}} 等于 "review"
→ 走评测处理分支
否则
→ 走默认处理分支
代码节点：执行自定义 Python/JavaScript 代码
def main(inputs: dict) -> dict:
title = inputs.get("title", "")
summary = inputs.get("summary", "")
tags = inputs.get("tags", "").split(",")
return {
"result": {
"title": title.strip(),
"summary": summary.strip(),
"tags": [tag.strip() for tag in tags],
"slug": title.lower().replace(" ", "-")
}
}
HTTP 请求节点：调用外部 API
URL: https://api.example.com/publish
方法: POST
Headers:
Content-Type: application/json
Authorization: Bearer {{api_key}}
Body:
title: "{{title}}"
content: "{{content}}"
接入外部模型
Dify 支持接入各种大语言模型，这也是它最大的优势之一。
接入 DeepSeek
DeepSeek 是目前性价比最高的选择，接入非常简单：
- 进入「设置」→「模型供应商」
- 找到 DeepSeek，点击配置
- 填入你的 DeepSeek API Key
- 在应用中选择 deepseek-chat 或 deepseek-coder
关于 DeepSeek 的详细使用指南，可以看我的 DeepSeek 完全指南。
接入 OpenAI
API Key: sk-your-openai-api-key
API Base URL: https://api.openai.com/v1
（如果使用中转服务，改为中转地址）
接入本地模型（通过 Ollama）
这是最省钱的方案——完全免费，而且数据不出本地。
- 先安装并运行 Ollama（详见我的 Ollama 本地部署指南）
- 在 Dify 模型设置中选择 Ollama
- 填入 Ollama 地址（默认
http://localhost:11434） - Dify 会自动检测已下载的模型
# 先在 Ollama 中下载模型
ollama pull deepseek-r1:8b
ollama pull qwen2.5:7b
# Dify 中就能看到并使用这些模型了
模型选择建议
| 场景 | 推荐模型 | 原因 |
|---|---|---|
| 日常问答 | DeepSeek Chat | 便宜好用 |
| 英文任务 | GPT-4o | 英文能力最强 |
| 编程辅助 | DeepSeek Coder | 代码能力强 |
| 隐私敏感 | Ollama 本地模型 | 数据不出本地 |
| 长文处理 | Claude 3.5 | 长上下文能力强 |
Dify vs LangChain vs Coze
| 维度 | Dify | LangChain | Coze |
|---|---|---|---|
| 类型 | 可视化平台 | 代码框架 | 零代码平台 |
| 开源 | 是 | 是 | 否 |
| 私有部署 | 支持 | 自行搭建 | 不支持 |
| 学习曲线 | 中等 | 陡峭 | 平缓 |
| 灵活性 | 高 | 极高 | 中等 |
| 适合人群 | 技术团队 | 开发者 | 非技术用户 |
| 可视化编排 | 有 | 无（需 LangGraph） | 有 |
| 模型自由度 | 任意模型 | 任意模型 | 平台提供 |
我的选择逻辑：
- 快速验证想法 → Coze
- 团队协作开发 AI 应用 → Dify
- 需要深度定制和完全控制 → LangChain
我的实战案例：为 joinlearn 搭建 AI FAQ Bot
我用 Dify 为 joinlearn.com 搭建了一个智能 FAQ Bot，整个过程分享如下：
需求
- 自动回答用户关于 AI 工具使用的问题
- 能检索网站上的所有教程文章
- 回答要准确，不要编造
实现方案
- 知识库：把网站上所有博客文章导出为 Markdown 文件，上传到 Dify 知识库
- 嵌入模型：使用 bge-large-zh-v1.5（中文效果最好）
- 对话模型：DeepSeek Chat（性价比最高）
- 检索策略：混合检索 + Top K=5
效果
经过两周的优化，Bot 在常见问题上的回答准确率达到了 90% 以上。主要的优化措施：
- 把长文章按章节拆分后上传
- 在 Prompt 中加入了常见问题的示范回答
- 对于检索不到的问题，引导用户去看具体的教程文章
部署
通过 Dify 的 API 接口集成到网站前端，同时通过 n8n 工作流 做了一些自动化处理（比如自动记录未回答的问题，方便后续补充知识库）。
总结和建议
Dify 是目前最适合技术团队使用的开源 AI 应用开发平台。它的优势在于：
- 开源免费：社区版功能已经非常强大
- 私有部署：数据完全自己掌控
- 模型自由：可以接入任何大语言模型
- 可视化编排：工作流拖拽设计，直观高效
- 生态丰富：工具、插件、模板持续更新
上手建议：
- 先用 Dify 云端版体验功能（dify.ai）
- 确认适合你的需求后再部署私有版
- 从简单的聊天助手开始，逐步用工作流实现复杂功能
- 多尝试不同的模型组合，找到性价比最优解