目录
一、Dify介绍
Dify 一词源自 Define + Modify，意指定义并且持续的改进你的 AI 应用，它是为你而做的（Do it for you）
Dify 是一个专注于 AI 应用开发的平台，旨在帮助开发者快速构建、部署和管理基于大语言模型（LLM）的应用程序。其核心功能涵盖从开发到运维的全流程，大幅降低了 AI 应用的开发门槛。
官方地址： Dify.AI · 生成式 AI 应用创新引擎
官方文档地址：产品简介 - Dify Docs
Dify的功能
关于Dify的核心功能其实就一个：那就是创建智能体，但是有5种模式：
看起来很厉害的样子，但其实最常用就是Chatflow
为什么使用Dify?
你或许可以把 LangChain 这类的开发库（Library）想象为有着锤子、钉子的工具箱。与之相比，Dify 提供了更接近生产需要的完整方案，Dify 好比是一套脚手架，并且经过了精良的工程设计和软件测试。
重要的是，Dify 是开源的，它由一个专业的全职团队和社区共同打造。你可以基于任何模型自部署类似 Assistants API 和 GPTs 的能力，在灵活和安全的基础上，同时保持对数据的完全控制
Dify与LangChain的区别
Dify的特点
- 低代码/无代码：通过界面拖拽即可构建AI应用（如客服机器人、内容生成工具），无需深入编程。
- 内置功能：直接集成模型管理、数据标注、API发布等，适合非技术或全栈开发者。
- 快速上线：从设计到部署可能只需几小时，适合中小企业和个人开发者
LangChain的特点
- 高灵活性：通过Python/JavaScript代码连接LLM、数据库、工具链，适合定制化需求（如自主Agent、复杂工作流）。
- 模块化设计：提供链（Chains）、代理（Agents）等组件，开发者需自行组装和优化。
- 技术门槛高：需熟悉编程和LLM技术栈，适合工程师或研究团队
适用场景对比
- 选择Dify：需要快速搭建一个功能明确的AI应用（如智能写作助手），且希望减少运维和开发成本。
- 选择LangChain：需要深度控制模型行为（如结合私有数据构建问答系统），或开发实验性AI功能（如多模型协作）
Dify vs LangChain
- Dify：适合快速生产级部署，降低工程复杂度。
- LangChain：适合深度定制（如多模型协作），需较高技术门槛
Dify与Coze的区别
顺带提一下Coze，Coze也是目前市场上主流的Agent开发工具，Coze更注重开箱即用的体验，适合快速部署轻量级Agent
Coze官方地址：扣子
Dify和Coze均为AI应用开发平台，但定位和功能侧重点不同：
-
目标用户 ：
Dify面向开发者及企业，提供全流程的AI应用开发工具，支持复杂业务场景的定制化需求。Coze更侧重无代码/低代码用户，适合快速构建聊天机器人等轻量级应用。
-
技术栈 ：
Dify支持多模型集成（如GPT、Claude、开源模型），提供API、工作流和数据集管理。Coze深度集成字节跳动生态（如豆包），模型选择相对有限，但内置丰富插件和知识库功能。
-
部署与控制 ：
Dify支持私有化部署，企业可完全掌控数据和模型；Coze主要为云托管服务，灵活性较低。
Dify vs Coze
- Coze：侧重开箱即用，适合轻量级 Agent。
- Dify：提供更灵活的自主控制与数据管理。
二、Dify的本地部署
安装Dify依赖环境
确保Mac OS系统已安装Python 3.8或更高版本。可通过终端输入python3 --version检查版本。推荐使用Homebrew安装Python：
bash
brew install pythonMac系统安装Docker Desktop或者OrbStack，用于容器化部署，个人使用的OrbStack
Docker Desktop 安装地址：Docker Desktop: The #1 Containerization Tool for Developers | Docker
OrbStack安装地址：Download OrbStack · Fast, light, simple Docker Desktop alternative
修改OrbStack的Docker镜像地址：
bash
vim /etc/docker/daemon.json 添加如下配置
bash
{
"registry-mirrors" : [
"https://docker.registry.cyou",
"https://docker-cf.registry.cyou",
"https://dockercf.jsdelivr.fyi",
"https://docker.jsdelivr.fyi",
"https://dockertest.jsdelivr.fyi",
"https://mirror.aliyuncs.com",
"https://dockerproxy.com",
"https://mirror.baidubce.com",
"https://docker.m.daocloud.io",
"https://docker.nju.edu.cn",
"https://docker.mirrors.sjtug.sjtu.edu.cn",
"https://docker.mirrors.ustc.edu.cn",
"https://mirror.iscas.ac.cn",
"https://docker.rainbond.cc",
"https://do.nark.eu.org",
"https://dc.j8.work",
"https://dockerproxy.com",
"https://gst6rzl9.mirror.aliyuncs.com",
"https://registry.docker-cn.com",
"http://hub-mirror.c.163.com",
"http://mirrors.ustc.edu.cn/",
"https://mirrors.tuna.tsinghua.edu.cn/",
"http://mirrors.sohu.com/"
],
"insecure-registries" : [
"registry.docker-cn.com",
"docker.mirrors.ustc.edu.cn"
],
"debug": true,
"experimental": false
}然后重启OrbStack后，使用docker info，如果出现 Registry Mirrors，则镜像配置成功
bash
Client:
Version: 27.5.1
Context: orbstack
Debug Mode: false
......
Registry Mirrors:
https://docker.registry.cyou/
https://docker-cf.registry.cyou/
https://dockercf.jsdelivr.fyi/
https://docker.jsdelivr.fyi/
https://dockertest.jsdelivr.fyi/
......进入到Dify源码的docker目录中，我们需要先把 .env.example 修改为 .env
bash
mv .env.example .env在当前目录执行
bash
docker-compose up -d
下载完毕后，访问：http://localhost/install
使用docker ps -a，查看启动的进程
⚠️注意 ：Dify升级时，要备份Docker目录下volumes文件夹，因为Dify上的所有数据存储在此。升级后还原备份的volumes即可
三、Dify的使用
注册完账号，进入Dify主页后，配置下模型厂商
1、模型配置
在Dify主页选择账号头像，选择【设置 】-【模型供应商 】，即可添加Dify中使用的模型，并【安装】
Dify默认支持基本上所有主流的模型厂商，添加时只需要提供对应的模型的 API Key，可以选择熟悉的模型厂商，例如：百度的文心一言、阿里的通义千问，本地的Ollama即可，可以去对应的网站获取API Key
因为众多API Key都是收费的，此处还是选择硅基流动的模型，是有免费2000 万 Tokens额度
硅基流动地址 ： 硅基流动统一登录
进入硅基流动，选择 DeepSeek R1 模型
点击"在线体验 "后，选择API密钥，选择"新建API密钥 "，则可生成硅基流动的API Key
安装【硅基流动】
安装成功后，刷新当前页面，点击【设置】，将上面硅基流动中的API Key添加到配置中
点击【系统模型设置】，根据个人需求选择对应的模型
2、知识库
选择【知识库】，默认支持2种方式：
①创建本地知识库：如果是简单场景，可以直接在Dify中创建知识库，后续直接引用，但功能有限
②连接外部知识库 ：复杂场景推荐这种方式，企业中一般外接RAGFlow知识库
此处暂时使用本地知识库，点击【创建知识库】，选择文件上传
点击【下一步】进入文本分段与清洗 ，可以全部默认设置后进行【保存并处理】，就可以直接进入智能体的创建，不再需要进行详细配置
如果有RAG基础，可以看看以下配置，
先大概复习一下RAG原理：
RAG就是将文档切分后，通过嵌入模型转换为高位向量，导入向量数据库，然后将用户的输入信息，也转换为向量，再在向量数据库中匹配最相似的向量，最后由大模型总结检索到的内容，以此响应用户
配置分为三个部分：分段设置（文本切分）、索引方式、检索方式
知识库检索就是从向量数据库中进行检索，此处选择【混合检索】检索出来的结果会更加准确
三种检索方式：
向量检索：通过生成查询嵌入并查询与其向量表示最相似的文本分段
全文检索：索引文档中的所有词汇，从而允许用户查询任意词汇，并返回包含这些词汇的文本片段
混合检索：同时执行全文检索和向量检索，并应用重排序步骤，从两类查询结果中选择匹配用户问题的最佳结果，用户可以选择设置权重或配置重新排序模型
其中混合检索中可以选择【权重设置】或【Rerank】模型
权重设置：通过调整语义和关键字的比例来对内容进行检索
Rerank模型：可以根据候选候选列表与用户问题语义匹配度进行重新排序，从而改进语义排序的结果，简而言之就是从检索结果中，把更符合问题的那些chunk片段排在最前面展示出来
配置完成后点击【保存并处理】，开始文档向量化， 可以看到已经嵌入完成
点击【前往文档】，点击上传的文档，可以发现文档已经Chunk分段成功，知识库就创建成功了
知识库默认只有创建人可见，如果设置团队人员可见范围，需要去【设置】修改知识库权限
下面就可以进入智能体的创建部分，先从简单的聊天模式的智能体
四、Dify的实战
简单的聊天模式
可以创建【聊天助手】的智能体，也可以根据Dify提供的应用模版创建聊天智能体
此处选择智能体：【会议纪要】添加到工作区，切换右上角的模型就可以使用了，点击【发布】选择【发布更新】进行保存
现在就测试一下，点击【运行】就进入到了使用页面，输入会议内容，可以看到会议纪要的聊天智能体已经整理出了会议纪要，第一个智能体完结撒花🎉......
总结
Dify 通过模块化设计和低代码交互，显著缩短了 AI 应用从开发到上线的周期。其核心优势在于平衡了灵活性与易用性，尤其适合中小团队或个人开发者实现垂直场景的 AI 解决方案