Dify开源平台部署与实战指南：企业级大模型工作流应用搭建

此前我们分享了基于 Langchain-Chatchat 的大模型本地化部署方案，依托 LangChain 的组件化生态，该方案能快速实现 RAG 知识库与基础函数调用能力的整合，满足个人及中小企业轻量化的私有问答需求。
今天，我们将介绍另一款更适配企业级生产场景的大模型部署架构 ------Dify。作为开源的低代码大模型应用开发平台，Dify 以可视化编排为核心特色，不仅具备更完善的函数调用能力，支持参数自动校验、智能追问与多函数并行，还提供 Docker 一键部署、权限管理、日志监控等生产级特性，助力开发者高效搭建稳定可靠的大模型应用。

1 Dify安装

1.1 安装要求

CPU >= 2 Core
RAM >= 4 GiB
该配置门槛极低，即便入门级开发板也能满足运行需求，极大降低了企业与个人的部署成本。

1.2 安装要求

Dify依赖Docker环境运行，若尚未安装Docker，可参考我之前发布的相关教程。安装完成Docker后，按以下步骤部署Dify：

安装完成Docker之后使用以下命令安装dify:

shell 复制代码

# 克隆Dify源码仓库
git clone https://github.com/langgenius/dify.git
# 进入项目目录
cd dify
# 切换至Docker部署目录
cd docker
# Windows系统需手动复制.env.example并重命名为.env，Linux/Mac可执行以下命令
cp .env.example .env
# 启动Docker容器，后台运行
docker compose up -d

注：若克隆源码或拉取镜像失败，可尝试更换国内镜像源或通过科学上网解决网络问题。

部署完成后，在本地浏览器访问 http://localhost/install，进入Dify初始化配置界面：

完成初始化配置并登录后，即可进入Dify主控制台，正式开启应用搭建：

2 Dify使用

2.1 聊天助手搭建与使用

2.1.1 设置模型供应商

设置之前，首先确保你有大模型推理框架，比如说Ollama、xinference等，如果不知道怎么安装的可以看我之前写的文章：
Windows| DeepSeek最简单的本地部署方法
 Windows 平台 Xinference 安装指北教程

推理框架部署完成后，按以下步骤配置Dify模型供应商：

Dify原生支持Ollama、Xinference等主流推理框架，按需选择即可：

我们选择ollama，然后安装，安装完成后可以配置密钥：

点击添加模型->新添加模型，然后出现以下界面：

填写模型信息与宿主机IP后，点击「添加」即可完成配置。
关于IP配置的说明：
host.docker.internal 是Docker官方为Windows/Mac平台（Docker Desktop）内置的特殊DNS域名，核心作用是让Docker容器内部直接访问宿主机本机的所有服务（对应宿主机的127.0.0.1/localhost）。本质是Docker封装的宿主机IP映射快捷方式，无需手动写死宿主机真实IP，提升部署灵活性。

2.1.2 模型连通性测试

模型配置完成后，通过创建聊天助手应用测试连通性：

选择「聊天助手」，点击「创建空白应用」：
输入应用名称与描述，点击「创建」：
进入对话界面，输入测试内容即可验证模型响应能力：

2.2 Agent工具调用实战

2.2.1 Agent应用创建

Dify的Agent具备知识库与第三方工具调用能力，可根据用户需求自动匹配工具分析问题（如查询实时时间需调用时间工具）。创建Agent应用步骤如下：

点击「Agent」，选择「创建空白应用」：
输入应用名称和描述，然后点击创建：
添加工具：
创建完成后，Agent可自动识别用户意图并调用对应工具，例如查询当前时间时，会触发工具调用逻辑获取结果：

2.2.2 MCP服务注册与集成

若需调用自定义工具，需先搭建MCP服务器并在Dify中注册，MCP服务器搭建教程可参考:基于 LLM 的 MCP 架构实战：服务端搭建、工具开发与 Dify 集成全流程,以下为Dify中MCP服务的注册步骤：

进入Dify后台，点击「工具」→「添加MCP服务」，进入配置页面：
按要求填写MCP服务参数，完成配置：

配置提交后，Dify会自动校验服务连通性，并加载MCP服务中注册的所有工具函数，完成服务与LLM平台的绑定：

2.2.3 MCP服务调用测试

创建专属Agent应用，完成基本配置：

按照下图所示完成 Agent 的基本配置：

2.在Agent工具配置模块，点击「添加」，选中已注册的MCP工具函数，完成绑定：

3.在对话界面发起业务请求，触发LLM自动调用MCP工具，获取返回结果：

实际测试中可看到，Dify 中的 LLM 能精准识别用户意图，自动调用对应的get_zhangsan_info和get_weather函数，MCP 服务端正常响应并返回标准化数据，工具调用链路通畅，结果返回准确：

总结

本文此前分享了基于 Langchain-Chatchat 的轻量化私有问答部署方案，此次聚焦企业级生产场景，介绍开源低代码平台 Dify 的部署与使用。Dify 以可视化编排为核心，具备完善的函数调用、参数校验、权限管理等生产级特性，Docker 一键部署即可完成，最低仅需 2 核 CPU、4GiB 内存。安装后通过http://localhost/install完成初始化，后续需先配置模型供应商（支持 Ollama、Xinference 等，容器内通过 host.docker.internal 访问宿主机服务），再创建 Agent 空白应用即可启用。该方案适配企业级稳定需求，助力开发者高效搭建大模型应用，兼顾易用性与生产级可靠性。