Dify：从入门到精通

低代码平台 ------ Dify

Dify 是一个开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排 、RAG 检索 、模型管理 等能力，轻松构建和运营生成式 AI 原生应用。

Dify 提供五种应用类型：

• 聊天助手： 基于 LLM 构建对话式交互的助手。
• 文本生成应用： 面向文本生成类任务的助手，例如撰写故事、文本分类、翻译等。
• Agent： 能够分解任务、推理思考、调用工具的对话式智能助手。
• 对话流（Chatflow）： 适用于设计复杂流程的多轮对话场景，支持记忆功能并能进行动态应用编排。
• 工作流（Workflow）： 适用于自动化、批处理等单轮生成类任务的场景的应用编排方式，单向生成结果。

Dify平台跟Coze平台都属于低代码平台！

本地部署的 Dify 与 Coze 区别：

• 插件数量： 本地部署Coze是没有插件的，本地部署Dify是自带一批好用的插件。
• 费用： Coze在企业内使用是要收费的，差不多200万人民币；Dify是开源的，大部分企业都在使用Dify。
• 背景： Coze是字节跳动研发，有大厂背书，所以有企业花钱部署使用；Dify是小型AI公司，主要依赖开源为主题来抢占市场。

打开 云端Dify 或者打开本地部署的Dify，如下图所示：

应用创建

最开始进来都是空白页，没有任何应用，需要你进行创建应用：

step1：首页 - 创建空白应用

step2：选择创建应用的类型，以及填写应用基础信息

在 Dify 平台中，有 Chatflow 和 Workflow 两种核心的应用编排工具，它们分别服务于不同类型的 AI 应用场景：

• Chatflow (对话流)： 专为构建交互式、多轮对话的 AI 应用而设计。它更侧重于模拟人类对话的模式，能够记忆上下文，并根据用户的输入进行多步骤的逻辑处理和回复。
• Workflow (工作流)： 主要面向自动化、批处理或单次任务执行的场景。它适合处理那些不需要实时对话交互，但可能涉及复杂数据处理、分析、内容生成或与其他系统集成的任务。

Dify 的Workflow（工作流） 与 Coze 的 Workflow（工作流） 理论与使用是差不多的，我就不在这多做讲解，大家感兴趣可以去看 # Coze：从入门到精通。

这里简单讲下 Dify 内的 Chatflow (对话流) ：

• 对话式交互： 支持多轮对话，能够理解上下文，并根据之前的交流内容进行回应。
• 记忆能力 (Memory)： 内置对话历史记录功能，使得 AI 应用能够"记住"用户之前的发言。
• 动态响应： 强调在对话过程中逐步构建和输出响应，可以使用户获得更自然的交流体验。
• 专属节点： 拥有如 "Answer" (回复) 节点，用于在流程的中间步骤流式输出文本内容。
• 用户交互功能： 通常包含开场白、下一步问题建议、文件上传（用于对话中）、引用归属等增强用户对话体验的功能。
• 适用场景： 智能客服、语义搜索、AI 助教、需要引导用户完成特定任务的对话机器人等。

大家看本章节，最好先看下 # Coze：从入门到精通 ，可以更方便大家理解低代码平台，了解为什么我们要写低代码平台，并且低代码平台又为我们做了什么贡献？

我这里讲解 Dify 平台，直接通过案例来讲解，更能让大家知道 Dify 的原理以及实用技巧。

案例：LLM联网搜索

我个人觉得，想学习Agent应用 ，最核心的是思维 ，比如这个案例 ------ LLM联网搜索 ，我们要先梳理清楚，input是什么？output是什么？中间过程有什么？为了确保高质量输出output，我们的示例又是什么？

首先我们要知道input、output才能知道中间的工作流要做什么？

简单来说，就像我们研发团队一样，项目过来了：

• 开发需要知道产品经理的需求文档/PRD/UX/UI什么时候提供，这就是input；
• 开发还需要知道项目最终要做成什么样的，这就是output；
• 最后，开发通过测试样例进行功能/性能测试，才能高质量输出output，测试样例就是示例。

只有知道input 、output ，开发人员才知道他们要怎么做，才能把input 通过一些系列的研发工作，结合测试样例进行，高质量高效率的输出output。

在Agent应用内：

• input： 用户输入的问题；
• output： 大模型通过搜索给用户答案；
• 中间过程： 工作流/插件；
• 示例： 测试样本。

LLM联网搜索 的中间过程：通过LLM模型 ，提取用户输入问题的关键字（input） ，并且把关键字 总结成可以搜索的关键词 ，搜索的关键词 输入到搜索节点（TavilySearch） ，搜索节点（TavilySearch） 把搜索到的信息 ，输出给LLM模型 进行内容总结 ，LLM模型 内容总结完毕后，就会output展示给用户。

第三方插件配置

我们先进行Tavily插件准备:

Tavily：一个强大的原生AI搜索引擎和网页内容提取工具，提供高度相关的搜索结果和网页原始内容提取。

step1：在 Tavily网站 内获取API_KEYS。

step2：在Dify平台内安装插件。

step3：搜索Tavily插件。

step4：安装插件

step5：使用插件，进行API_KEY设置。

设置好插件后，如图所示：

模型配置

step1：在设置内配置模型插件

step2：按照Qwen模型，这里你可以根据自己需求进行选择模型

step3：配置模型的API_KEY

step4：配置完成后，是有绿点

应用实战

step1：创建应用

step2：用户输入设置input属性

step3：添加LLM模型，进行提取用户输入的问题关键字，并且进行总结为可以搜索的关键词。

step4：进行LLM插件设置

step5：添加 Tavily Search 插件，把LLM1的搜索关键词进行联网查询

step6：配置 Tavily Search 参数

step7：添加LLM模型插件，把搜索到的信息进行内容总结

step8：LLM模型进行参数配置

step9：添加输出插件

step10：输出插件进行配置output参数

step11：最后把output信息展示给用户

案例：智能客服ChatFlow

设置3个分类：营销专员 + 投诉专员 + 其他

• 营销专员： 配置证券知识库，实现对证券产品介绍、交易规则等高频问题的自动化解答；
• 投诉专员： 配置了用户行为数据，用户标签，方便进一步查找关于用户行为、资产等情况，给用户提供产品使用中的问题解答
• 其他问题： 抱歉，这些问题我无法回答

知识库配置

step1：创建知识库

step2：创建文件

step3：文件切片/分段，使用默认配置

step4：上传文件信息到Dify云服务器内

step5：文件上传完后，会在知识库内展示

应用实战

step1：创建应用

应用创建成功：

step2：删除无用节点，对 用户输入 节点进行配置

step3：添加 问题分类器 节点

step4：配置 问题分类器 参数，根据用户提的问题，进行分类判断，接下来要走哪些业务流程

step5：添加 知识检索 节点，如果是营销咨询，先直接走证券知识库，在知识库内查找相关信息

step6： 知识检索 节点 配置 知识库

step7：知识检索 节点 下游 添加 LLM 节点，知识库找的到信息给到LLM模型，进行内容总结，然后回复给用户

step8：LLM节点 参数配置

step9：LLM节点 下游 添加 直接回复 节点

step10：直接回复 节点 参数配置

step11：分类2 下游 添加 LLM2节点，如果是投诉任务，先使用LLM模型把用户问题的关键字进行提取

step12：LLM2节点 参数配置

step13：LLM2节点 下游 添加 知识检索2 节点，并且进行 知识检索2节点参数配置，把关键字给到知识库，查找相关信息

step14：知识检索2节点 下游 添加 LLM3 节点，在知识库内找到相关信息后，先把内容总结，再拟人化回复用户

step15：LLM3 节点配置

step16：LLM3 节点 下游 添加 直接回复 节点，并进行参数配置

step17：分类3 下游 添加 直接回复 节点，并进行参数配置

step18：用户进行一次请求

低代码平台（Coze、Dify）API 调用

Coze API 实战

step1：登录 个人访问令牌 - 扣子 创建 个人访问令牌

step2：个人访问令牌 参数配置

step3：Agent应用发布要勾选中 API 选项，进行发布，Agent网页上会有botId，botId要给后续程序调用

step4：Vibe Coding编程，使用Trae Idea， 基于 cozepy 的 Coze API 客户端用于与Coze智能体进行交互，编写代码，然后把Coze API参数配置好

Dify API 实战

Agent API 要被外部调用的化，该Agent必须是发布状态！

step1：在Agent应用内，访问API页面找到 Base URL 与 创建 API密钥

step2：创建 API 密钥

step3：把Agent的访问API页面数据给Trae做参考，让它帮你编写Dify 请求代码

step4：配置Agent API 参数，并且进行运行，效果如下图所示

本地部署

Dify 的本地化部署主要有两种方式：Docker Compose部署（推荐） 和 源代码部署！

建议部署设备的配置：内存16G，CPU4核！

虽然官网说，设备的内存 >= 4G, CPU >= 2核，但是会你使用4G内存、2核CPU真的会卡死。

如何使用 Docker Compose 进行部署？

Docker Compose 部署是通过 Docker 容器来运行 Dify 的各个组件，隔离了环境依赖，部署和管理都相对简单。

前提条件:

• 安装 Docker 和 Docker Compose: https://www.docker.com 选择适合操作系统的 Docker Desktop
• 安装 Git: 用于克隆 Dify 的代码仓库。

安装流程

step1：克隆 Dify 代码仓库

打开你的终端 (Terminal) 或命令行工具，执行以下命令：

git clone https://github.com/langgenius/dify.git

# 如果网络不稳定，建议执行浅克隆
git clone --depth 1 https://gitee.com/dify_ai/dify.git

step2：进入 Docker 目录并配置

cd dify/docker

copy .env.example .env

这一步会复制一个环境变量配置文件的模板。你需要根据自己的需求修改 .env 文件。

关键配置项包括：

• APP_URL：你的 Dify 访问地址，本地部署通常是 http://localhost 或 http://你的IP地址。
• 数据库相关配置 (如果使用外部数据库)。默认情况下，它会使用 Docker 内置的数据库。
• 模型供应商的 API Keys (例如 OpenAI, Anthropic, Qwen 等)，这里需要配置你的 API 密钥。

step3：启动 Dify 服务

在 dify/docker 目录下，执行以下命令来启动 Dify

# 参数 -d 表示在后台运行
docker compose up -d

step4：访问 Dify

启动成功后，等待几分钟让所有服务完全启动。然后你就可以在浏览器中访问 Dify 了。

管理员初始化页面: 首次访问 http://你的IP地址/install 来设置管理员账户。

Dify 主页面: 初始化完成后，访问 http://你的IP地址 即可开始使用 Dify。

如何更新 Dify？

在 dify/docker 目录下，拉取最新的代码和 Docker 镜像

git pull

docker compose pull

如何重新启动服务？

docker compose up -d