Dify 从入门到实战：部署、模型对接与企业级 AI 应用开发全教程

一、Dify 核心介绍

1.1 什么是 Dify

Dify 是一款开源大语言模型（LLM）应用开发平台 ，名称由 Define（定义）+ Modify（迭代优化） 组合而来，核心理念是定义 AI 应用，并持续迭代优化 ，同时延伸寓意 Do it for you，一站式帮用户落地 AI 能力。

它并非大模型本身，而是大模型编排与应用交付平台 ，提供从应用设计、调试、运维、监控到对外服务的全链路能力，支持可视化操作、工作流编排、知识库、插件拓展，零代码 / 低代码即可快速搭建生产级 AI 应用。

1.2 核心优势

开源无绑定：代码完全开源，支持私有化部署，数据自主管控，不受云厂商限制。
低代码门槛：可视化界面操作，非技术人员也能搭建聊天机器人、数据分析、智能工作流等应用。
全模型兼容：支持市面上主流公有云大模型（通义千问、文心一言、智谱等）与本地私有化模型。
企业级能力：内置权限管理、调用审计、成本统计、API 网关，可作为企业统一 AI 中台。
丰富拓展生态：支持插件、RAG 知识库、Agent 智能体、ECharts 图表、文生图 / 文生视频等能力。

1.3 典型应用场景

快速搭建聊天机器人、客服机器人、知识库问答；
业务系统集成：将 LLM 能力接入 CRM、ERP、OA，解耦 Prompt 与业务代码；
企业 AI 中台：统一管理模型、API Key、访问权限与调用成本；
数据智能分析：实现自然语言转 SQL（Text2SQL）、数据可视化；
AIGC 创作：文生图、文生视频、智能文案生成等。

二、部署前置条件

2.1 硬件最低要求

CPU：≥ 2 核
内存 (RAM)：≥ 4GiB
磁盘：预留 20GB 以上空间（存放 Docker 镜像、容器数据）

2.2 软件依赖

本次采用 Docker Compose 容器化部署，跨 Windows /macOS/ Linux 全平台适配，需提前安装：

Docker + Docker Compose
- Windows/macOS：直接安装 Docker Desktop（内置 Compose）；
- Linux：通过系统命令安装 Docker 及 Docker Compose。
Git：用于拉取官方源码（无 Git 可手动下载源码包）。
网络要求：访问 GitHub、模型插件仓库网络通畅，安装插件阶段建议配置网络代理，避免超时失败。

官方部署文档：https://docs.dify.ai/zh-hans/getting-started/install-self-hosted/docker-compose

三、Dify 容器化部署（Docker Compose）

3.1 拉取官方源码

打开终端（PowerShell、CMD、系统终端均可），依次执行以下命令克隆源码并进入部署目录：

复制代码

# 克隆 Dify 开源仓库
git clone https://github.com/langgenius/dify.git

# 进入 docker 部署目录
cd dify/docker

3.2 生成环境配置文件

官方提供默认环境变量模板，直接复制即可使用，基础部署无需修改配置：

复制代码

# 复制示例配置为正式配置文件
cp .env.example .env

如需自定义端口、数据库密码、域名等，使用文本编辑器打开 .env 文件修改对应参数。

3.3 启动容器集群

执行命令后台启动所有 Dify 服务容器，首次启动会自动拉取大量镜像，耗时较长，请耐心等待：

复制代码

docker compose up -d

常用运维命令（必备）

复制代码

# 查看所有容器运行状态
docker compose ps

# 实时查看容器日志（排错、查看插件安装状态）
docker compose logs -f

# 停止所有容器
docker compose down

# 重启服务
docker compose restart

当所有容器状态显示 Running，代表服务启动成功。

3.4 初始化管理员账号并登录

打开浏览器，访问默认地址：http://localhost；
首次进入系统，根据提示设置管理员账号、密码；
使用刚创建的管理员账号登录 Dify 工作台，基础部署完成。

四、对接大模型（通义千问为例）

Dify 本身不内置大模型，需安装模型插件并配置对应厂商的 API Key，下面以通义千问演示完整对接流程。

4.1 安装通义千问插件

点击页面右上角头像 → 选择【设置】→ 进入【模型供应商】；
在插件列表搜索「通义千问」，点击【安装】；重要提示：安装插件建议开启代理，极易出现超时、安装失败问题。
校验安装结果
- 方式一（日志校验）：终端执行 docker compose logs -f，出现插件启动日志、接口请求记录，且进程状态为 Running，即安装成功；
- 方式二（页面校验）：回到模型供应商页面，通义千问状态变为待配置。

4.2 配置 API Key 并连通测试

点击通义千问插件右侧【设置】，进入配置页；
填入在阿里云开发者平台申请的 通义千问 API Key；
点击【测试】，提示连通成功后保存配置；
返回模型列表，确认模型正常加载，系统 "模型未配置" 提示消失。

五、实战一：快速创建基础聊天助手

完成大模型对接后，先搭建最简单的对话机器人，验证整体链路可用性。

回到 Dify 首页，点击【创建空白应用】；
应用类型选择聊天助手，自定义应用名称，点击【创建】；
右侧为「调试与预览」对话窗口，输入测试内容，例如：你是谁；
模型正常返回回答，代表对话功能可用；
测试无误后，点击右上角【发布】，对外上线该聊天应用。

六、实战二：房产数据分析助手（Text2SQL 工作流）

6.1 项目背景

房产中介业务人员无 SQL 基础，通过自然语言提问自动生成 SQL、查询数据库并分析结果，实现低代码数据查询与分析。

6.2 环境准备

本地部署 MySQL 8.0 数据库；
执行 fangchang.sql 脚本，创建房源数据表并导入测试数据；
记录数据库地址、账号、密码、库名，后续用于接口配置。

6.3 搭建后端查询接口（Flask）

编写 Python 接口服务，接收 SQL 语句并执行数据库查询，代码 api.py：

复制代码

from flask import Flask, request, jsonify
import pymysql

app = Flask(__name__)
# 数据库配置，根据自己环境修改
db_config = {
    'host': '127.0.0.1',
    'user': 'root',
    'password': 'root123456',
    'db': 'dify_test'
}

def execute_query(sql):
    connection = pymysql.connect(**db_config)
    try:
        with connection.cursor() as cursor:
            cursor.execute(sql)
            result = cursor.fetchall()
            return result
    finally:
        connection.close()

@app.route('/execute_query', methods=['GET'])
def get_data():
    sql_query = request.args.get('sql_query', default='', type=str)
    result = execute_query(sql_query)
    return jsonify(result)

if __name__ == '__main__':
    app.run(debug=True, host='0.0.0.0', port=5001)

运行服务：

复制代码

python api.py

服务默认地址：http://127.0.0.1:5001

6.4 Dify 工作流编排

首页【创建空白应用】→ 选择工作流 ，命名为 text2sql；
依次添加并配置节点：开始节点 → LLM 节点 1 → 代码执行节点 → LLM 节点 2 → 结束节点。

节点 1：开始节点

新增输入变量 query（文本类型），用于接收用户自然语言提问。

节点 2：LLM 节点 1（自然语言转 SQL）

模型选择：通义千问（qwen-max）；
System 提示词

你是数据分析专家，精通MySQL。根据用户问题生成SQL查询。
核心规则：
1. 仅使用用户提到的表和字段，SQL兼容MySQL；
2. 只输出完整可执行SQL，无多余注释、文字；
3. 字符字段使用 LIKE N'%关键词%'，严格匹配表名字段名。
表结构：
fangchang(id,地区,房价(万),配置,大小(平米),单价(元),方位,层数,装修,其他)
User 提示词

问题：{{query}}
请将问题转为SQL语句，仅返回SQL代码。

节点 3：代码执行节点（调用 Flask 接口执行 SQL）

输入变量绑定上一级 LLM 输出，Python 代码如下（修改为你的服务 IP）：

复制代码

import requests

def main(sql_query):
    base_url = "http://127.0.0.1:5001"
    url = f"{base_url}/execute_query"
    response = requests.get(url, params={"sql_query": sql_query})
    return {"result": response.text}

规范要求：入口函数必须为 main，返回格式固定为 {"result": 内容}。

节点 4：LLM 节点 2（数据分析与结果整理）

接收数据库查询结果，做数据解读、汇总、格式美化，配置对应提示词，要求输出表格、数据总结、趋势分析，并附带原始 SQL。

节点 5：结束节点

绑定上一级 LLM 输出，作为工作流最终返回内容。

6.5 运行测试与发布

点击【运行】，输入测试问题：分析精装修房产中，各地区的最高单价、最低单价及价差；
工作流自动生成 SQL → 查询数据库 → 分析并返回格式化结果；
测试通过后点击【发布】，支持通过 API、网页嵌入等方式对外调用。

6.6 进阶：结合 ECharts 生成数据图表

如需实现数据可视化图表，拓展流程如下：

在 Dify 插件市场安装 ECharts 图表工具；
新增代码执行节点，解析 LLM 输出的 JSON 格式图表参数；
增加条件分支节点，根据图表类型（饼图 / 柱状图 / 折线图）分流；
对应分支挂载 ECharts 节点，配置标题、X 轴、数据；
最后通过模板转换节点统一输出图文 + 图表结果。

七、实战三：AIGC 文生图 / 文生视频工作流

Dify 支持接入各大 AIGC 插件，快速搭建文生图、文生视频应用，核心流程如下：

安装插件：在插件市场安装通义万相、Qwen Text2Image、豆包文生视频等插件，并配置对应 API Key；
工作流结构 ：
- 开始节点：接收用户提示词、选择生成类型（文生图 / 文生视频）；
- 条件分支：根据类型分流至不同链路；
- LLM 节点：优化用户提示词，转为 AI 绘画 / 视频专用结构化提示词；
- 文生图 / 文生视频节点：调用插件生成媒体资源；
- 回复节点：整合结果并返回给用户；
自定义提示词规则，约束画面主体、场景、风格、细节，提升生成效果。

八、拓展：应用参考与二次开发

如果暂无开发思路，可以参考社区开源范例快速上手：

开源工作流仓库：
经典范例：
- 深度研究报告（Deep Research）：结合知识库、多轮检索、多模型协作生成专业调研报告；
- 股票分析：结合数据查询、行情解读、智能总结的综合工作流；
开发建议：
- 复杂场景可优先使用「知识库 + RAG」补充私有数据；
- 模型生成 SQL 出错时，可将正确案例录入知识库做示例引导；
- 线上部署后，开启日志与监控，统计 Token 消耗与调用成本。

九、常见问题排查

docker compose up -d 拉取镜像超时解决方案：配置 Docker 国内镜像源，或临时开启代理完成镜像拉取。
模型插件安装一直转圈、失败 原因：境外插件仓库访问受限，安装全程保持代理开启，观察日志出现pre-loaded即为成功。
浏览器访问 http://localhost 打不开页面
- 检查容器状态：docker compose ps，确保全部容器为 Running；
- 检查 80 端口是否被占用，修改.env中的端口配置后重启服务。
调用模型提示 Key 错误 / 接口不通重新核对 API Key、模型权限，在模型供应商页面重新点击「测试」连通性。
Text2SQL 生成语句报错检查表结构描述是否和数据库一致，补充典型 SQL 案例至提示词或知识库。

十、总结

Dify 基于 Docker Compose 实现一键部署，开箱即用，降低 AI 应用落地门槛，私有化部署保障数据安全；
核心流程：环境准备 → 部署 Dify → 对接大模型 → 可视化编排应用 → 测试发布；
能力覆盖：对话机器人、Text2SQL 数据分析、AIGC 图文生成、知识库问答、复杂 Agent 工作流，适配个人、团队、企业多类场景；
作为开源平台，依托社区生态可持续拓展插件与工作流，是搭建生产级 LLM 应用的优选方案。

参考链接

Dify 官方自托管文档：https://docs.dify.ai/zh-hans/getting-started/install-self-hosted/docker-compose
Dify 开源仓库：https://github.com/langgenius/dify
通义千问开发者平台（获取 API Key）：阿里云通义千问控制台