Dify深度剖析：可视化AI应用开发平台，从源码到实战

2026年，AI应用开发平台Dify以149K+ Stars成为GitHub上最受欢迎的开源LLM应用开发平台。它如何工作？RAG管道、工作流引擎、Agent能力背后的架构设计是什么？本文从源码到实战，全景式剖析Dify。

---

目录

• 一、引言：从Dify看AI应用开发平台之战

• [二、项目概况：149k Stars、Apache 2.0、技术栈](#二、项目概况：149k Stars、Apache 2.0、技术栈)

• 三、架构深度剖析

• 四、核心功能精讲

• [五、模型接入：DeepSeek / GLM 配置](#五、模型接入：DeepSeek / GLM 配置)

• 六、实战环节

• 七、代码深度分析

• 八、结论

• 参考资料

---

一、引言：从Dify看AI应用开发平台之战

2026 年，AI 应用开发正在经历一场深刻的范式转变。

一年前，开发者要构建一个 AI 应用，需要手动调用 LLM API、搭建 RAG 管道、编写 Agent 逻辑、处理会话管理。而今天，Dify------这个 149K+ Stars 的开源 LLM 应用开发平台------正在让这一切变得像搭积木一样简单。

Dify 正在成为 LLM 应用开发的"可视化 IDE"------它让 AI 应用开发从"写代码调 API"进化到"拖拽编排工作流"。

截至 2026 年 8 月，Dify 在 GitHub 上已获得 149K+ Stars，拥有 500+ 贡献者，被数千家企业用于生产环境。它采用 Apache 2.0 开源协议，技术栈为 Python + TypeScript + PostgreSQL + Redis，支持 RAG 管道、工作流编排、Agent 能力和多模型接入。

本文将深入剖析 Dify 的架构设计、核心功能、源码实现，并通过完整的实战演示，带你从零搭建一个 AI 客服应用。

---

二、项目概况：149k Stars、Apache 2.0、技术栈

2.1 项目定位

Dify 由 LangGenius 团队于 2023 年 5 月开源，定位为"LLM 应用开发平台"。它不是一个简单的 API 封装工具，而是一个完整的 AI 应用开发基础设施，覆盖了从数据接入、知识管理、模型配置到应用发布的全链路。

2.2 技术栈全景

层级	技术	用途
前端	React + TypeScript	可视化编辑器、应用管理界面
API 服务	Python Flask	RESTful API、WebSocket 实时通信
Worker	Celery + Redis	异步任务处理（文档解析、嵌入生成）
数据库	PostgreSQL	业务数据存储
缓存/队列	Redis	会话缓存、消息队列
向量数据库	Weaviate / Qdrant / Milvus / Pinecone	语义检索

2.3 核心功能矩阵

Dify 的核心能力可以概括为四大模块：

1. RAG 管道：文档上传→自动分块→嵌入生成→向量索引→混合检索→生成增强

2. 工作流引擎：DAG 可视化编排，支持 LLM、知识检索、代码执行、HTTP 请求等节点

3. Agent 能力：ReAct 模式、Function Calling、工具调用、2026 年新增沙箱执行

4. 模型接入：内置 20+ 模型提供商适配，支持自定义端点

2.4 版本演进关键里程碑

时间	里程碑
2023-05	初始开源，支持 Chatbot 应用和基础 RAG
2024-03	工作流引擎上线，支持 DAG 可视化编排
2024-09	Agent 模式上线，支持 ReAct 和 Function Calling
2025-06	插件系统上线，支持社区扩展
2026-01	MCP 原生支持，工作流节点可调用 MCP 工具
2026-04	Agent 沙箱上线，安全隔离代码执行
2026-07	Creator Center 上线，应用模板市场

---

三、架构深度剖析

3.1 整体架构

3.2 前端层

前端基于 React + TypeScript，核心是可视化工作流编辑器。它使用 React Flow（一个基于 DAG 的节点编辑器库）来实现拖拽式的工作流编排。前端通过 RESTful API 与后端通信，同时使用 WebSocket 实现实时消息推送（如对话流式输出）。

3.3 API 服务层

API 服务基于 Python Flask 框架，职责包括：

• 用户认证与权限管理

• 应用 CRUD 与配置管理

• 对话会话管理（同步 + 流式）

• 知识库文档管理

• 工作流编排的 CRUD 与执行调度

• 模型提供商配置管理

3.4 Worker 层

Worker 使用 Celery 分布式任务队列（Redis 作为 Broker），处理以下异步任务：

• 文档解析（PDF、TXT、Markdown、DOCX 等格式）

• 文本分块与嵌入生成

• 向量索引构建与更新

• 批量数据导入导出

• 定时任务与 Webhook 触发

3.5 数据层

Dify 使用 PostgreSQL 作为主数据库，存储用户、应用、知识库、工作流定义等业务数据。Redis 用于会话缓存、消息队列和实时状态管理。

向量数据库是 Dify 的关键组件，支持 Weaviate、Qdrant、Milvus、Pinecone、Chroma 等多种后端。Dify 通过统一的向量数据库抽象层，屏蔽了不同后端的差异，开发者可以在配置文件中切换。

---

四、核心功能精讲

4.1 RAG 管道

RAG（检索增强生成）是 Dify 最核心的功能之一。它让 AI 应用能够基于用户提供的知识库进行回答，而不是依赖模型自身的训练数据。

RAG 管道的核心步骤：

1. 文档加载：支持 PDF、TXT、Markdown、HTML、DOCX、CSV 等格式，通过插件可扩展更多格式

2. 文档分块：提供固定大小分块、语义分块、递归分块三种策略，支持自定义分块参数

3. 嵌入生成：调用配置的嵌入模型（如 DeepSeek Embedding、GLM Embedding、OpenAI Embedding）将文本转为向量

4. 索引构建：将向量存入向量数据库，构建倒排索引和近似最近邻（ANN）索引

5. 检索增强：支持向量检索、关键词检索（BM25）和混合检索（加权融合），提升召回质量

6. 生成增强：将检索结果注入提示词模板，LLM 基于上下文生成回答，并附带引用来源

4.2 工作流引擎

Dify 的工作流引擎基于 DAG（有向无环图）模型，用户通过可视化编辑器拖拽节点，构建从输入到输出的完整处理流程。

工作流节点类型：

节点类型	功能
LLM	调用大语言模型生成回答
知识检索	从知识库检索相关文档
代码执行	执行 Python/JS 代码（2026 年起在沙箱中运行）
HTTP 请求	调用外部 API
条件分支	根据条件选择不同路径
循环	重复执行子流程
变量赋值	设置或修改变量
模板转换	使用 Jinja2 模板转换文本
MCP 工具	调用 MCP 协议的外部工具

4.3 Agent 能力

Dify 的 Agent 支持 ReAct（推理+行动）模式，让 AI 应用能够自主决策并调用工具。Agent 的工作流程如下：

1. 接收用户输入

2. 调用 LLM 分析意图，决定是否使用工具

3. 如果需要工具，生成工具调用参数

4. 执行工具调用，获取结果

5. 将工具结果反馈给 LLM

6. 循环直到生成最终回答

2026 年新增的 Agent 沙箱 提供了安全隔离的代码执行环境，支持 Python 和 JavaScript 脚本在沙箱中运行，确保代码执行不会影响宿主系统。

4.4 MCP 集成

2026 年，Dify 原生支持 MCP（Model Context Protocol），这是 Anthropic 推出的开放协议，用于标准化 AI 模型与外部工具的交互方式。

通过 MCP 集成，Dify 工作流中的节点可以直接调用 MCP 服务器提供的工具，无需编写自定义 API 适配代码。开发者只需配置 MCP 服务器地址，Dify 就会自动发现并注册可用的工具。

---

五、模型接入：DeepSeek / GLM 配置

Dify 的一大优势是模型无关性------它内置了 20+ 模型提供商的适配器，开发者可以自由切换。

5.1 接入 DeepSeek

DeepSeek 是目前最受欢迎的国产模型之一。在 Dify 中配置 DeepSeek 只需两步：

1. 进入"设置 → 模型提供商"，选择 DeepSeek

2. 填写 API Key 并选择模型版本

   Dify 中 DeepSeek 的配置示例

   provider: deepseek
   models:

   • name: deepseek-chat
     type: llm
     credentials:
     api_key: "sk-your-deepseek-api-key"
   • name: deepseek-reasoner
     type: llm
     credentials:
     api_key: "sk-your-deepseek-api-key"
   • name: deepseek-embedding
     type: embedding
     credentials:
     api_key: "sk-your-deepseek-api-key"

5.2 接入智谱 GLM

智谱 GLM 系列同样支持无缝接入：

# Dify 中 GLM 的配置示例
provider: zhipuai
models:
  - name: glm-5
    type: llm
    credentials:
      api_key: "your-zhipu-api-key"
  - name: glm-5-embedding
    type: embedding
    credentials:
      api_key: "your-zhipu-api-key"

5.3 自定义模型端点

Dify 还支持通过"兼容 OpenAI API 格式"的方式接入任意模型，极大地扩展了模型选择范围。只需在配置中填写自定义的 API 端点和 API Key 即可。

---

六、实战环节

6.1 Docker Compose 一键部署

# 克隆仓库
git clone https://github.com/langgenius/dify.git
cd dify

# 启动服务
docker compose up -d

# 查看服务状态
docker compose ps

Docker Compose 会启动以下服务：

服务	端口	说明
nginx	80	反向代理
api	5001	API 服务
worker	-	异步任务 Worker
web	3000	前端应用
db	5432	PostgreSQL
redis	6379	Redis
weaviate	8080	向量数据库

6.2 配置模型提供商

访问 http://localhost 进入 Dify 管理界面，完成账号注册后：

1. 进入"设置 → 模型提供商"

2. 添加 DeepSeek：填写 API Key，选择 deepseek-chat 模型

3. 添加 GLM：填写 API Key，选择 glm-5 模型

4. 如有需要，配置嵌入模型（deepseek-embedding 或 glm-5-embedding）

6.3 创建 AI 客服应用

1. 点击"创建应用"，选择"对话型应用"

2. 输入应用名称，如"智能客服助手"

3. 在"提示词编排"中设置系统提示词

4. 选择模型（如 deepseek-chat）

   系统提示词示例

   你是一个专业的智能客服助手。
   你的职责是：

   1. 耐心解答用户的问题
   2. 基于知识库提供准确的信息
   3. 如果无法确定，请告知用户并建议转人工
      保持友善、专业的语气。

6.4 对接知识库（RAG 配置）

1. 进入"知识库"模块，点击"创建知识库"

2. 上传文档（支持 PDF、TXT、Markdown 等格式）

3. 选择分块策略和嵌入模型

4. 等待文档处理完成，自动构建向量索引

5. 在应用设置中关联知识库

6. 配置检索策略（向量检索 / 关键词检索 / 混合检索）

6.5 发布应用

完成配置后，点击"发布"，Dify 会生成：

• Web 应用链接：可直接分享给用户

• 嵌入代码：通过 iframe 嵌入到现有网站

• API 访问：提供 RESTful API 供自定义前端调用

• 客户端 SDK：支持 Python、JavaScript 等语言

---

七、代码深度分析

7.1 工作流引擎源码

Dify 的工作流引擎核心在 api/core/workflow/ 目录下。

DAG 定义与执行：

工作流使用 DAG（有向无环图）模型，每个节点定义自己的输入、输出和执行逻辑。引擎的核心是一个拓扑排序器，它会根据节点间的依赖关系确定执行顺序。

# 工作流引擎核心逻辑（简化）
class WorkflowEngine:
    def __init__(self, graph_config):
        self.graph = self._build_graph(graph_config)
        self.topological_order = self._topological_sort(self.graph)

    def execute(self, inputs):
        results = {}
        for node_id in self.topological_order:
            node = self.graph[node_id]
            node_inputs = self._resolve_inputs(node, results)
            node_outputs = node.execute(node_inputs)
            results[node_id] = node_outputs
        return results

7.2 RAG 管道源码

RAG 管道的核心在 api/core/rag/ 目录下，包含文档加载、分块、嵌入、检索等模块。

# RAG 文档处理流程（简化）
class RAGPipeline:
    def process_document(self, file_path):
        # 1. 加载文档
        loader = DocumentLoader.get_loader(file_path)
        documents = loader.load(file_path)

        # 2. 文档分块
        chunks = TextSplitter.split(
            documents,
            chunk_size=500,
            overlap=50
        )

        # 3. 生成嵌入
        embeddings = self.embedding_model.embed_documents(chunks)

        # 4. 构建索引
        self.vector_store.add_texts(chunks, embeddings)

        return len(chunks)

7.3 模型接入层源码

模型接入层使用 Provider 抽象模式，以 api/core/model_runtime/ 下的适配器为核心。每个模型提供商实现统一的接口，包括 LLM 调用、嵌入生成、Token 计数等功能。

# 模型提供商抽象接口（简化）
class BaseProvider:
    def validate_credentials(self, credentials):
        """验证 API Key 等凭证"""
        raise NotImplementedError

    def get_llm_model(self, model_name):
        """获取 LLM 模型实例"""
        raise NotImplementedError

    def get_embedding_model(self, model_name):
        """获取嵌入模型实例"""
        raise NotImplementedError

---

八、结论

Dify 的成功不是偶然。它精准地命中了 AI 应用开发时代最核心的需求：如何快速、可靠地构建 AI 应用。

四大核心优势：

1. 开源透明：Apache 2.0 协议，149K+ Stars，500+ 贡献者，社区活跃

2. 架构清晰：Python + TypeScript 技术栈，前后端分离，适合二次开发

3. 功能完整：RAG + 工作流 + Agent + MCP，覆盖 AI 应用开发全链路

4. 模型无关：支持 20+ 模型提供商，可自由切换大模型

对于开发者而言，学习 Dify 不仅是掌握一个工具，更是理解 AI 应用开发的最佳实践和架构模式。无论你是想搭建企业内部知识库、开发 AI 客服系统，还是探索 Agent 编排，Dify 都提供了开箱即用的解决方案。

2026 年，随着 MCP 协议的普及和 Agent 沙箱的成熟，Dify 的生态优势将进一步扩大。如果你还没有开始学习 Dify，现在就是最好的时机。

---

参考资料

1. Dify 官方仓库 --- https://github.com/langgenius/dify

2. Dify 官方文档 --- Dify Documentation - Dify Docs

3. Dify 官方 Blog --- Blog - Dify

4. MCP 协议规范 --- What is the Model Context Protocol (MCP)? - Model Context Protocol

5. DeepSeek 平台文档 --- DeepSeek

6. 智谱 AI 开放平台 --- 智谱丨BigModel 平台

7. PostgreSQL 文档 --- PostgreSQL: Documentation

8. Redis 文档 --- Docs

9. Weaviate 文档 --- https://weaviate.io/developers/weaviate

10. Qdrant 文档 --- Documentation - Qdrant