Dify学习笔记 01 · 平台入门与实战：部署、五类应用、RAG与MCP（第1-16集）

**摘要：**本文是 Dify 学习笔记第 01 篇，围绕平台入门与实战展开，覆盖 Docker 私有化部署、五类应用（聊天助手、文本生成、Agent、ChatFlow、WorkFlow）的选型与用法，以及 RAG 知识库、MCP 工具接入等核心概念，并通过医学问答、自然语言查 MySQL、数据可视化三个实战案例建立体感，最后给出何时该从 Dify 下沉到 LangGraph 写代码的判断标准。

目录：

一、可视化导览
[二、视频清单（16 集 · 约 2.9 小时）](#二、视频清单（16 集 · 约 2.9 小时）)
[三、Dify 是什么：平台层与技术栈定位](#三、Dify 是什么：平台层与技术栈定位)
四、私有化部署（Docker）
五、五类应用与选型
- [5.1 聊天助手与知识库（RAG）](#5.1 聊天助手与知识库（RAG）)
- [5.2 Agent 与工具、MCP](#5.2 Agent 与工具、MCP)
- [5.3 ChatFlow / WorkFlow 常用节点](#5.3 ChatFlow / WorkFlow 常用节点)
六、三个实战案例
- [6.1 医学 RAG 问答](#6.1 医学 RAG 问答)
- [6.2 自然语言查 MySQL](#6.2 自然语言查 MySQL)
- [6.3 数据可视化助手（WorkFlow）](#6.3 数据可视化助手（WorkFlow）)
[七、平台 vs 框架：什么时候该离开 Dify](#七、平台 vs 框架：什么时候该离开 Dify)
八、核心概念速查表
九、学习打卡

一句话总结： Dify 是国内团队面向国际的开源低代码 AI 应用平台（内置 LLMOps），本模块带你用 Docker 完成私有化部署、装好模型插件，跑通聊天助手、文本生成、Agent、ChatFlow、 WorkFlow 五类应用，理解知识库背后的 RAG 原理与 MCP 工具接入，并完成医学问答、自然语言查 MySQL、数据可视化三个实战------先用平台建立体感，再判断何时该下沉到 LangGraph 写代码。

素材覆盖说明： 模块一共 16 集。第 8、9、13、14、15 集本地无视频/字幕，第 6 集有视频无字幕，这些小节依据课程大纲标题 + Dify 官方标准能力补全，并在清单与正文用 📝 标注；其余 10 集据本地字幕据实整理。课程基于 Dify 1.8 稳定版（新版 1.10.1 有少量 bug），界面名称请以你实际部署版本、官方文档为准。

一、可视化导览

本模块的部署链路、五类应用选型、RAG 流程与三个实战已整理成一张可交互知识图谱，文档内可直接查看，也可打开在线版（手机端适配）：

模块一 · Dify 平台入门与实战 · 可视化图谱

二、视频清单（16 集 · 约 2.9 小时）

集	标题	时长	核心内容
01	Dify 快速入门与私有化部署	15:01	平台定位、在线版 vs 开源部署、Docker 起服务
02	Dify 搭建个人聊天助手	18:45	提示词变量、挂知识库、RAG 原理、三种发布方式
03	Dify 搭建文本生成应用	02:43	一次性输入输出，翻译/摘要/文案场景
04	Dify 搭建 Agent 智能助手	07:52	聊天助手 + 自主调工具，工具三类来源
05	创建 ChatFlow（数据智能查询助手）上	16:26	节点有向无环图、开始/知识检索/LLM/回复节点
06	创建 ChatFlow（数据智能查询助手）下	15:56	📝 代码节点连 MySQL、自然语言查库闭环（有视频无字幕，据相邻集补全）
07	创建 WorkFlow（数据可视化助手）	27:13	文档提取器→LLM 整理 CSV→代码节点拼 ECharts 渲染
08	大模型开发涉及哪些技术栈	26:04	📝 平台层/框架层/模型层技术栈全景（本地无素材，大纲补全）
09	从 0 到 1 掌握 Dify1.8	04:04	📝 1.8 版本导学与学习路径（本地无素材，大纲补全）
10	什么是 Dify1.8	02:19	Dify 定义、能力边界、内置 LLMOps
11	Dify1.8 安装	04:30	Docker / Docker Compose 前置准备
12	Dify1.8 部署	03:13	.env 配置、docker compose up -d、容器健康检查
13	Dify1.8 模型供应商	05:41	📝 安装 DeepSeek（推理）+ 通义千问（embedding）插件（本地无素材，大纲补全）
14	Dify1.8 创建我的聊天助手	12:48	📝 提示词变量、知识库关联、调试发布（本地无素材，大纲补全）
15	Dify1.8 创建文本生成应用	03:09	📝 表单输入与一次性生成配置（本地无素材，大纲补全）
16	Dify1.8 创建 Agent	09:10	Agent 自主规划、工具调用、MCP 接入

三、Dify 是什么：平台层与技术栈定位

Dify 是一个低代码 / 无代码的 AI 应用开发平台，把"接模型、做提示词、挂知识库、编排流程、发布监控"这些大模型应用的通用环节封装成可视化界面，并内置 LLMOps（模型与应用的运维观测能力）。它面向两类人：不懂工程但想快速做 AI 应用的业务人员，以及想快速验证想法、少写胶水代码的开发者。

层级	代表	特点
平台层（本模块）	Dify、Coze、FastGPT	高层封装、拖拽即用、上线快，适合标准应用与 PoC
框架层（模块二）	LangChain / LangGraph、LlamaIndex	底层写代码，可控可扩展，适合复杂业务与多 Agent
模型层	DeepSeek、Qwen、GPT 等	提供推理与 embedding 能力，通过 API / 私有化部署接入

在线版 cloud.dify.ai 开箱即用但数据在公网；企业/学习首选开源版 Docker 离线部署，数据自主、可接本地模型。课程统一使用 1.8 稳定版。

四、私有化部署（Docker）

部署的本质是用 Docker Compose 一次性拉起 Dify 所需的十几个容器（API、Worker、Web、数据库、向量库、Redis、代理等）。

标准步骤：

克隆 Dify 官方仓库到本地，进入 docker 目录。
把环境模板 .env.example 复制为 .env，按需修改密钥、端口、向量库类型。
执行 docker compose up -d 后台拉起全部容器。
用 docker compose ps 检查：十几个容器应全部 healthy / running，不能有 restarting 或 unhealthy。
浏览器打开本地地址，初始化管理员账号，进入"设置 → 模型供应商"安装模型插件。

模型配置建议： 推理模型装 DeepSeek （对话/工具调用），embedding 模型装 通义千问 （知识库向量化）。若用 Ollama 跑本地模型，容器内访问宿主机地址要填 host.docker.internal，不能填 127.0.0.1（容器里的 localhost 指容器自身）。

五、五类应用与选型

应用类型	形态	典型场景
聊天助手	多轮对话，支持提示词变量 {``{name}}、可挂知识库	客服、问答机器人、个人助理（最常用入口）
文本生成	一次性输入 → 一次性输出，无多轮	翻译、摘要、文案、报告批处理
Agent 智能体	聊天助手 + 模型自主决定调用哪些工具	联网查询、天气、跨系统执行任务
ChatFlow	面向对话的节点有向无环图，可分支/循环	需要确定性流程控制的复杂对话（核心）
WorkFlow	面向单次自动化任务，固定输入输出	批处理、数据加工、自动化流水线（核心）

5.1 聊天助手与知识库（RAG）

聊天助手通过提示词中的 {``{变量名}} 接收用户输入，再关联一个或多个知识库。知识库的本质就是 RAG：

**离线：**文档上传后被切块（chunk）、清洗，再用 embedding 模型向量化存入向量库。
**在线：**用户问题向量化后，与库中向量做余弦相似度召回 Top-K 片段。
**增强：**把召回片段作为上下文拼进提示词，连同问题一起交给 LLM。
**生成：**模型基于这些私有知识作答，显著减少幻觉、可追溯来源。

发布方式有三种：内嵌 iframe 、网页右下角 script 悬浮气泡 、浏览器插件。

5.2 Agent 与工具、MCP

Agent = 聊天助手 + 自主调用工具的能力。模型根据用户意图自行判断"要不要用工具、用哪个、传什么参数"。工具来源有三类：

**市场内置工具：**开箱即用，如网页搜索、天气、图片生成。
**自定义工具：**通过 OpenAPI / Swagger 描述文件，把你自己的 HTTP 接口接进来。
**MCP 工具（重点）：**即 Anthropic 提出的 Model Context Protocol，分为 server 与 client 两端，用一套标准协议把外部能力暴露给大模型。课程演示把一个基于 SSE 传输的天气 MCP server 接入 Dify。

5.3 ChatFlow / WorkFlow 常用节点

工作流是一张节点有向无环图（DAG），最小闭环为：开始 → 知识检索 → LLM → 直接回复。常用节点包括：

节点	作用
问题分类 / 条件分支	按意图或字段值走不同分支（IF/ELSE）
知识检索	从知识库召回相关片段
LLM	调用大模型做理解、生成、SQL/代码编写
代码执行	运行 Python/JS 做确定性计算或查库
HTTP 请求	调用外部 API
参数提取 / 文档提取器	从自然语言或上传文件中抽取结构化字段/表格
迭代	对列表逐项循环处理

模型选型坑： DeepSeek-R1 这类 reasoner 推理模型在工具链 / 工作流里容易因为输出多余的思考内容、格式不稳定而导致节点解析报错；工具节点、结构化输出场景建议改用 chat 模型（如 deepseek-chat / Qwen 满血版）。

六、三个实战案例

6.1 医学 RAG 问答

把医学资料建为知识库，用"开始 → 知识检索 → LLM → 直接回复"的最小 ChatFlow，让模型只基于召回的医学内容作答，跑通"私有知识库 + 对话"标准范式。

6.2 自然语言查 MySQL

把数据库的表结构（schema、字段含义）写进知识库。
用户用自然语言提问 → 知识检索召回相关表结构。
LLM 据此生成 SQL，提示词中严格限定只允许 SELECT，防止写操作破坏数据。
代码节点连接 MySQL 执行查询，把结果返回给用户或再交 LLM 转成自然语言。

6.3 数据可视化助手（WorkFlow）

文档提取器解析上传的 CSV / Excel。
LLM 理解数据并整理成规范结构。
代码节点据此拼出 ECharts 的 option 配置。
直接回复节点输出 ```````echarts```` 代码块，Dify 前端直接渲染成图表。

七、平台 vs 框架：什么时候该离开 Dify

**Dify 是平台（高层封装），LangChain / LangGraph 是框架（底层写代码）。**当你需要------精细控制每一步流程、自定义召回与重排序策略、多 Agent 协作、复杂业务逻辑、深度定制状态与记忆------平台的拖拽节点已经不够用，就必须下沉到 LangChain / LangGraph 写代码，这正是模块二的内容。

八、核心概念速查表

概念	一句话理解
LLMOps	对大模型应用做监控、评测、版本与运维的能力，Dify 内置
五类应用	聊天助手 / 文本生成 / Agent / ChatFlow / WorkFlow
RAG	切块 → embedding 入库 → 相似度召回 → 拼上下文 → LLM 生成
MCP	Model Context Protocol，标准化工具体协议，分 server / client
OpenAPI 工具	用接口描述文件把自有 HTTP API 接成 Agent 工具
DAG	有向无环图，工作流节点之间的连接结构
host.docker.internal	容器内访问宿主机服务时使用的特殊域名
reasoner vs chat	推理模型思考多、工具链易报错；工具/结构化场景用 chat 模型

九、学习打卡

能用 Docker Compose 在本地完整拉起 Dify，且容器无 restarting/unhealthy
会在 .env 中做基础配置，并初始化管理员账号
已装好 DeepSeek 推理模型与一个 embedding 模型并成功连通
能创建带 {{变量}} 的聊天助手并说出 RAG 四步流程
能区分聊天助手、文本生成、Agent、ChatFlow、WorkFlow 五类应用
能给 Agent 挂一个市场工具，并理解 MCP server/client 关系
能搭出"开始→知识检索→LLM→回复"的最小工作流
完成（或跟做）自然语言查 MySQL，且 SQL 被限制为 SELECT
完成（或跟做）CSV → ECharts 图表的数据可视化 WorkFlow
能说清什么场景该用 Dify、什么场景必须转 LangGraph 写代码

**学习建议：**本模块重在"建立体感"，不要纠结每个节点的全部参数。建议先把部署和聊天助手跑通（约 1 小时），再重点投入 ChatFlow / WorkFlow 两个实战；📝 标注的补全小节请对照你部署版本的官方文档实操。能独立搭出一个带知识库的助手后，即可进入模块二学 LangGraph。