dify

Dify系列课程 - 4.Dify实战（本地部署-源码下载与部署）Dify实战（本地部署-源码下载与部署）在前面的文章《Dify系列课程 - 3.Dify本地部署-源码下载与部署》中我们介绍了Dify使用Docker部署的步骤，有的同学联系我说部署过程中遇到了一些小问题，需要我把部署过程也发布出来，如果你在部署过程中也遇到问题了，可以参考我的步骤进行操作 - Dify Docker 部署指南。

从 CRUD 到 AI 工程：基于 FastAPI + Dify 的 AI 面试模拟系统实践一次关于 AI 应用开发、后端架构设计与 Prompt 工程的完整实践。在学习 FastAPI 与 AI 应用开发的过程中，我尝试构建了一个 AI 面试模拟系统。

Dify 1.14.0 发布：从“单机玩具”到“工业级协作”的硬核进化开头就在今天（2026年4月29日），Dify 正式发布了 v1.14.0 版本。这一版本不再只是修补边边角角，而是直接将“多智能体工作流”推向了企业级协作的深水区。对于正在寻找 Agent 落地解决方案的工程团队来说，这次更新意味着 Dify 终于具备了支撑高并发、多人协同开发的工业级底座。 https://github.com/langgenius/dify/releases/tag/1.14.0

Vue2 + FastAPI + Dify 实现 AI 医疗预检分诊助手：从问诊追问到医生审核闭环本文适合刚学完 Vue、Python 后端和数据库，想做一个完整 AI 应用项目的同学。项目仅用于学习演示，不能直接作为真实医疗诊断系统使用。

辞忧九千七

前后端分离架构实战与项目落地：AI智能学习笔记管理系统基于FastAPI + SQLAlchemy + 原生HTML/CSS/JavaScript构建的AI智能学习笔记管理系统，支持笔记CRUD、AI摘要生成、AI对话交互等功能。

InsightEdu - 轻量智能学习平台目录一、项目背景在线教育的发展趋势现有平台的痛点我们的解决方案二、项目业务需求核心功能模块1. 用户系统

我把dify构建的CloudMart 知识库客服一键部署到了 EdgeOne Pages做 AI 客服最容易踩的坑，是把“能聊天”误认为“能服务”。真正的客服不是随便陪用户聊几句，而是要回答业务问题、引用产品规则、处理售后咨询、识别越权请求，还要能部署到一个真实用户可以访问的入口。

Dify + EdgeOne：AI应用从Demo到上线的最后一公里我承认，我之前搞 AI 应用的时候，有很长一段时间陷入了一个特别傻的误区。就是觉得啊，这玩意儿拼的就是模型能力。谁的模型强，谁就赢麻了。所以我就天天盯着各大厂商的参数对比，ChatGPT又更新了，Claude又变强了，DeepSeek又开源了，搞得跟军备竞赛似的。

我叫张小白。

劳动力招聘管理系统：全栈实战（Vue3+FastAPI+WebSocket+Dify）本文详细介绍了一套劳动力招聘管理系统的完整设计与实现。系统面向求职者、招聘方（VIP）和管理员，提供招聘信息发布审核、实时消息聊天、AI智能审核与问答等核心功能。技术栈采用 Vue3 + Pinia 前端、FastAPI + FastAPIAdmin 后端、MySQL + Redis 存储，并集成 Dify 工作流实现双AI智能体协同。文章将重点分享架构设计、关键业务逻辑、性能优化以及实际开发中遇到的典型问题与解决方案。

Dify 平台集成 Phoenix 实战：提升智能体全链路可观测性随着大语言模型（LLM）技术的快速普及，越来越多的团队基于 Dify 这类低代码平台搭建生产级的智能体应用。从简单的智能客服、文档问答机器人，到复杂的多步骤 Workflow 和 Agent 系统，LLM 正在渗透到业务的每一个环节。

大龄码农有梦想

单智能体编排 vs 多智能体协作：AI应用开发技术路线之争2026 年，AI 应用开发已经从【大模型调用时代】全面进入【智能体时代】。但在智能体的实现路径上，行业形成了两条截然不同的技术路线：一条是以 Dify、Coze 为代表的单智能体工作流编排，另一条是以 AutoGen、CrewAI、LangGraph 为代表的多智能体团队协作。

qKnow 行业智能体构建平台应用中心插件化：技术选型、架构设计与实现路径随着企业智能化建设从单点能力供给转向系统化业务落地，qKnow专业版完成了整体架构的全面升级。新定位下，qKnow不再仅是知识能力平台，而是演进为面向行业深度场景的AI能力构建平台与解决方案孵化平台。全新架构在原有知识图谱、知识库基础上新增了Bot构建层（内含白盒化开发中心，支持Code‑Native代码构建任意态），强化了应用层（横向通用应用与纵向行业应用，采用“预置+持续迭代扩展”模式），并明确了解决方案层为战略目标。

❀͜͡傀儡师

Dify 部署与升级指南：从 1.3 到 1.4以下是根据您提供的步骤整理成的技术文章，适合用于文档、博客或内部分享。适用于无网络或内网环境。完成上述步骤后，启动服务：

Dify插件 Markdown Exporter 3.6.9离线安装包制作Dify 1.13.3版本，内网离线安装Markdown Exporter 3.6.9会报错。插件官网地址

Dify 1.13.3 内网部署插件离线安装问题解决1、修改dify的docker-compose.yaml文件，plugin_daemon使用 langgenius/dify-plugin-daemon:0.5.5-local 下载镜像也下载这个版本 2、修改.env文件以下参数 FORCE_VERIFYING_SIGNATURE=false ENFORCE_LANGGENIUS_PLUGIN_SIGNATURES=false PLUGIN_MAX_PACKAGE_SIZE=524288000 NGINX_CLIENT_MAX_BODY_SIZE=500

dify-sandbox 基于官方源码构建镜像在国内使用 dify-sandbox 官方代码基础镜像拉不下来，不方便本地开发部署。这篇文章介绍完全使用国内的镜像源构建

2026 SERP + LLM 训练数据采集指南（Bright Data MCP + Dify）作为一名AI/ML工程师，之前为为了采集高质量的SERP数据用于LLM训练，我踩过无数坑。最惨的一次，我花了3天写的SERP爬虫，刚跑了1小时就被Google封了IP，之前采集的几百条数据全部作废；后来我又尝试轮换代理、模拟真人行为，可Google的反爬算法更新太快，爬虫维护成本比采集数据本身还高。直到我发现 Bright Data MCP 可以直接对接Dify工作流，不用再手动维护爬虫、处理反爬，这才彻底解决了SERP + LLM训练数据采集的痛点。

Dify使用ChatFlow实现调用数据库问答这个案例是测试demo！！！线上使用一定要注意数据安全问题！！！Docker部署Dify看这里：win11系统使用DockerDesktop搭建Dify实现知识库问答

win11系统使用DockerDesktop搭建Dify实现知识库问答一、安装Docker安装Dify1、安装docker，最好win11系统，不然会有很多错误，然后改下镜像源拉取速度会快点，还有镜像的存储位置防止C盘爆满。

Dify平台入门指南：开源LLM应用开发平台深度解析Dify是一款开源的LLM应用开发平台，融合了后端即服务（BaaS）的理念，让开发者可以快速搭建生产级的生成式AI应用。即使是非技术人员，也能参与到AI应用的定义和数据运营中。