B站爆款教程：手把手教你用Dify搭建20+AI应用

Dify 正在成为个人开发者和企业团队构建 AI 应用的热门选择。B 站上出现了一门被网友称为“讲得最好的 Dify 教程”，号称手把手带人从零搭建 20+ AI 应用。本文基于该教程内容，梳理 Dify 的核心能力、部署路径与学习框架，帮助读者判断这门课是否值得投入时间。

Dify 是什么：一个快速构建 AI 应用的平台

据 B 站 UP 主在课程开篇的介绍，Dify 可以被理解为一个 AI 应用构建平台，通过它能够快捷地搭建企业级或个人使用的 AI 应用。它的核心价值在于降低 AI 应用的开发门槛，让用户无需从零编写大量代码，即可完成从模型接入到应用发布的完整流程。

课程将 Dify 的特点归纳为几个层面：可视化的工作流编排、多模型接入能力、以及对数据库等外部系统的连接支持。这些特性使得 Dify 既适合快速验证想法，也具备向生产环境延伸的潜力。

部署方式：在线版、Docker 与源码三条路

教程给出的部署方案覆盖了不同需求的用户。据 UP 主说明，Dify 的搭建可以基于 Windows Docker 来部署，也可以基于源码部署，或者直接使用官方提供的在线页面。

在线版与自建版页面“非常类似”，但有一个关键差异：当 AI 应用需要调用本机数据库或本机环境时，在线版需要借助内网穿透工具将本机 IP 暴露到公网。因此教程选择基于 Windows 安装 Docker 来部署 Dify，这样本机上的 MySQL 或其他环境可以直接被 Dify 使用。

UP 主也给出了生产环境的建议：自己部署到本机、在公司内部应用会比较方便。这一判断与许多企业实践者的经验一致——数据不出内网是内部 AI 应用的重要前提。

你可能没注意到，教程特别讲解了 MySQL 8 在 Windows 上的安装。原因在于后续在 Dify 中构建的 AI 应用需要访问数据库，而 Docker 部署的 Dify 网络可以与 Windows 上的 MySQL 8 通信，也可以与 VMware 虚拟机中的数据库通信。数据库放在哪里并非关键，连通性才是重点。

Docker 是一种容器化技术，它把应用及其依赖打包成标准化的“容器”，使应用能在不同环境中以一致的方式运行。对于 Dify 这类包含多个服务（前端、后端、数据库、向量库等）的平台，Docker Compose 可以一键拉起整套服务，避免手动安装各种依赖的繁琐。Windows 用户通常先安装 Docker Desktop，再执行官方提供的 docker-compose 配置文件即可完成部署。相比源码部署，Docker 方式对环境侵入更小、升级回滚更方便，也是教程推荐给新手的原因之一。

内网穿透 是指借助公网服务器中转，把处于内网（如家庭或公司局域网）中的本机服务暴露到互联网上。常用工具有 frp、ngrok、cpolar 等。Dify 在线版本身运行在官方服务器上，无法直接访问用户本机的数据库或本地服务；而自建版与数据库处于同一网络，可直接内网通信。理解这一点，就能明白教程为何强调“在线版调用本机数据库需要内网穿透”。

五类应用形态：从聊天助手到工作流

课程将 Dify 的应用创建归纳为五个方向，这也是 UP 主反复强调的核心框架：

• 聊天助手：最基础的对话式应用，与 AI 模型进行多轮聊天。
• 文本生成：面向文章、文档、小说、故事等内容生成场景。
• Agent 智能体：与聊天助手和文本生成的主要区别在于可以调用工具，例如先爬取网页再进行分析。
• Chat Flow：支持与工作流进行聊天交互。
• Workflow：只能进行一次性的输出，给出结果即结束。

据 UP 主介绍，前三种属于基础应用，后两种属于工作流范畴。Chat Flow 与 Workflow 的区别被概括为“能否聊天”，但教程也承认，在未了解 Dify 时这个区别难以理解，因此会在后续配备详实案例再展开讲解。

工作流部分还涉及节点概念。节点即构建工作流时的一个个模块，教程表示会覆盖官网提供的大部分常用节点，并为每个节点配备案例。

Agent（智能体） 与普通聊天助手的本质区别在于“工具调用”能力。普通对话应用只能基于模型自身的知识回复，而 Agent 可以在推理过程中决定调用外部工具——例如网页爬虫、搜索引擎、计算器、数据库查询接口等，并根据工具返回的结果继续推理，直至完成任务。这通常依赖模型的 Function Calling 能力。Dify 中为 Agent 配置工具后，模型会自主判断何时调用、传什么参数，因此更适合需要获取实时信息或多步操作的任务。

工作流（Workflow） 是把复杂任务拆解为多个节点并按顺序或条件编排的执行图。常见节点包括开始节点、LLM 节点、代码节点、条件分支、知识库检索、HTTP 请求、变量聚合与结束节点等。与单次问答相比，工作流的优势是流程可控、结果可复现，适合文档处理、数据抽取、多步推理等场景。Chat Flow 则是在工作流基础上增加了对话上下文，让用户可以在流程中多轮交互。

模型接入：付费 API 与本地 Ollama 的取舍

在模型接入环节，UP 主给出了明确的倾向性建议：优先接入外部付费模型。课程中提到的模型包括 DeepSeek^广告（原文口误为 DeepSig）、ChatGPT，以及可申请免费 token 的文心一言和阿里通义千问^广告，后者免费额度据称在百万级别。

UP 主以自己的 DeepSeek 账户为例，充值 10 元后长期使用消耗不到 1 元，以此说明付费模型的成本并不高。对于本机模型，教程的态度是“不建议”：虽然会讲解 Dify 如何整合本地 Ollama 模型，但本地小模型的效果通常不够理想。不过对于机器性能好或拥有企业级集群部署的用户，本地大模型方案仍然可行。

Ollama 是一个本地大模型运行工具，提供简单的命令行与 API，可一键下载并运行 Llama、Qwen、Gemma 等开源模型。它的优势是数据不出本机、无需按 token 付费；劣势是对硬件要求较高，且 7B～14B 级别的本地小模型在推理、指令遵循和长上下文处理上通常明显弱于云端大模型。因此教程“不建议优先使用本地模型”的建议，主要针对普通个人电脑；若拥有高性能 GPU 或企业级集群，本地部署大模型在隐私与成本上仍有价值。

API 付费模式 指按 token 用量计费调用云端模型服务。对于个人开发与原型验证，单次调用成本通常很低，充值少量金额即可长期使用；而免费额度较大的国产模型（如通义千问、文心一言）适合入门练习。选择模型时需综合考虑效果、成本、响应速度与数据合规要求。

应用发布：不止于本地页面

课程的最后一部分聚焦应用发布。据 UP 主说明，在 Dify 中构建的应用可以发布为公开 Web 站点，生成可访问链接；也可以嵌入到自有网站，或通过 API 方式调用。这意味着 Dify 构建的应用不局限于本地页面使用，具备对外交付的能力。公开站点方案同样需要内网穿透支持。

这门课适合谁

从课程大纲来看，这门教程的定位是零基础到实战：先讲概念与部署，再讲数据库配置，最后进入五类应用与工作流节点的案例操作。对于想系统学习 Dify、且偏好中文手把手教学的开发者，框架相对完整。需要提醒的是，UP 主在课程中提到工作流在其使用的版本中仍处于测试阶段，实际学习时应以当前官方文档为准。

课程中“20+ AI 应用”的说法来自案例数量的规划，包括基础应用案例、工作流节点案例以及 Chat Flow 与 Workflow 的综合案例。具体案例质量如何，仍需实际观看后判断。