Dify 私有化部署完整教程：从零搭建 AI 应用平台

Dify 作为当前热度极高的开源大语言模型应用开发平台，正在成为个人开发者和企业构建生成式 AI 应用的首选工具之一。本文基于 B 站 UP 主的实战教程，梳理 Dify 私有化部署的完整流程，并演示如何接入大模型、构建第一个聊天应用，帮助你少走弯路快速上手。

Dify 是什么，为什么值得用

Dify 是一款开源的大语言模型应用开发平台，它融合了后端即服务（BaaS）与 LLMOps 的理念，让开发者能够快速搭建生产级的生成式 AI 应用。它最大的特点是降低了门槛——即使是非技术人员，也能参与到 AI 应用的定义与数据运营过程中。

平台内置了大模型应用所需的关键技术栈，已对接数百个模型，界面简洁易用，并提供一套实用的 API 方便业务集成，省去大量重复造轮子的时间。主界面包含几个核心模块：应用创建、工作室、知识库和工具。

相比 LangChain、Flowise、OpenAI Assistants API 等同类工具，Dify 的优势在于它是由专业全职团队与社区共同打造的开源项目，用户可以在源码基础上做二次开发，打造个人专属或企业专业版的 Dify。官方对比文档也显示，Dify 在工作流编排和企业级功能上更为完善，本地部署也相对方便。

Dify 的应用场景相当广泛：可以用来快速搭建 MVP 产品做概念验证（POC）；可以将大模型能力通过 API 集成到自有业务代码中，提升业务的智能化程度；也可以作为企业级大模型基础设施——已有银行和大型互联网公司将其部署为内部大模型网关，加速生成式 AI 在企业内的推广。

LLMOps（Large Language Model Operations）是借鉴 MLOps 理念、专门面向大语言模型应用全生命周期管理的工程实践体系，涵盖提示词版本管理、模型评估与切换、调用日志监控、成本追踪等环节。**BaaS（Backend as a Service）**则是一种将后端通用能力（身份验证、数据库、文件存储、API 网关等）托管化、服务化的架构模式，开发者无需自建后端基础设施即可直接调用。Dify 将两者结合，意味着它既提供了现成的后端服务（向量数据库、用户管理、API 端点），又内置了针对大模型应用的运营工具（对话日志、标注反馈、模型性能对比），开发者可以专注于业务逻辑本身，而非重复搭建底层设施。

两种使用方式：云服务 vs 私有化部署

使用 Dify 主要有两种方式。如果只是想简单体验，可以直接访问官方云服务 cloud.dify.ai，注册账号即可使用，功能上与自部署差别不大，适合做技术了解和快速试玩。

如果需要定制化、二次开发或集成到企业内部，则需要进行私有化部署。官方推荐的方式是 Docker Compose。值得一提的是，Dify 对硬件配置要求较低，基本上 2 核 CPU + 4G 内存就能跑起来——因为它主要是调用大模型的能力，本身不承担模型推理负载。如果连大模型也要自己部署，配置要求才会显著提高。

关于版本选择，Dify 目前同时维护 0.x 和 1.x 两个版本线。教程作者出于稳定性考虑，选用了 0.15.7 版本；如果想体验新功能，也可以使用 1.x 版本。

Docker Compose 部署实操

获取安装包有两种方式：一是通过 Git 克隆项目再切换到指定版本，二是直接下载对应版本的源码压缩包（Zip）。对新手而言，直接下载 Zip 包更省事。

部署环境使用的是 Ubuntu 22.04 服务器。将下载的压缩包上传到 Linux 服务器解压后，进入其中的 docker 目录，可以看到关键的 docker-compose.yaml 文件。

部署命令非常简洁，核心就两步：

1. 复制环境配置文件：将 .env.example 复制为 .env，这个文件定义了 Dify 的基础环境，比如默认端口是 80（部署完直接用 IP 即可访问，无需加端口）。
2. 启动服务：执行 docker-compose up -d（若使用 Docker Compose 2.0 则为 docker compose up -d）。

首次执行会下载镜像，由于默认使用国外镜像地址，速度较慢，作者实测耗时十几分钟。建议配置国内镜像加速器以提速。

启动完成后，通过 docker-compose ps 可查看运行中的容器。Dify 实际由多个服务组成：Nginx（对外的 80 端口服务，负责转发）、Dify Web、Dify API、Redis，以及向量数据库（默认使用开源的 Weaviate）。当所有服务都处于 Up 状态，就说明部署成功了。

访问方式很简单，直接在浏览器输入服务器 IP（如 192.168.1.127）即可。首次进入需要初始化设置管理员账号（邮箱）和密码。

关于更新与卸载：更新只需拉取最新代码后执行 docker-compose pull 和 up -d；卸载则在 docker 目录下执行 docker-compose down。需要特别注意，所有 docker-compose 命令必须在包含 docker-compose.yaml 的目录下执行，否则无效。此外同一台服务器只能运行一个版本，多版本会导致端口冲突。

如果使用云服务器时无法访问，通常是网络问题——需检查安全组白名单和防火墙策略是否放行了对应端口。

Docker Compose 是 Docker 官方提供的多容器编排工具，通过一个 YAML 配置文件描述应用所需的全部服务（容器）、网络和存储卷，一条命令即可启动或停止整个服务栈。对于 Dify 这类由多个微服务组成的系统（Web 前端、API 服务、数据库、缓存、向量库等），Docker Compose 避免了逐一手动启动和配置容器的繁琐工作。.env 文件是 Compose 的环境变量注入机制——启动时 Compose 会自动读取同目录下的 .env 文件，将其中定义的变量替换到 docker-compose.yaml 里的占位符中，从而实现配置与代码分离，修改端口、密钥等参数只需改 .env 而无需动核心配置文件。

接入大模型

部署完成后的第一件事是接入大模型。点击右上角管理员菜单 → 设置 → 模型提供商，选择需要的模型进行配置。

教程作者配置了两个模型：OpenAI 和硅基流动（SiliconFlow）。其中硅基流动被推荐为国内较优的模型提供方，聚合了通义千问、DeepSeek 等大量模型，涵盖文本、语音、图片、视频等能力，全部通过 API 调用，无需自行部署，且注册即赠额度，非常适合学习使用。

除硅基流动外，国内还可选择通义千问、智谱、文心一言、Kimi 等，多数都提供免费额度，付费价格也不高。若在海外，则可使用 Google、Hugging Face 等服务。配置模型只需填入对应平台的 API Key 即可。

构建第一个聊天应用

模型接入后就可以创建应用。在「工作室」中点击「创建空白应用」，可以看到几种应用类型：

• 聊天助手：通过简单配置快速搭建对话机器人，适合问答类场景。
• Agent（智能体）：具备推理与自主工具调用能力，适合执行任务，如查询天气、旅行规划、生成图片等。
• 文本生成应用：专注特定任务，如翻译、语音转录等。
• Chatflow / 工作流：面向进阶用户，Chatflow 用于支持记忆的复杂多轮对话，工作流则可编排包含分支逻辑、多模型调用、知识库检索、第三方 API 调用等复杂流程。

工作流是 Dify 能力的集大成者。以生成爆款视频为例，可以串联文案生成（调用 DeepSeek）、语音配音、视频合成、数字人对口型等多个节点，各节点产出通过变量传递。Dify 内置了据称上百种工具，涵盖天气查询、文生图（DALL·E、Stable Diffusion）、文本转语音、飞书消息、日程日历、搜索引擎等。需注意工作流发布前必须保证流程完整，否则会报错无法保存。

教程以最简单的聊天助手为例演示：创建应用后，在提示词区域定义 AI 角色（如「你是一个英语学习助手」）。如果不会写提示词，可以点击「生成」功能，用自然语言描述需求，Dify 会调用已配置的 GPT-4o 自动生成提示词。作者实测创建了一个多语言翻译机器人，输入中文「我今天去爬山了」即可得到英文翻译。

此外，聊天应用还支持配置对话开场白、上下文、文件上传、文字转语音、知识库、视觉功能等，可持续优化交互体验。

关键提醒：配置完成后必须点击右上角的「发布 / 更新」按钮才能保存，否则刷新页面配置将丢失。

**Agent（智能体）**与普通聊天助手的核心区别在于其具备「工具调用」和「多步推理」能力。普通聊天助手本质上是单轮或多轮的提示词对话，模型只能生成文本；而 Agent 基于 ReAct（Reasoning + Acting）等框架，能够自主决定「是否需要调用工具」「调用哪个工具」「如何处理工具返回结果」，并在多次工具调用之间保持推理链路，最终汇总输出结果。**工作流（Workflow）**则是将这种编排逻辑以可视化节点图的形式固化下来，适合流程相对固定、需要精确控制每一步输入输出的场景；相比 Agent 的自主决策，工作流的行为更可预测、更易调试，更适合生产环境中对稳定性要求较高的业务场景。

小结

上手 Dify 的完整路径可以概括为四步：了解其功能特性 → 通过 Docker Compose 本地部署 → 接入大模型 → 构建应用并测试对话效果。凭借极低的配置门槛和开箱即用的模块化设计，Dify 让个人与企业都能以较小成本切入生成式 AI 应用开发。掌握了基础的聊天应用后，即可进一步探索 Agent 和工作流，构建更复杂的智能应用。