Dify 新手入门：本地部署、知识库与工作流全解析

Dify 是一款帮助用户快速构建 AI 应用的开源平台，无论是个人使用还是企业级应用，都能通过它低门槛地搭建聊天助手、文本生成、Agent 智能体以及工作流。B 站 UP 主在“Dify 上手日记”系列中，用 43 个分 P 完整记录了从部署到应用发布的全部流程。本文基于该教程的核心内容，梳理出一条清晰的学习路径，帮助新手避开常见坑点。

为什么选择 Dify：一个平台覆盖五类 AI 应用

Dify 的核心价值在于把 AI 应用的常见形态做了标准化封装。UP 主在视频中打开自己部署的 Dify 界面，创建应用时可以看到五个选项：聊天助手、文本生成、Agent 智能体、ChatFlow 和 WorkFlow。前三种属于基础应用，后两种属于工作流范畴。

聊天助手和文本生成的区别在于交互方式：前者支持多轮对话，后者适合一次性生成文章、文档或小说。Agent 智能体的特殊之处是能够调用工具，例如先爬取网页再进行分析，从而完成更复杂的指令。ChatFlow 和 WorkFlow 则用于编排多步骤流程，前者允许用户与工作流对话，后者只输出一次性结果。UP 主强调，这五类应用在学习过程中都会配备案例，每个节点也会单独演示。

部署方式：Windows + Docker 是最适合新手的路径

Dify 提供三种使用方式：官方在线版、源码部署和 Docker 部署。UP 主选择的是 Windows 系统下通过 Docker 部署，原因是这样能让 Dify 直接访问本机的 MySQL 等环境，避免在线版需要内网穿透的麻烦。如果只是体验，官方在线页面与自建页面几乎一致，但涉及本机数据库时就需要把本地 IP 暴露到公网，增加了复杂度。

对于生产环境，UP 主建议在公司内部自行部署，数据可控且调用方便。部署完成后，Dify 运行在 localhost 上，后续所有应用都基于这个本地实例展开。

Docker 与内网穿透的背景说明

Docker 是一种容器化技术，它把应用及其依赖打包进独立的运行环境，避免因系统差异导致的安装问题。Dify 官方提供了 docker-compose 配置文件，一条命令即可拉起 Web 前端、API 后端和数据库等组件，这也是新手选择 Docker 部署的主要原因。内网穿透则是指通过 frp、ngrok、cpolar 等工具，把本地 localhost 上的服务映射到公网地址，使外部用户能够访问。由于家庭或公司网络通常没有固定公网 IP，本地部署的 Dify 若想对外提供服务，就必须借助内网穿透，这也是在线版与自建版在公网访问上的核心差异。

数据库准备：MySQL 8 安装与连接配置

为了让 Dify 中构建的 AI 应用能读取业务数据，教程单独讲解了 MySQL 8 在 Windows 下的安装。UP 主解释了这样做的原因：Docker 部署的 Dify 需要与 Windows 上的 MySQL 通信，而 MySQL 也可以放在 Docker 或 VMware 虚拟机中，网络是互通的。安装完成后，还需要在 Dify 中配置连接信息，这是后续应用读取数据库的前提。

模型接入：优先选用付费 API，本地模型作为补充

在接入大模型环节，UP 主给出了明确的建议：优先使用付费 API，例如 DeepSeek^广告、ChatGPT，或者百度文心一言、阿里通义千问^广告提供的免费 token。付费模型的效果更稳定，而 DeepSeek 的定价极低，充十元钱可以用很久——UP 主展示自己的账户，累计使用不到一元钱。

本地模型方面，Dify 可以通过 Ollama 整合本机部署的模型，但 UP 主提醒，个人电脑能跑的模型通常参数较小，效果有限。如果机器性能足够，或者企业有集群部署的大参数模型（例如 DeepSeek 开源的大模型），则完全可以用 Dify 构建企业级应用。

Ollama 与模型参数规模

Ollama 是一个本地大模型运行工具，支持一键下载和运行 Llama、Qwen、DeepSeek 等开源模型，并通过兼容 OpenAI 的 API 供 Dify 调用。模型效果与参数规模密切相关：个人电脑通常只能运行 7B 到 14B 参数的小模型，推理能力和知识广度有限；而企业集群可以部署 70B 甚至更大的模型，效果接近付费 API。因此 UP 主建议新手优先用付费 API 保证效果，待硬件条件允许时再用 Ollama 作为补充或离线方案。

工作流与节点：理解 ChatFlow 和 WorkFlow 的区别

工作流是 Dify 的进阶功能，教程用大量篇幅讲解节点概念。创建 ChatFlow 或 WorkFlow 时，需要把一个个模块拼接成流程，每个模块就是一个节点。UP 主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。

两者区别可以用一句话概括：ChatFlow 支持与用户对话，WorkFlow 只做一次性输出。对于刚接触 Dify 的用户，不必死记概念，后续案例会帮助理解。

LLM 应用中的「节点」概念

在 Dify 的工作流中，节点是流程编排的最小执行单元，每个节点承担一项明确职责，例如调用大模型、执行条件判断、处理文本、调用外部 API 或读写数据库。节点之间通过输入输出变量连接，上游节点的输出可以作为下游节点的输入，从而形成有向无环图（DAG）。这种设计与 n8n、Zapier 等自动化工具的思路相似，但 Dify 的节点更偏向大模型场景，内置了 LLM 调用、知识库检索、代码执行等专用节点。理解节点机制后，就能把复杂任务拆解为多个可复用的步骤，再按业务逻辑拼装成完整流程，这也是 ChatFlow 和 WorkFlow 能够灵活扩展的根本原因。

应用发布：从本地到公网站点

构建好的应用不局限在 Dify 界面内使用。教程最后一部分讲解如何把应用发布为公开 Web 站点，生成可访问的链接，或者嵌入到自己的网站、通过 API 调用。如果要在公网访问本地部署的 Dify，同样需要内网穿透工具。

学习路径总结

这套 43 分 P 的教程按照“认识 Dify → 部署 → 装数据库 → 接模型 → 基础应用 → 工作流 → 发布”的顺序推进，每个环节都有实操案例。对于新手，建议先跟着 Docker 部署跑通本地环境，再接入一个付费模型 API，从聊天助手开始熟悉界面，最后进入工作流节点。UP 主反复强调案例驱动，这也是 Dify 这类工具最高效的学习方式。