Dify部署实录：Docker+MySQL+模型接入全流程

Dify 是当下热门的 AI 应用开发平台，它让没有深厚工程背景的用户也能快速搭建聊天助手、文本生成、Agent 智能体以及工作流应用。但很多新手卡在第一步：怎么把 Dify 跑起来？B 站 UP 主的这期部署教程给出了一个清晰的 Windows + Docker 路线，本文在复述流程的同时，补充关键决策点和容易踩坑的细节。

为什么选择本地 Docker 部署

UP 主明确提到，Dify 有三种使用方式：官方在线版、源码部署、以及基于 Docker 的本地部署。在线版开箱即用，但当你的 AI 应用需要访问本机数据库或本地环境时，就得做内网穿透把本机 IP 暴露到公网，配置成本反而更高。

本地 Docker 部署的优势在于：Dify 运行在 Docker 网络中，可以直接与本机 Windows 上的 MySQL 通信，也可以连通 VMware 虚拟机里的服务。这意味着你构建的应用能无缝读写本地数据，调试链路更短。UP 主也提醒，生产环境建议自行部署到公司内网，方便内部应用调用。

Docker 网络与宿主机通信：Docker 容器默认运行在独立的虚拟网络中，容器内的 localhost 指向容器自身，而非 Windows 宿主机。因此，当 Dify 容器需要访问宿主机上的 MySQL 时，不能使用 localhost 或 127.0.0.1，而应使用宿主机在 Docker 网络中的特殊域名 host.docker.internal（Docker Desktop for Windows 默认支持），或直接使用宿主机的局域网 IP。理解这一点是后续数据库配置不踩坑的关键。

MySQL 8 在 Windows 上的安装逻辑

教程专门用一节讲 MySQL 8 的 Windows 安装，原因很直接：后续在 Dify 里构建的 AI 应用需要和数据库打交道，读取数据、写入结果。把 MySQL 装在 Windows 宿主机上，Docker 里的 Dify 就能通过网络访问它。

UP 主也给出了替代方案：MySQL 可以基于 Docker 部署，或者放在 VMware 虚拟机里，Dify 的 Docker 网络都能连通。这给了用户根据现有环境灵活选择的余地，不必死守一种安装方式。

MySQL 8 的认证插件变化：MySQL 8 默认使用 caching_sha2_password 作为身份验证插件，而部分旧客户端或驱动可能仍依赖 mysql_native_password。若 Dify 连接 MySQL 时遇到认证失败，可在 MySQL 中为对应用户执行 ALTER USER '用户名'@'%' IDENTIFIED WITH mysql_native_password BY '密码'; 并刷新权限。此外，需确保 MySQL 允许远程连接（修改 bind-address 并授权用户从任意主机访问），否则 Docker 容器无法连通。

Dify 连接 MySQL 的配置要点

部署完 Dify 和 MySQL 之后，关键一步是让 Dify 认识你的数据库。教程将“Dify 连接 MySQL 的配置”单独列出，因为后续所有涉及数据交互的 AI 应用都依赖这条连接。配置本身不复杂，但需要准确填写主机地址、端口、账号密码和数据库名，尤其注意 Docker 网络中的宿主机地址不能直接写 localhost。

五类核心应用与工作流节点

Dify 创建应用时提供五种类型：聊天助手、文本生成、Agent 智能体、Chatflow 和 Workflow。UP 主用一句话点明了区别：聊天助手和文本生成是基础交互；Agent 智能体可以调用工具完成多步指令，比如先爬取网页再分析；Chatflow 和 Workflow 都属于工作流，前者支持对话式交互，后者是一次性输入输出。

工作流由节点构成，教程会逐一讲解常用节点并配备十几个案例。UP 主强调，这些节点几乎覆盖了 Dify 官网提供的大部分节点，学完就能应对多数搭建场景。

Agent 智能体与工作流的区别：Agent 智能体基于大模型的推理能力，能自主决定调用哪些工具（如搜索、计算、API），适合开放式、多步骤任务；而工作流（Chatflow/Workflow）由开发者预先编排节点顺序，执行路径确定，适合流程固定、需要精确控制的场景。两者可以结合使用——在工作流中嵌入 Agent 节点，兼顾灵活性与可控性。

模型接入：付费 API 还是本地 Ollama

接入大模型是绕不开的环节。UP 主建议优先使用付费 API，如 DeepSeek^广告、ChatGPT，或者利用百度文心一言、阿里通义千问^广告提供的免费 token。他算了一笔账：DeepSeek 充值十元能用很久，实际消耗不到一元。

本机 Ollama 模型不是首选，因为本地小模型效果通常不理想。但如果机器性能足够，或者企业有集群部署的 Ollama，下载大参数模型（如 DeepSeek 开源的大模型，体积可达四百多 G）也能接入 Dify 构建企业级应用。教程最后会专门演示 Dify 关联 Ollama 本地模型的案例。

Ollama 的定位与接入方式：Ollama 是一个本地大模型运行工具，支持一键下载和运行 Llama、DeepSeek 等开源模型。在 Dify 中接入 Ollama 时，需在模型供应商设置中填写 Ollama 服务的 API 地址（默认为 http://host.docker.internal:11434），并确保 Ollama 允许跨域请求（设置环境变量 OLLAMA_HOST=0.0.0.0）。本地模型无需网络和 API 费用，但推理速度与效果取决于硬件配置，适合对数据隐私要求高或需要离线运行的场景。

应用发布：从本地到公网

构建好的应用不局限于 Dify 内部使用。教程覆盖了应用发布环节：可以生成公开 Web 站点链接供他人访问，也可以嵌入到自己开发的网站或第三方平台。公网发布同样涉及内网穿透，这是本地部署走向外部可用的必要一步。

整期课程围绕“部署—连接—使用—发布”展开，对新手来说，跟着走一遍就能把 Dify 的基础链路跑通。