Dify从0搭建AI应用全指南：五大应用与工作流详解

Dify是什么：低门槛的AI应用构建平台

Dify本质上是一个AI应用平台，它的核心价值在于把原本复杂的大模型开发流程封装成可视化操作，让企业级和个人级的AI应用都能快速落地。你不需要写大量胶水代码，就能把大语言模型、外部工具、数据库这些组件串联起来，搭建出可用的产品。

对于想入门AI智能体开发的人来说，Dify降低了两个层面的门槛：一是不用从零编写调用逻辑，二是提供了可视化的工作流编排。这也是这套教程强调「从0搭建20+应用」的底气所在——平台本身把重复劳动省掉了，学习者可以把精力放在应用设计上。

三种部署方式：本地Docker、源码与官方在线

Dify的部署有三条路径，各有适用场景。教程中采用的是基于Windows Docker的本地部署方案，这也是最推荐给学习者和企业内部使用的方式。

官方在线页面：最省事，直接使用官方托管的Dify，界面与自建版本完全一致。但如果你的AI应用要访问本机数据库或本地环境，就需要借助内网穿透工具把本机IP暴露到公网。
源码部署：适合需要深度定制的开发者。
本地Docker部署（教程采用）：在Windows上安装Docker后部署Dify，本机的MySQL或其他环境都能被Dify直接调用，生产环境下企业内部应用尤其方便。

我们需要访问我们的数据库

这里有个关键的网络细节：Docker安装完成后，Dify的网络能够与Windows宿主机上的MySQL通信，也能与VMware部署的虚拟机通信。换句话说，数据库放在Windows本机、Docker容器里还是虚拟机中都可行，灵活度很高。

Docker是一种容器化技术，它把应用程序及其所有依赖打包进一个隔离的「容器」中运行，确保在任何机器上的运行结果一致。对于Dify这样由多个服务组成的复杂应用（包括Web服务、数据库、向量存储等），Docker Compose可以用一条命令同时启动所有服务，省去逐个安装配置的麻烦。Windows上需要先安装Docker Desktop，它在底层通过WSL2（Windows Subsystem for Linux 2）提供Linux运行环境。安装完成后，Dify容器内的服务能通过Docker的虚拟网络桥接访问Windows宿主机上的本地端口，这正是它能直接连通本机MySQL的技术基础。

数据库集成：为什么要装MySQL 8

教程专门安排了MySQL 8在Windows上的安装讲解，原因很实际：后续在Dify里构建的AI应用往往需要读取数据库中的数据，做数据驱动的智能交互。所以先把数据库准备好，再讲解Dify连接MySQL的配置，逻辑上是顺理成章的。

如果你已经熟悉MySQL安装，这一节可以直接跳过。MySQL的部署位置并不受限——本机安装、Docker容器或虚拟机都能与Dify打通，这也体现了本地部署方案在环境整合上的优势。连接配置是让AI应用真正「用上数据」的关键一步，不能省略。

Dify的五大核心应用类型

Dify在创建应用时提供五种类型，这也是整套课程的主干内容。它们覆盖了从简单对话到复杂编排的完整光谱。

三种基础应用

聊天助手：最基础的形态，就是与AI模型进行对话交互。
文本生成：让模型一次性产出内容，比如写文章、生成文档、撰写故事或小说。
Agent智能体：与前两者最大的区别在于它能调用工具，系统性地完成用户指令。例如先爬取网页、再对内容做分析，这类多步骤任务正是智能体的强项。

文本应用也好

工作流：Chatflow与Workflow

除了三种基础应用，工作流是Dify里更进阶也更强大的能力，它又分为两类：

Chatflow（聊天流）：支持你与工作流进行多轮对话。
Workflow（工作流）：面向一次性任务，输入后直接输出结果，不做持续对话。

两者的核心差异就在于是否支持对话式交互。工作流由一个个「节点」组成，每个节点相当于一个功能模块，把它们编排起来就构成了完整的处理流程。教程会重点讲解官网提供的大部分常用节点，并为十几个节点配备实操案例。

就是chatflow还有workflow

大模型接入：优先选择付费云端模型

所有这些应用都要与大模型交互，所以接入模型是第一步。教程给出的建议很明确：优先使用付费的云端模型，而不是本地部署的小模型。

可选的模型包括DeepSeek、ChatGPT等付费模型，也有百度文心一言、阿里通义千问这类提供免费token的选项。免费token通常是百万级别，对学习和测试足够用。

今儿一听到付费呢

听到「付费」不必紧张。以DeepSeek为例，充值十元可以用很久——教程作者提到自己充了十元，用了很长时间还没花到一块钱，成本极低。之所以不推荐本地模型（如通过Ollama部署的小模型），是因为参数量小的模型效果有限，实际应用体验不佳。

当然，如果你的机器性能足够强，或者是企业级集群部署，用Ollama跑DeepSeek开源大模型（最大参数版本下载后可达400多G）也完全可行，效果会更好。Dify与本地Ollama模型的整合，教程后续也会配案例讲解。

Token是大语言模型计量输入输出长度的基本单位，粗略来说中文约1.5个汉字对应1个token，英文约4个字符对应1个token。云端模型通常按token消耗量计费：输入token（你发给模型的内容）和输出token（模型返回的内容）分别计价。DeepSeek、通义千问等模型的API价格已降至极低水平，百万token仅需数元人民币。部分平台还会在新用户注册时赠送免费额度，足够完成整套教程的学习实验。选择云端API而非本地部署的另一个优势是无需占用本机GPU资源，普通笔记本也能流畅运行所有Dify应用。

应用发布：从内部使用到公开上线

在Dify里构建的应用不只能在自己部署的平台内使用，发布方式相当多样：

发布为公开Web站点：生成一个所有人都能访问的链接，把应用发布到公网。本机部署的话需要配合内网穿透打通内外网。
嵌入到自有网站：将应用作为组件集成进你开发的网站。
通过API调用：以API（含Python API）方式接入，供其他系统程序化使用。

这一环节把Dify从「本地实验工具」提升为「可交付的产品能力」，无论是对外提供服务还是对内集成到业务系统，都有对应的落地路径。

内网穿透是将本地网络中的服务暴露到公网的技术手段。由于家庭宽带和企业内网通常没有固定公网IP，外部用户无法直接访问本机部署的Dify服务。内网穿透工具（如frp、ngrok、Cloudflare Tunnel等）通过在公网服务器上中转流量，为本地服务分配一个可公开访问的域名或IP。对于Dify的本地部署场景，如果只是内部团队使用，局域网内直接访问即可；若需要对外发布应用或让Dify的Webhook功能接收外部请求，则需配置内网穿透。企业环境下，将Dify部署在拥有公网IP的云服务器上是更稳定的替代方案。

总结

整套Dify教程的脉络清晰：从平台认知、Docker部署、数据库集成，到五大应用类型（聊天助手、文本生成、Agent智能体、Chatflow、Workflow）的逐一实操，再到模型接入与应用发布。对于想系统入门AI应用搭建的人来说，这条学习路径把可视化编排、数据集成和上线发布串成了一条完整链路，配合丰富的案例，比单纯啃文档更容易上手。

背景补充

Agent（智能体）的核心机制通常被称为ReAct或工具调用循环：模型接收用户指令后，自主判断需要调用哪些工具、按什么顺序执行，然后根据工具返回的结果决定下一步行动，直到任务完成。这与聊天助手的单轮问答有本质区别——智能体具备「规划-执行-观察-再规划」的迭代能力。常见的可调用工具包括网络搜索、代码执行、数据库查询、文件读写等。Dify的Agent应用封装了这套循环逻辑，用户只需配置工具列表和系统提示词，无需手动实现调用调度代码。