Dify入门全攻略：部署配置与工作流实战指南

Dify是什么：低门槛的AI应用构建平台

Dify是一个开源AI应用构建平台，核心价值在于让开发者乃至零基础用户都能快速搭建各类AI应用——无论是企业级复杂系统，还是个人使用的轻量工具，都可以在这个平台上完成。

Dify基于**LLMOps（大语言模型运维）**理念构建，是当前AI应用开发领域「低代码/无代码」趋势的典型代表。要理解LLMOps的价值，需要从其前身MLOps说起：MLOps（机器学习运维）是将DevOps工程实践引入机器学习领域的方法论，解决模型训练、版本管理、上线部署、性能监控等工程问题。随着大语言模型的兴起，传统MLOps框架无法覆盖大模型特有的工程挑战——例如提示词（Prompt）本身就是一种需要版本化管理的「软件资产」，模型幻觉（Hallucination）需要专门的评估机制，推理API调用成本需要精细化追踪，不同模型提供商的API规范也各不相同。LLMOps正是为解决这些大模型时代的特有问题而生，专注于提示词版本管理、模型切换、推理成本控制、输出质量评估等全生命周期管理。Dify将这些能力封装为平台级功能，使团队无需自研底层基础设施即可享受完整的LLMOps能力。

其底层通过统一的模型抽象层对接各类大模型API，并借助**RAG（检索增强生成）**管道、向量数据库等组件实现知识库能力。RAG是解决大模型知识局限性的核心技术范式——大语言模型的知识固化在训练参数中，存在两大天然缺陷：其一，知识存在截止日期（Training Cutoff），无法获知训练后发生的事件；其二，无法直接访问企业私有数据。RAG（Retrieval-Augmented Generation）的原理是在生成回答前，先通过向量相似度检索从外部知识库中找出与问题语义最相关的文档片段，将这些片段作为「参考资料」注入提示词上下文，从而让模型基于实时、私有的领域知识作答。这一范式有效弥补了上述两大缺陷，且相比微调（Fine-tuning）成本低得多——微调需要准备大量标注数据并消耗大量GPU算力，而RAG只需维护一个可持续更新的知识库即可。这一系列组件使得整个平台具备从原型验证到生产部署的完整能力链条。

支撑RAG知识检索的核心存储组件是向量数据库。文本经过Embedding模型（如OpenAI的text-embedding系列、开源的BGE、E5等）编码后，转化为数百至数千维的浮点数向量——这一过程的物理意义在于：语义相近的文本在高维向量空间中的几何距离也相近，「苹果」与「水果」的向量距离，会远小于「苹果」与「汽车」的向量距离。向量数据库通过ANN（近似最近邻）算法（如HNSW图索引算法、IVF倒排文件索引等）在海量向量中实现毫秒级的语义相似度检索，其检索能力远超传统全文搜索的关键词匹配——后者只能找到包含相同词汇的文档，而向量检索能找到语义相近但用词不同的内容。Dify支持Weaviate、Qdrant、Milvus、Chroma等主流向量数据库，默认集成方案可开箱即用。

对于想快速验证AI应用想法、又不希望从零编写大量底层代码的团队和个人而言，Dify大幅降低了构建门槛。它把大模型调用、工作流编排、工具集成等能力封装为可视化模块，让"搭建AI应用"这件事变得像拼积木一样直观。

本文基于B站UP主的系统教学内容梳理整合，帮你从整体上理解Dify的部署方式、核心应用类型以及实战路径。

三种部署方式：按需选择

Dify的部署方案相当灵活，提供三条路径供不同需求的用户选择。

官方在线版

最简单的入门方式是直接使用官方在线版。其界面与本地部署版本几乎完全一致。需要注意的是：如果你构建的AI应用需要访问本机数据库或本机环境，则需借助内网穿透工具将本机IP暴露到公网，才能让在线服务访问到本地资源。

内网穿透（Intranet Penetration）是指通过中间服务器中转，将局域网内的服务暴露到公网可访问的技术。理解其必要性需要了解家庭/企业网络的基本结构：大多数用户处于NAT（网络地址转换）环境下，本机IP是局域网私有地址（如192.168.x.x），公网无法直接访问。内网穿透工具（常见的有frp、ngrok、花生壳、Cloudflare Tunnel等）的原理是：在本机运行一个客户端，主动向公网服务器建立持久的隧道连接，外部请求到达公网服务器后，经由这条隧道转发至本机服务，再将响应原路返回。整个过程中，本机始终处于「主动连接」状态，绕开了NAT限制。对于需要本地资源访问的场景，内网穿透是关键的网络基础设施组件。

源码部署

适合希望深度定制的开发者，可直接基于源码进行二次开发，灵活度最高。

Docker部署（推荐生产环境）

教程重点演示的是基于Windows Docker的部署方案。Docker是一种容器化技术，通过将应用及其依赖打包为独立镜像，实现「一次构建，随处运行」。Docker于2013年由Solomon Hykes在dotCloud公司内部项目基础上发展而来，迅速成为容器化技术的事实标准。与虚拟机（VM）的根本区别在于隔离层级：VM通过Hypervisor模拟完整的硬件环境，每个VM运行独立的操作系统内核，资源开销大、启动慢（通常数十秒到数分钟）；而Docker容器直接共享宿主机的Linux内核（在Windows上通过WSL2实现），利用Linux的Namespace和Cgroups机制实现进程隔离和资源限制，因此容器启动速度可达秒级甚至毫秒级，镜像体积也远小于VM镜像。

Dify的Docker部署通常使用docker-compose编排多个服务容器。docker-compose是Docker官方的多容器编排工具，通过一个YAML配置文件定义多个服务及其依赖关系、网络、数据卷等，一条命令即可启动整个应用栈。Dify的完整运行需要Web前端、API服务、Celery Worker（异步任务处理）、PostgreSQL（主数据库，存储应用配置和用户数据）、Redis（缓存与消息队列）、向量数据库等多个服务协同，docker-compose正是管理这种复杂多服务依赖关系的理想工具。这也是其网络互通性强的原因——Docker默认创建的bridge网络允许容器间及容器与宿主机之间自由通信，因此Dify容器可与本机MySQL，甚至Windows节点上VMware虚拟机内的环境正常通信。

在生产场景中，建议将Dify自行部署到本机——对公司内部应用而言，这样更加可控安全。这一点对于有数据安全和内网隔离要求的企业场景尤为关键。

为什么要配套安装MySQL

教程中专门安排了MySQL 8在Windows上的安装环节，原因很明确：后续在Dify中构建的部分AI应用需要与数据库交互，读取业务数据来完成AI任务。

MySQL的部署位置非常灵活，支持以下三种方式：

• 直接安装在Windows系统上
• 基于Docker容器部署
• 部署在VMware虚拟机中

由于Docker网络互通性良好，无论MySQL部署在哪里，Dify均可正常连接。完成对应的连接配置后，即可打通"AI应用读取业务数据"这条核心链路——这也是构建企业级AI应用（如基于业务数据的智能问答、报表分析等场景）的基础设施前提。

Dify的五大核心应用类型

这是整个平台最重要的部分。在Dify中创建应用时，主要有以下五种类型可供选择：

基础应用

聊天助手：最简单直接的应用形态，即与AI模型进行多轮对话交互。

文本生成：让AI一次性生成文章、文档、故事等内容，适合批量内容创作场景。

Agent智能体：与前两者有本质区别。要理解Agent的工作机理，需要从其理论基础说起。2022年Google Research提出的ReAct（Reasoning + Acting）框架是现代AI Agent的重要理论基础——ReAct让模型在解决问题时交替生成「思考（Thought）」和「行动（Action）」步骤：先推理当前状态需要做什么，再执行对应动作（如调用工具），观察结果后再进入下一轮思考，形成「思考→行动→观察」的循环，直至任务完成。这一范式赋予了模型解决多步骤复杂任务的能力。在工程实现层面，OpenAI的Function Calling和Anthropic的Tool Use机制将工具调用能力标准化：开发者向模型提供工具的结构化描述（名称、参数、用途），模型在推理过程中可以以结构化JSON格式输出「我需要调用哪个工具、传入什么参数」，系统执行后将结果返回模型，模型继续基于结果推理，这一机制使得工具调用从「提示词技巧」升级为「协议级能力」。在Dify中，Agent通过这些机制调用外部工具，本质是模型在推理过程中动态决策调用哪些工具、以何种顺序执行。Agent最大的特点是可以调用工具，系统性地组合使用多种工具来完成复杂指令。例如，先爬取网页内容，再对其进行分析总结——这类多步骤、需要工具协作的任务，正是Agent的核心用武之地。

工作流应用

除三种基础应用外，Dify还提供重要的工作流应用类型，分为两种：

• Chatflow（聊天流）：支持与工作流进行多轮对话交互，适合需要持续沟通的场景
• Workflow（工作流）：仅进行一次性调用并输出结果，适合固定流程的批处理任务

Dify工作流的设计借鉴了**数据流编程（Dataflow Programming）**思想，这一编程范式起源于20世纪70年代麻省理工学院的研究，其核心思想是将程序表达为有向图——节点代表计算单元，边代表数据流动路径，节点在其所有输入数据就绪时自动触发执行，天然支持并行化处理。在Dify的实现中，每个节点封装特定功能（如HTTP请求、代码执行、LLM调用、知识库检索等），节点间通过数据管道传递变量，复杂的RAG流程（如文档分块→向量化→检索→重排序→生成）可以被可视化地拆解和调试，每个环节的输入输出一目了然。两者的核心区别在于交互方式：Chatflow偏向对话式，Workflow偏向一次性任务处理。

工作流节点：搭建流程的基本单元

构建Chatflow和Workflow时，需要用一个个功能模块组合成完整流程，这些模块就叫做节点。

节点是理解和使用Dify工作流的关键概念。Dify的节点体系覆盖了构建生产级AI流程所需的全部基础能力，从功能维度可以分为几大类：模型交互类（LLM调用节点，支持多轮对话上下文管理）、知识检索类（知识库检索节点，封装了向量检索和重排序全流程）、外部集成类（HTTP请求节点，可对接任意REST API；代码执行节点，支持Python/JavaScript沙箱运行自定义逻辑）、流程控制类（条件判断节点实现分支路由；迭代节点处理列表数据的循环处理；变量聚合节点合并多路径的输出）以及工具调用类（直接在工作流中调用Dify内置或自定义工具）。教程涵盖了最常用的节点类型，据介绍这些节点几乎覆盖了Dify官网提供的大部分节点，且每个节点的讲解都配备详细实战案例——仅工作流节点部分就规划了十几个实战练习。

这种"节点讲解 + 案例实操"的组合学习方式，能帮助初学者把抽象的流程编排概念落地到具体操作中，有效提升上手速度。

大模型接入：选对模型事半功倍

所有AI应用都需要与大模型交互，因此接入大模型是使用Dify的第一步，也是影响应用效果的关键因素。

推荐使用付费的外部模型，例如DeepSeek、ChatGPT等。此外，百度文心一言、阿里通义千问等平台在注册后通常提供百万级免费token额度，足够用于学习阶段的探索测试。

关于Token的概念，有必要深入理解：Token是大模型处理文本的基本单位，其本质是分词算法的产物。主流大模型采用**BPE（Byte Pair Encoding，字节对编码）**算法进行分词——BPE最初用于数据压缩，被引入NLP后，其原理是从单个字符出发，迭代地将高频字符对合并为新的子词单元，最终形成一个既包含常见词汇又能覆盖罕见词的词表。这使得token的粒度介于字符和单词之间：常见英文单词通常对应1个token，中文因字符集更大，通常1个汉字约对应1.5个token（即约100个汉字消耗150个token）。从计费角度，模型API按输入token（提示词 + 历史对话 + 检索到的上下文）和输出token（模型生成的回复）分别计价，上下文窗口（Context Window）也以token数为单位限制单次可处理的总长度（如GPT-4 Turbo支持128K token窗口，约等于30万汉字）。理解token计费机制，有助于在构建应用时合理设计提示词长度，控制使用成本，并在RAG场景中权衡检索召回文档的数量与长度。

关于费用问题，可以放心：DeepSeek这类国产模型定价通常为每百万token仅需数元人民币，相比GPT-4系列低一个数量级，价格极其低廉。教程实际演示中充值10元，使用很长时间后还不到1元的消耗。

不建议使用本机小模型：虽然Dify支持接入Ollama本地部署的模型，但普通机器能运行的模型参数量有限（通常7B至13B参数规模），在复杂推理、长文本理解、指令遵循等维度上与千亿参数级别的闭源模型存在显著差距，实际效果往往不够理想。当然，如果你的设备性能足够强大，或具备企业级集群条件，能够运行数百G参数的开源大模型，本地部署同样可以构建效果出色的企业级AI应用，且具有数据完全不出内网的安全优势。

应用发布：从本地走向公网

构建好的Dify应用并不局限于在本地使用，平台提供三种灵活的发布方式：

1. 发布为公开Web站点：生成公开访问链接，发布到公网供他人直接使用（本机部署需配合内网穿透）
2. 嵌入到自有网站：以嵌入组件的形式集成到你开发的网站或产品中，Dify提供iframe和Web Component两种嵌入方式，前者简单直接，后者可更深度融入页面样式
3. API调用：通过标准REST API接口，在其他程序或系统中调用Dify应用能力，Dify为每个应用自动生成完整的API文档，支持流式（SSE）和非流式两种响应模式，前者可实现打字机效果的实时输出

这种多样化的发布能力，让Dify不仅仅是原型验证工具，更是能够真正落地生产环境的AI应用开发平台。三种发布方式分别对应了不同的集成场景：Web站点适合快速分享和演示，嵌入组件适合产品化集成，API调用则适合作为后端服务被其他系统调用——这与软件工程中「面向接口编程」的思想一脉相承，将AI能力解耦为独立的微服务，供上层业务系统按需消费，覆盖了从个人工具到企业系统的完整应用谱系。

总结：Dify学习路径建议

Dify通过可视化方式将大模型调用、工具集成、工作流编排等能力有机整合，大幅降低了AI应用的开发门槛。其五大应用类型——聊天助手、文本生成、Agent智能体、Chatflow、Workflow——覆盖了从简单对话到复杂多步骤任务的广泛场景。

对于初学者，建议按以下路径循序渐进：

1. 完成Docker部署与MySQL数据库配置
2. 接入一个性价比高的付费大模型（如DeepSeek）
3. 从聊天助手等基础应用入手，熟悉平台操作
4. 逐步过渡到工作流节点的组合运用
5. 掌握应用发布方式，让自己搭建的AI应用真正投入实际使用

核心要点