[控场AI]
· 7 分钟阅读· 3,765 字

Dify上线后:应用编排、工具调用与部署实战清单

Dify上线后:应用编排、工具调用与部署实战清单

Dify 是模型与应用间的编排层,本文将其部署到发布的全流程整理为可执行清单。

本文把 B 站一期 Dify 课程重新整理为可执行的上手清单,并补充了原视频未展开的落地细节。文章首先澄清 Dify 的定位——它不训练模型,而是把单次模型调用扩展为可复用的处理链路,迁移成本落在配置层。部署部分解释了在 Windows 宿主机安装 MySQL8 的原因:Docker 部署的 Dify 需直连本机数据库,生产环境则应自建而非依赖在线版。五类应用构成能力阶梯:聊天助手与文本生成是基础,Agent 通过工具调用扩展边界,Chatflow 支持多轮交互而 Workflow 一次性执行。模型接入建议优先付费模型,本地 Ollama 受硬件限制。发布支持公网站点、嵌入和 API 三种出口,其中 API 最适合集成进现有业务系统。

Dify 这类 AI 应用平台的价值,不在于它内置了多强的模型,而在于它把"模型调用"这件事工程化了。B站这期课程从部署讲到应用创建,信息密度不低,但内容比较零散。我把它重新整理成一份可执行的清单,顺带补上一些视频里没展开但实际落地会踩到的细节。

这就是MySQL8安装到Windows的原因

Dify 到底是什么:一个应用编排层

按照视频里的定位,Dify 是一个可以快速构建 AI 应用的平台,企业级和个人使用都覆盖。这个说法比较笼统,更准确的理解是:Dify 处在模型和最终产品之间,负责把"一次模型调用"扩展成"一条可复用的处理链路"。

它自己不训练模型,也不强绑定某一家厂商。你接入哪个模型,应用就跑在哪个模型上。这个设计带来的直接好处是,当某个模型涨价或者效果不达预期时,迁移成本主要落在配置层,而不是重写代码。

视频里提到三种使用方式:官方在线版、源码部署、以及基于 Windows Docker 的本地部署。对大多数想动手实践的人来说,本地 Docker 部署是性价比最高的路径,因为它能让 Dify 直接访问本机的数据库和其他环境,不需要额外做内网穿透。

部署环节:为什么要在 Windows 上装 MySQL8

这是视频里讲得比较细的一块,也是很多教程会跳过的部分。讲师选择在 Windows 宿主机上安装 MySQL8,原因很直接:后续在 Dify 里构建的 AI 应用需要读取数据库里的数据,做基于业务数据的交互,而 Docker 部署的 Dify 能够和宿主机上的 MySQL8 通信。

这个通信能力还延伸到虚拟机——如果你的 MySQL 放在 VMware 的虚拟机里,同样能连通。所以数据库放哪里不是硬性约束,关键是要让 Dify 的网络可达。

生产环境的建议则相反:讲师明确说,生产场景应该自己部署到公司内部,而不是依赖在线版。在线版的功能和自建版基本一致,但一旦应用需要访问本机数据库或本机环境,就得借助内网穿透把本机 IP 暴露到公网,这在企业环境里通常过不了安全审查。

内网穿透(NAT traversal)是指让外网设备访问位于内网(如家庭或公司局域网)中的服务。常见方案包括 frp、ngrok、Tailscale 等,原理是通过公网中转服务器或 P2P 打洞建立一条隧道,把公网请求转发到内网机器上。Dify 部署在本机时,若要让外部用户访问其 Web 界面或 API,就必须借助这类工具。但内网穿透会引入额外的安全面:暴露的端口可能被扫描、隧道服务本身的凭证需要管理,且流量经过第三方中转存在数据合规风险,这正是企业环境通常拒绝它的原因。

五类应用:从对话到工作流的能力阶梯

打开 Dify 的创建页面,能看到五个入口:聊天助手、文本生成、Agent 智能体、Chatflow、Workflow。视频里反复强调这五个都会配案例,但从能力维度看,它们其实是一条从简单到复杂的阶梯。

聊天助手和文本生成是最基础的两类,本质都是"输入一段内容,模型返回一段内容",区别只在于交互形态和输出组织方式。文本生成适合写文章、生成文档、撰写故事这类一次性产出任务。

Agent 智能体的分水岭在于工具调用。视频里举的例子很典型:让它先爬取网页,再对内容做分析。这种"先做一步、看结果、再决定下一步"的能力,是聊天助手不具备的。Agent 的价值不在于模型更聪明,而在于它能把外部工具纳入执行链条。

DeFi里面还有重要的一个应用就是工作流

工具调用(Tool Calling / Function Calling)是让大模型在生成文本之外,主动请求执行外部函数的能力。开发者预先向模型声明若干工具的用途和参数格式,模型在推理时判断是否需要调用、调用哪个、传什么参数,平台执行后把结果回传给模型继续推理。它使模型从“只会说”变成“能做事”,可以查数据库、发请求、读文件。Agent 之所以比聊天助手更强,核心就在于这条“决策—执行—观察—再决策”的循环,而工具调用的准确性高度依赖模型本身的能力和工具描述的清晰度。

Chatflow 与 Workflow:一字之差,用途不同

这是视频里花了些篇幅解释、但初次接触容易混淆的点。两者都属于工作流,都由一个个"节点"串联而成,区别在于交互方式。

Chatflow 支持你和工作流进行多轮对话,适合需要来回澄清、逐步收敛的场景。Workflow 则是一次性执行,你给输入,它跑完整条链路输出结果,中间不给你插话的机会。

讲师在视频里也坦言,不了解 Dify 的时候讲这个区别"说了也白说",所以把详细案例留到后面。这个处理是合理的——工作流的概念必须配合具体节点才能真正理解。节点就是构成工作流的模块,视频里提到会覆盖官网提供的大部分常用节点,并配备十几个案例。

那我现在打开define给你看一下

节点(Node)是工作流中的最小执行单元,每个节点完成一类特定操作,如 LLM 调用、知识库检索、条件分支、代码执行、HTTP 请求、变量赋值等。节点之间通过变量传递数据,前一个节点的输出可以作为后一个节点的输入。工作流的本质是把复杂任务拆解成有序的节点图,由引擎按连线依次调度。理解节点的输入输出契约,是设计和调试工作流的关键;节点配置错误或变量未正确映射,往往就是工作流跑不通的首要原因。

模型接入:付费模型与本地模型的取舍

视频里给的建议比较务实:优先接付费模型。DeepSeek广告 和 ChatGPT 属于付费阵营,百度的文心一言、阿里的通义千问广告在注册后会提供一定额度的免费 token,通义千问的免费额度据讲师说是百万级别,日常练习够用。

关于成本,讲师用自己的 DeepSeek 账户举例,充了十元,用了很久还没用到一元。这个体感说明对于学习和小规模验证来说,付费模型的成本压力远低于直觉预期。

我的DipSeq里面可能我现在充了十元钱啊

本地模型则是另一条路。Dify 可以和 Ollama 部署的本地模型整合,视频里说会配详细案例。但讲师的态度很明确:不建议默认走这条路,因为本地能跑的模型通常参数量小,效果不理想。例外情况是机器性能足够好,或者企业有集群部署的 Ollama,能跑得动大参数模型——比如 DeepSeek 开源的大模型,下载下来体积可能到四百多 G,这种规模的效果自然不一样。

这里其实点出了一个现实约束:本地模型的效果上限,很大程度上由硬件决定。个人开发者用笔记本跑 7B 级别的模型,和企业在集群上跑百 B 级别的模型,体验完全不在一个量级。

Ollama 是一个本地大模型运行与管理的工具,提供统一的命令行和 API 接口,简化了模型的下载、加载和推理服务启动。它支持 Llama、Qwen、DeepSeek 等主流开源模型,并可通过 Modelfile 定制参数。Ollama 默认监听本机 11434 端口,Dify 通过配置该地址即可将其作为模型供应商接入。需要注意,Ollama 的推理性能取决于 GPU 显存和内存带宽,7B 模型通常需要 8GB 以上显存才能流畅运行,更大参数的模型则需要量化或集群方案,这也是视频中强调“本地模型效果受硬件限制”的技术根源。

应用发布:不止于 Dify 内部

构建好的应用不是只能困在 Dify 的页面里。视频里提到至少三种出口:发布为公开的 Web 站点,生成一个可访问的链接;嵌入到自己开发的网站;或者通过 API 的方式被其他系统调用。

发布为公网站点同样涉及内网穿透,因为应用跑在你本机部署的 Dify 上。这一点和前面在线版的限制是同一个问题,只是方向相反——一个是外部访问你的本机,一个是你把应用推到公网。

API 接入这个出口其实最值得关注。它意味着 Dify 构建的应用可以成为更大系统里的一个模块,而不是一个独立产品。对于想把 AI 能力嵌进现有业务系统的团队来说,这条路径比做个聊天页面有价值得多。

几点补充判断

这套课程的结构是"部署—数据库—模型接入—基础应用—工作流—发布",覆盖了一条完整的上手路径。但视频本身是课程导论性质,大量内容停留在"会讲什么"的层面,具体操作细节需要看后续章节。

从技术选型角度看,Dify 适合的场景是:需要快速验证 AI 应用想法、团队里缺少专职的模型工程人员、以及希望把多个模型和工具统一编排。不太适合的场景是:对延迟有极致要求、或者需要深度定制推理链路的项目——这类情况直接在代码层调用模型 API 可能更直接。

另外提醒一点,视频里提到工作流在当时还是测试版本,功能稳定性需要在实际使用中验证。如果你打算把工作流用于生产,建议先在测试环境跑通完整链路,再考虑迁移。

分享:

相关推荐