跳至主要內容

Dify本地化部署和应用

罗浩森2026/7/6大约 16 分钟教程知乎AIAgent低代码

1. Dify 平台概述

1.1 什么是 Dify？

Dify 是一个开源的大语言模型（LLM）应用开发平台，融合了 Agent、AI Workflow、RAG（检索增强生成） 等核心能力，帮助开发者快速构建和部署 AI 原生应用。它可视化了 LangChain 的核心理念，降低了 AI 应用开发的门槛。

1.2 Dify vs 其他平台

维度DifyCozeLangChain
定位开源 LLM 应用平台字节跳动智能体平台LLM 开发框架
部署方式私有化 Docker / Cloud云端 SaaS / Coze Studio代码库集成
企业适用✅ 高（私有化、数据安全）中（国内生态好）高（灵活但开发量大）
低代码程度高（可视化编排）高（拖拽式）低（纯代码）
工作流ChatFlow + Workflow单一流程完全自定义
开源✅ 是❌ 否✅ 是

2. Dify 本地化部署

2.1 部署架构

2.2 环境要求

资源最低配置推荐配置
内存≥ 4 GB≥ 16 GB
CPU≥ 2 核≥ 4 核
硬盘2-3 GB（仅 Dify）10 GB+（含模型）
网络需访问 Docker Hub / GitHub科学上网或国内镜像

2.3 部署步骤

Step 1：克隆 Dify 源码

git clone https://github.com/langgenius/dify.git

Step 2：配置 Docker 环境

cd dify/docker
cp .env.example .env

编辑 .env 文件，关键配置项：

# Dify 访问地址（生产环境替换为实际 IP）
APP_URL=http://localhost

# 大模型 API Keys
OPENAI_API_KEY=sk-xxxxx
ANTHROPIC_API_KEY=sk-ant-xxxxx
DASHSCOPE_API_KEY=sk-xxxxx     # 通义千问

# 数据库与中间件（保持默认即可）
DB_USERNAME=postgres
DB_PASSWORD=difyai123456
REDIS_PASSWORD=difyai123456

Step 3：启动 Dify

docker compose up -d

-d 参数表示后台运行（守护进程模式）。

Step 4：初始化访问

  • 初始化页面: http://<IP>/install（首次设置管理员账号）
  • 登录页面: http://<IP>/signin
  • 默认地址: http://localhost（本地访问）

2.4 Dify 升级

cd dify/docker
git pull                          # 拉取最新代码
docker compose pull               # 拉取最新镜像
docker compose up -d              # 重新启动

2.5 部署生命周期

3. 核心概念：ChatFlow vs Workflow

Dify 提供两种核心应用编排模式，适用于不同的场景：

对比总结

特性ChatFlowWorkflow
核心场景多轮对话、客服、咨询自动化流程、数据处理
状态管理✅ 有记忆（Memory）❌ 无状态
交互方式一问一答一次输入 → 自动运行
输出节点必须包含 "Answer" 节点最终节点输出
适用举例智能客服、AI 咨询文档处理、批量分析

4. CASE 1：LLM — 联网搜索与关键词提取

4.1 场景描述

利用 Dify 构建一个联网搜索智能问答系统：用户输入问题 → 提取关键词 → 联网搜索 → 内容整理 → 返回答案。

4.2 工作流架构

4.3 为什么需要关键词提取？

方法优点缺点
LLM 自带联网搜索方便快捷搜索质量不可控
关键词 + Tavily Search搜索更精准、可调优需要两步处理

直接传原始问题给搜索引擎可能导致检索结果不精确，先提取关键词可以提升搜索召回质量。

4.4 Tavily Search 配置

  1. 访问 https://tavily.com/ 注册获取 API Key
  2. 在 Dify 中添加 Tavily Search 工具插件
  3. 在工作流中拖入 TavilySearch 节点，配置 API Key

5. CASE 2：Agent — AI 文生图（古诗词配画）

5.1 场景描述

用户输入一句古诗词 → Agent 将其翻译为英文（前缀 "ancient china"）→ 调用 AI 文生图模型生成配画。

5.2 工作流架构

5.3 文生图模型选项

5.4 SiliconFlow 配置步骤

  1. 注册 SiliconCloud 获取 API Key
  2. 在 Dify 的工具区添加 SiliconFlow 凭据
  3. 工作流中选择 "SiliconCloud → Flux / Stable Diffusion"

5.5 关键提示词设计

System Prompt (LLM 1):
用户给你一句古诗词，你来描绘一幅画面

System Prompt (LLM 2):
翻译成英文，前面加上 "ancient china"

⚠️ 注意：每次运行生成的图片结果会不一样，这是生成式 AI 的固有特性。

6. CASE 3：ChatFlow — 智能客服系统

6.1 场景描述

构建一个金融智能客服系统，融合知识库、用户行为分析和投诉处理能力：

  • 🏦 知识库: 港股交易规则、理财产品文档
  • 👤 用户画像: 用户标签 + 行为事件
  • 💬 意图分类: 营销咨询 / 投诉处理
  • 🤖 智能回复: 基于上下文的个性化应答

6.2 整体架构

6.3 RAG 知识库处理流程

6.4 知识库质量优化策略

6.5 信息提取 Prompt 设计

你是一个智能信息提取助手。
你的任务是从用户提供的文本中准确地提取以下信息：
1. user_id: 用户的唯一标识符。
2. event_time: 事件发生的时间，改成日期格式
3. event_type: 事件类型，包括：查看持仓、浏览产品、搜索、
   登录、委托交易、推送点击、查看行情、集合竞价、咨询客服、
   风险警示、查看收益、浏览广告、推送未读。

请严格按照以下格式输出：
user_id: {user_id}, event_time: {event_time}, event_type: {event_type}

如果某个信息在用户文本中没有找到，请将对应的值设为 null

6.6 回复生成 Prompt 设计

# 角色定位:
- 专业投诉处理顾问

# 背景:
- 需通过共情语言安抚客户情绪，积极解决问题。
- 需核查关键信息，确保问题准确定位。

# 目标:
1. 回应话术：以共情安抚客户，表达积极解决态度。
2. 反馈你从数据库中查询到的情况（筛选与该用户user_id匹配的信息，
   说明具体的event_detail。无关信息不要回答）
3. 针对用户的问题给出建议
4. 回答文字简洁，通常不超过200字

# 以下是从用户数据库中检索出的信息：
{{#context#}}

7. CASE 4：MinerU + Dify — 智能文档分析

7.1 场景描述

利用 MinerU 的 PDF 解析能力 + Dify 的 LLM 能力，实现对复杂 PDF 文档（如学术论文）的智能分析与问答。

7.2 工作流架构

7.3 MinerU 配置

配置项值
Base URLhttp://mineru.net/
Token 获取https://mineru.net/apiManage/token

7.4 为什么用 MinerU 而不是直接让 LLM 读取 PDF？

MinerU 专为 PDF 解析优化，能更好地提取文字、表格、公式等结构化内容，输出为标准 Markdown 格式。

8. Agent API 编程集成

8.1 Coze API（cozepy SDK）

Coze 提供了 Python SDK cozepy，可以方便地与 Coze 智能体进行交互。

8.1.1 SDK 架构

8.1.2 获取凭证

Step 1: 获取 API Token

访问 https://www.coze.cn/open/oauth/pats → 创建 Personal Access Token → 复制保存。

Step 2: 获取 Bot ID

进入智能体发布页面，从 URL 中提取 Bot ID：

https://www.coze.cn/store/agent/7507272032905199655?bot_id=true
                                   ↑ Bot ID

8.1.3 代码示例

配置（config.py）:

# Coze API 配置
COZE_API_TOKEN = "pat_xxxxxxxxxxxxxxxxxxxxx"
COZE_BOT_ID = "7658520471843536930"
COZE_CN_BASE_URL = "https://api.coze.cn"
DEFAULT_USER_ID = "user_12345"

流式聊天:

from cozepy import Coze, TokenAuth, Message, ChatEventType, MessageContentType

coze = Coze(
    auth=TokenAuth(token="your_api_token"),
    base_url="https://api.coze.cn"
)

# 流式接收回复
for event in coze.chat.stream(
    bot_id="your_bot_id",
    user_id="user_123",
    additional_messages=[Message.build_user_question_text("你好")]
):
    if event.event == ChatEventType.CONVERSATION_MESSAGE_DELTA:
        if event.message.content.type == MessageContentType.TEXT:
            print(event.message.content.text, end="", flush=True)

普通聊天:

from cozepy import ChatStatus

chat_poll = coze.chat.create_and_poll(
    bot_id="your_bot_id",
    user_id="user_123",
    additional_messages=[Message.build_user_question_text("你好")]
)

if chat_poll.chat.status == ChatStatus.COMPLETED:
    for message in chat_poll.messages:
        if message.role == "assistant" and message.content:
            print(f"智能体: {message.content}")

客户端封装使用:

from coze_client import CozeClient

client = CozeClient()

# 流式模式
for chunk in client.chat_stream("你好，请介绍一下自己"):
    print(chunk, end="", flush=True)

# 普通模式
response = client.chat("你好，请介绍一下自己")
print(response)

8.1.4 Coze API 调用流程

8.2 Dify API

Dify 提供了完整的 RESTful API，支持三种应用类型的调用。

8.2.1 API 类型

8.2.2 获取 API 凭证

在 Dify 平台中：应用 → 访问 API → API 密钥，获取 API Key。

  • API Base URL: https://api.dify.ai/v1（Cloud）或 http://<你的IP>/v1（本地部署）

8.2.3 SDK 类设计

8.2.4 代码示例

Chat App 调用（对话流）:

from dify_agent_client import DifyAgentClient

client = DifyAgentClient(
    base_url="https://api.dify.ai/v1",
    api_key="app-xxxxxxxxxxxx"
)

result = client.chat_completion(
    user_input="我的用户id：7501690985227960354，我在5月4日登录了软件，但是没有成功",
    user_id="demo_user",
    app_type="chat"  # 明确指定为对话流类型
)

if not result.get("error"):
    print(f"回复: {result['answer']}")
    print(f"会话ID: {result['conversation_id']}")

Workflow 调用:

from dify_agent_client import DifyAgentClient

client = DifyAgentClient(
    base_url="https://api.dify.ai/v1",
    api_key="app-DoQ8YDcVNqGRdD6UqffkWq0B"
)

result = client.run_workflow(
    inputs={"input": "离离原上草"},
    user_id="demo_user"
)

if not result.get("error"):
    print(f"工作流回复: {result['answer']}")
    print(f"运行ID: {result['workflow_run_id']}")

8.2.5 Dify API 调用流程

9. FAQ 常见问题汇总

更多 Q&A

Q: Coze 200万的方案凭什么值200万？

A: Coze 的 enterprise 解决方案包含专属部署、模型精调、运维支持和 SLA 保障，不仅是软件本身。

Q: 低代码方便但不可预测性和掌控性差？

A: 是的，这是固有取舍。低代码适合快速验证，纯代码（LangChain/LangGraph）适合复杂定制。实际项目中可以混合使用：低代码搭主体，代码做插件。

Q: AI 智能体架构师需要哪些技能？

  1. AI Agent 搭建：RAG、工具调用、Workflow 编排
  2. 模型微调：LoRA、数据工程
  3. 数据决策：数据分析、策略设计

Q: 什么时候用私有化大模型？

  1. 数据安全：敏感数据不能上云
  2. 模型微调：需要定制化模型能力

Q: Agent 可以 Coze + Trae 混合开发吗？怎么封装？

  • Coze 搭建主体流程
  • Trae 进行插件搭建
  • 最终通过 API 或 SDK 封装为统一服务

10. 附录：环境依赖与参考链接

10.1 Python 依赖

Coze API 项目 (requirements.txt):

cozepy>=0.7.0
python-dotenv>=1.0.0

Dify API 项目 (requirements.txt):

requests==2.31.0
python-dotenv==1.0.0

10.2 项目文件结构

20-Dify本地化部署和应用/
├── 1-Dify部署与应用.pdf              # 课程主文档
├── 笔记20260405.txt                   # 课堂问答笔记
├── CASE-Coze API使用/
│   ├── config.py                      # Coze API 配置
│   ├── coze_client.py                 # Coze 客户端封装
│   └── requirements.txt               # Python 依赖
├── CASE-Dify API使用/
│   ├── dify_agent_client.py           # Dify API 客户端
│   ├── dify_chat_example.py           # Chat App 示例
│   ├── dify_workflow_example.py       # Workflow 示例
│   └── requirements.txt               # Python 依赖
├── CASE-智能客服ChatFlow/
│   ├── user_behavior_event.xlsx       # 用户行为事件数据
│   ├── user_tag.xlsx                  # 用户标签数据
│   ├── 港股交易规则介绍.pdf           # 知识库文档
│   ├── 平安财富日添利理财产品.doc     # 知识库文档
│   ├── 上海证券交易所交易规则.pdf    # 知识库文档
│   └── 中国平安金裕人生理财产品.doc  # 知识库文档
└── CASE-智能文档分析助手/
    └── INTERNVIDEO2.5.pdf             # 学术论文分析案例

10.3 参考链接

资源地址
Dify 官网https://dify.ai
Dify Cloudhttps://cloud.dify.ai/apps
Dify GitHubhttps://github.com/langgenius/dify
Coze 中国https://www.coze.cn
Coze API Tokenhttps://www.coze.cn/open/oauth/pats
Tavily Searchhttps://tavily.com
MinerUhttps://mineru.net
Docker 官网https://www.docker.com

10.4 技术栈总览

编辑此页
最近更新:
贡献者: Howson Luo
src.vuepressclient.ts
Copyright © 2026 罗浩森