【AI智能体】Dify 从部署到使用操作详解
目录
一、前言
二、Dify 介绍
2.1 Dify 是什么
2.2 Dify 核心特性
2.2.1 多模型支持
2.2.2 可视化编排工作流
2.2.3 低代码/无代码开发
2.3 Dify 适用场景
2.4 Dify 与Coze的对比
2.4.1 定位与目标用户
2.4.2 核心功能对比
2.4.3 开发体验与成本
2.4.4 适用场景对比
2.4.5 其他差异对比
三、Dify 部署过程详解
3.1 环境准备
3.1.1 服务器环境
3.1.2 Docker环境
3.1.3 Docker Compose 环境
3.2 服务器安装git
3.3 Dify 部署操作步骤
3.3.1 下载git包
3.3.2 配置环境变量
3.3.3 启动dify容器
3.3.4 访问dify控制台
3.3.5 设置管理员并登录
四、Dify 基本配置与使用
4.1 配置大模型
4.1.1 安装大模型插件
4.1.2 大模型配置
4.2 创建应用
4.2.1 从模板创建应用
4.2.2 创建空白应用
五、写在文末
一、前言
在当下人工智能飞速发展的今天，大语言模型（LLM）应用日益广泛。Dify 作为一款开源的 LLM 应用开发平台，融合了后端即服务（Backend as a Service, BaaS）和 LLMOps 的理念，为开发者提供了一种高效、便捷的方式来构建生产级的生成式 AI 应用。
Dify支持多种主流大语言模型，如GPT、Mistral、Llama3等，并通过低代码/无代码开发方式，降低了开发门槛。其核心特性包括多模型支持、丰富的功能组件和灵活的应用编排，适用于智能客服、内容生成、数据分析等多个应用场景。Dify通过可视化的界面和强大的RAG引擎，帮助开发者快速构建和优化AI应用，显著提高了开发效率和应用质量。与同类产品相比，Dify在API优先、灵活应用编排和插件生态方面具有显著优势，适合不同技术背景的开发者使用。未来，Dify有望在AI应用开发领域发挥更大的作用，推动AI技术的普及和创新。
二、Dify 介绍
2.1 Dify 是什么
Dify 是一个开源的大模型应用开发平台，旨在帮助开发者快速构建、部署和管理基于大型语言模型（LLM）的 AI 应用。它提供了一套完整的工具链，支持从提示词工程（Prompt Engineering）到应用发布的全流程，适用于企业级 AI 解决方案和个人开发者项目。
官网入口：Dify: Production-Ready AI Agent Builder
中文站入口：Dify：企业级 AI Agent 开发平台
Dify 一词源自 Define + Modify，寓意着定义并且持续改进 AI 应用，强调了其为用户提供的灵活定制和持续优化的能力。
2.2 Dify 核心特性
Dify 具备如下核心特点：
-
可视化编排工作流
-
通过低代码界面设计 AI 应用流程，无需深入编程即可构建复杂的 LLM 应用。
-
支持 对话型（Chat App） 和 文本生成型（Completion App） 应用。
-
-
多模型支持
-
兼容主流大模型 API，如 OpenAI GPT、Anthropic Claude、Cohere、Hugging Face 等。
-
支持私有化部署的 Llama 2、ChatGLM、通义千问 等开源模型。
-
-
灵活的提示词工程
-
提供 Prompt 模板、变量插值、上下文管理等功能，优化 AI 输出效果。
-
支持 RAG（检索增强生成），可结合外部知识库提升回答准确性。
-
-
数据管理与持续优化
-
记录用户与 AI 的交互日志，用于分析和迭代改进模型效果。
-
支持 A/B 测试，对比不同提示词或模型版本的表现。
-
-
企业级功能
-
支持 多租户、权限管理，适合团队协作开发。
-
可私有化部署，保障数据安全。
-
2.2.1 多模型支持
在dify控制台，内置了非常多的大模型可供用户选择使用，比如GPT系列，DeepSeel大模型等
2.2.2 可视化编排工作流
dify提供了可视化的编排工作流，工作流的配置非常灵活，可以帮助用户根据自身的需要在一个流程中增加各类节点，从而完成一些非常复杂的场景下的流程编排业务。
2.2.3 低代码/无代码开发
Dify 提供了直观的可视化界面，和在使用Coze的时候一样，用户只需要通过拖拉拽，并结合界面参数配置的方式，即可快速搭建出一个AI智能体的应用，而无需编写大量代码 。
这一特性大大降低了AI应用开发门槛，即使没有编码功底的人也能参与到AI应用开发中。这样不仅提高了开发效率，还能让更多的人参与到 AI 创新中来，推动 AI 技术在各个领域的广泛应用。
2.3 Dify 适用场景
Dify 适用于多种生成式 AI 应用开发场景：
-
内容创作与生成
-
自动化生成文章、报告、营销文案等
-
结合知识库实现专业领域内容生成（如法律、医疗文档）
-
-
智能对话系统
-
构建多轮对话客服机器人、虚拟助手
-
通过 Agent 框架实现任务分解与工具调用（如搜索、图像生成）
-
-
数据分析与自动化
-
解读复杂数据并生成可视化报告
-
自动化业务流程（如工单处理、邮件回复）
-
-
个性化推荐与营销
-
基于用户画像生成个性化推荐内容。
-
结合RAG实现精准信息检索与推送。
-
2.4 Dify 与Coze的对比
说到Dify的时候，很难不联想到与其功能类似的另一款AI智能体产品Coze，下面从几个方面对它们做一些对比分析，便于后续进行选择参考。以下是 Dify 和 Coze 的详细对比，涵盖定位、功能、适用场景等多个维度。
2.4.1 定位与目标用户
从两者产品的定位与用户群体来说，两者异同点如下：
-
核心定位
-
Dify
-
企业级 AI 应用开发平台，强调灵活性与私有化部署
-
-
Coze
-
轻量级 AI Bot 开发平台，主打快速部署与社交生态集成
-
-
-
目标用户
-
Dify
-
专业开发者、企业（金融、医疗等需数据合规的场景）
-
-
Coze
-
个人开发者、中小团队、非技术人员（C端应用）
-
-
-
开发模式
-
Dify
-
低代码/API 优先，支持复杂业务逻辑编排
-
-
Coze
-
零代码/拖拽式操作，模板驱动快速搭建
-
-
总结来说：
Dify 适合需要深度定制、多模型混合调用或数据敏感的企业级应用；
Coze 适合快速构建社交机器人、轻量级客服等场景，尤其依赖字节生态（如抖音、飞书）；
2.4.2 核心功能对比
两者在核心功能上也有一些差异，如下：
| 功能 | Dify | Coze |
| 模型支持 | 多模型接入（GPT-4、Llama、Claude 等），支持私有化部署 | 主要依赖字节自研模型（如豆包AI），海外版支持有限 |
| 知识库 | 支持长文本分段（如法律合同、科研论文），RAG 优化 | 单文件限制 6000 token，需手动分割，检索精度较低 |
| 工作流编排 | DSL 引擎，支持可视化与代码双模式，节点类型丰富 | 节点操作灵活但功能较浅，支持嵌套工作流 |
| 数据隐私 | 支持私有化部署，数据完全自主控制 | 仅云端服务，数据需上传第三方平台 |
| 插件生态 | 50+ 内置工具（如 Google 搜索、DALL·E） | 60+ 官方插件（如新闻、旅游），扩展便捷 |
总结来说：
-
Dify 在模型灵活性、知识库处理和企业级功能上更强
-
Coze 在插件丰富性和社交平台集成上更优
2.4.3 开发体验与成本
从开发体验与成本来说，具有如下差异：
| 维度 | Dify | Coze |
| 学习曲线 | 需熟悉 Prompt 工程和 LLMOps，技术门槛较高 | 拖拽式界面，5 分钟即可上手 |
| 成本 | 开源免费，但需自行承担模型调用与运维成本 | 免费版功能受限，高级功能依赖字节生态资源 |
| 部署方式 | 支持本地/云端私有化部署 | 仅限云端服务，一键发布至社交平台 |
总结来说：
-
Dify 适合长期投入的企业级项目，成本可控但需技术储备
-
Coze 试错成本低，适合快速验证创意
2.4.4 适用场景对比
两者在实际适用的场景上也稍有差别，如下：
-
选 Dify：
-
复杂业务逻辑（如智能投顾、医疗诊断系统）
-
需多模型混合调用或数据敏感的场景（如金融合规）
-
-
选 Coze：
-
快速搭建社交机器人（如抖音客服、微信公众号助手）
-
团队技术能力较弱或需快速原型验证
-
2.4.5 其他差异对比
最后再补充下面几点差异对比：
-
用户体验
-
Coze 的工作流设计更直观（如节点自由拖拽、撤销功能），而 Dify 的日志分析和调试功能更专业
-
-
生态绑定
-
Coze 深度集成字节系应用（如抖音、飞书），Dify 提供标准化 API 便于跨平台集成
-
三、Dify 部署过程详解
接下来通过实际操作演示下如何基于云服务器（linux环境）部署Dify的详细流程。
3.1 环境准备
部署Dify，有多种方式，本文采用比较通用也是官方推荐的一种部署方式，即采用Docker部署Dify。
3.1.1 服务器环境
基于linux操作系统，云服务器或虚拟机，服务器配置至少2C4G。
3.1.2 Docker环境
提前在服务器安装并配置Docker环境。
-
版本需在 24.0+
为了后面在构建镜像过程中顺利进行，建议在docker中提前配置相关的镜像源，参考下面的配置：
{"registry-mirrors":["https://docker.m.daocloud.io","https://docker.rainbond.cc","https://docker.lmirror.top"],"builder": {"gc": {"defaultKeepStorage": "20GB","enabled": true}},"experimental": false
}
3.1.3 Docker Compose 环境
本文将基于Docker Compose命令构建Dify镜像，因此需要提前安装docker compose环境
-
版本号可以结合自身的情况选择，一般建议不要于docker的版本相差太大
sudo curl -L "https://github.com/docker/compose/releases/download/1.29.2/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-composesudo chmod +x /usr/local/bin/docker-compose安装完成后，可用使用下面的命令检查一下
3.2 服务器安装git
服务器如果没有安装过git的话，使用下面的命令安装一下
yum install git
3.3 Dify 部署操作步骤
3.3.1 下载git包
使用下面的命令下载dify的安装包
git clone https://github.com/langgenius/dify.git
3.3.2 配置环境变量
进入到docker目录之后，配置环境变量信息，将下面的文件拷贝一份，命名为：.env，该文件可用于设置数据库、API 密钥等配置信息，后续需要使用的时候参考相关的资料进行配置即可，先保持默认的即可。
3.3.3 启动dify容器
在/dify/docker目录下，默认提供了可用于构建dify镜像的 docker-compose.yaml 文件，在当前目录下，只需要执行命令即可
docker-compose up -d耐心等待一会，等待镜像构建完成，以及容器启动完成
看到上面的输出之后，使用docker ps命令查看相关的容器
3.3.4 访问dify控制台
如果是在linux环境部署的，请提前开放 3000端口，客户端浏览器访问的端口，然后访问： IP:3000
3.3.5 设置管理员并登录
初次访问时，dify要求设置一个管理员账户
设置完成后，跳转到下面的登录界面
登录成功后，就跳转到下面的主页了
四、Dify 基本配置与使用
上述完成了Dify的部署过程，接下来简单介绍下Dify的配置和使用。
4.1 配置大模型
Dify 是基于大语言模型的 AI 应用开发平台，后续使用Dify时需要接入大模型，Dify 目前已支持市面上主流的模型供应商，可以通过如下步骤设置Dify使用的大模型（以接入deepseek为例），参考下面的配置过程。
4.1.1 安装大模型插件
点击右上角个人账户下面的设置按钮
然后来到下面的大模型列表页面，在这个页面，Dify内置并展示了当前市面主流的大模型列表，可供使用者选择
如果第一页没有找到，继续往下找，找到deepseek大模型
然后点击安装
等待安装完成即可
安装完成后，回到模型供应商列表，就能看到刚刚安装的这个deepseek插件了
4.1.2 大模型配置
安装模型完成后，需要对模型进行配置，设置模型的API-KEY，如下(以deepseek为例),API-KEY需要自己在对应大模型官网进行设置，部分模型API-KEY需要付费。
4.2 创建应用
应用是使用dify的功能的基本承载主体，因此需要掌握如何创建一个dify应用，在dify界面，创建应用有下面几种方式：
-
基于应用模板创建（新手推荐）；
-
创建一个空白应用；
-
通过DSL文件（本地/在线）创建应用；
4.2.1 从模板创建应用
对新手来说，初次使用 Dify 时，对于应用创建比较陌生，为了帮助新手快速了解在 Dify 上能够构建哪些类型的应用，Dify 团队内的提示词工程师已经创建好了多场景、高质量的应用模板。
点击左侧的从应用创建模板
弹出的页面中，默认是推荐，可以在左上角的菜单中进行筛选：
可以从中选择任意一个你喜欢的模板，将鼠标放在模板上会浮现出【使用改模板】按钮，点击按钮，选择应用图标，填写应用名称和描述（当然也可以不用直接点创建），将当前模板添加至工作区，比如我这里选择其中一个
选择之后，在下面的弹框中填写应用名称和描述，也可以使用默认的
点击创建后，这个模板需要安装插件才能使用，点击安装一下
最后在你的应用列表中就能看到这个应用了
4.2.2 创建空白应用
这种方式是日常使用最多，也是最灵活的一种创建应用的方式，控制权完全掌握在使用者自己手里，点击创建空白应用，在下面弹出的框中，默认提供了多种应用类型，比如聊天助手，Agent，工作流等，可以根据自身的需求选择即可，然后填写应用名称，图标也可以自己更换
最后点击创建，来到下面的页面，即应用的各项参数配置页面，在这个页面你就可以根据自身的需要进行各种参数配置，大模型设置，工作流等设置
同样，创建完成后，在应用列表也可以看到这个创建的应用
五、写在文末
本文详细介绍了Dify这款开源的大模型应用开发平台的部署，并详细介绍了安装部署、配置和应用的创建过程，基于Dify，企业开发人员可以私有化定制自己的专属AI智能体，从而快速验证业务价值，更多详细的关于Dify的技术使用会在后续的篇章中继续分享，本篇到此结束，感谢观看。