当前位置： 首页 > news >正文

dify零基础入门示例

news 2025/11/14 5:50:51

一、如何本地部署Dify

对于个人学习和体验，使用 Docker 在本地部署是官方推荐也是最简单的方式。

1.1 为什么Docker是比较推荐的方式？

1. 环境一致性

  • 问题：Dify依赖多个组件（后端API、前端界面、数据库Redis、向量数据库等）

  • Docker方案：所有组件都打包在容器中，版本完全匹配

  • 传统方式：手动安装时可能出现Python版本冲突、依赖包不兼容等问题

2. 隔离性

  • Dify的所有服务在容器内运行，不污染主机环境

  • 卸载时只需 docker-compose down，系统完全干净

3. 官方优化

  • Docker镜像由官方预构建和测试，确保最佳配置

  • 包含了所有必要的中间件和优化设置

1.2 其他部署方式对比

方式一：云服务一键部署

平台优点缺点
Dify Cloud完全免运维，开箱即用付费服务，数据在第三方
Vercel/Railway简单的云部署配置复杂，可能产生费用

方式二：传统服务器部署

git clone https://github.com/langgenius/dify.git
cd dify/api
python -m venv venv
source venv/bin/activate
pip install -r requirements.txtcd ../web
npm install
npm run build# 还需要安装配置PostgreSQL、Redis等...

缺点：

  • 依赖操作系统（Ubuntu/CentOS差异）

  • 需要处理Python环境、Node.js环境

  • 手动配置数据库和缓存

  • 容易遇到版本冲突

方式三：Kubernetes部署

适合已有K8s集群的企业用户，对初学者过于复杂。

1.3 Docker部署Dify步骤（MACOS系统为例）

安装Docker

  1. 访问 Docker Desktop for Mac

  2. 下载并安装 .dmg 文件

  3. 启动 Docker Desktop 应用

部署命令

# 与Linux完全一致
# 步骤1：下载代码
git clone https://github.com/langgenius/dify.git# 步骤2：进入部署目录  
cd dify/docker# 步骤3：启动所有服务
docker-compose up -d
# 读取配置文件 → 下载镜像 → 启动容器 → 后台运行
up 参数：启动并运行所有在 docker-compose.yml 中定义的服务。
-d 参数：-d 代表 --detach，意思是"在后台运行"。
cd docker后查看有哪些文件，运行ls得到如下结果：
README.md			docker-compose.yaml	 ssrf_proxy
certbot				elasticsearch		 startupscripts
couchbase-server		generate_docker_compose  tidb
docker-compose-template.yaml	middleware.env.example	 volumes
docker-compose.middleware.yaml	nginx
docker-compose.png		pgvector
重点文件详细说明

1. docker-compose.yaml（最重要的文件）

# 这个文件定义了整个Dify平台的所有服务：
services:dify-api:          # 后端API服务dify-web:          # 前端界面postgres:          # 主数据库redis:             # 缓存和会话存储weaviate:          # 向量数据库（用于知识库）nginx:             # Web服务器# ... 其他服务

2. .env.example（环境配置）

# 包含重要的配置项：
OPENAI_API_KEY=your_openai_api_key_here          # OpenAI API密钥
DATABASE_URL=postgresql://postgres:dify@postgres:5432/dify  # 数据库连接
# 各种功能开关和配置参数

3. generate_docker_compose（配置生成器）

# 这个脚本的作用：
# 1. 读取模板文件
# 2. 根据用户选择生成最终的docker-compose.yaml
# 3. 确保配置的正确性和兼容性
详细解释 docker-compose up -d 的过程
docker-compose up -d
# 实际执行流程：
# 1. 读取 docker-compose.yaml 文件
# 2. 检查镜像是否已下载
# 3. 如果镜像不存在，从Docker Hub下载
# 4. 根据镜像创建并启动容器
# 5. 在后台运行容器

docker-compose.yaml 中的部分内容如下：

访问 Dify

打开浏览器访问http://localhost 或者 http://127.0.0.1

二、熟悉 Dify 核心概念

成功登录 Dify 后，花些时间了解以下几个核心概念，这对后续开发至关重要：

核心概念是什么？有什么用？
应用类型创建应用时的不同选择，主要是聊天型和文本生成型等。决定了AI与用户的交互方式，是实现功能的基础。
提示词给AI模型的指令和上下文。直接决定了AI回答的质量和准确性，是应用的"灵魂"。
工作流通过拖拽节点的方式，将复杂的AI任务流程可视化地编排起来。适合处理有固定步骤的任务，例如：信息提取->分析->生成报告。
智能体具备自主规划和使用工具能力的AI应用。可以完成更复杂的任务，比如主动调用搜索引擎查询信息。
知识库你将文档（如PDF、Word）上传到Dify，它会将其处理成AI可以理解的形式。让AI能够基于你提供的特定资料回答问题，实现检索增强生成。

三、创建第一个 AI 应用

3.1 理解模型供应商的核心概念

在开始创建我们的第一个AI应用之前，有一个关键概念必须理解：模型供应商。这是很多Dify初学者最容易困惑的地方。

1. 什么是模型供应商？

用一个简单的比喻来理解：

🛒 模型供应商 = 超市
🍎 具体模型 = 商品
🧠 你的应用 = 厨师

想象一下：

  • OpenAI、Azure、Anthropic 就像不同的超市

  • GPT-4、Claude-3、Llama-2 就像超市里卖的具体商品

  • 邮件助手应用 就像一位厨师，需要从超市购买食材才能做饭

2. 为什么需要先配置模型供应商？

从软件架构的角度来看，Dify 采用了供应商抽象层的设计模式。核心设计思想如下：

  • 应用逻辑与模型实现分离：AI应用不需要关心底层调用的是GPT-4、Claude还是Llama 2

  • 统一的API接口：无论底层供应商如何变化，上层应用保持稳定

  • 可插拔架构：新的模型供应商可以随时接入，不影响现有应用

3. 两种主要的模型供应商方案

Dify 的模型插件，其核心作用是一个标准化的“连接器”或“协议适配器”。 以“Ollama”插件为例，它的功能是让 Dify 平台能够按照 Ollama 定义的 API 协议格式与之进行通信。关键在于，该插件本身并不包含、也不提供 Ollama 的运行环境或任何模型文件。

因此，当集成本地部署的模型时，必须遵循一个清晰的依赖链：

  • 基础设施层：必须先在服务器或本地计算机上独立安装并运行 Ollama 服务。这确保了模型运行所需的环境和 API 端点（通常是 http://localhost:11434）是可用的。

  • 模型层：在 Ollama 环境中，通过 ollama pull 命令拉取所需的模型文件（如 llama2:7b），使其可供 Ollama 服务调用。

  • 应用层：在上述前提满足后，您才能在 Dify 中通过配置该插件，成功连接并调用已部署的本地模型。

反之，如果选择使用云服务模型（例如 OpenAI GPT 系列、Google Gemini 等），则无需关心底层基础设施。Dify 中相应的插件（如 OpenAI 插件）会直接通过互联网，使用提供的 API Key 去调用云服务商提供的、已就绪的模型接口。在这种情况下，模型的环境维护、服务部署和扩展性均由云服务商负责。

方案一：云端API服务（推荐有预算的用户）

代表厂商：

  • OpenAI - GPT系列模型

  • Anthropic - Claude系列模型

  • Azure AI - 企业级AI服务

配置方法：

# 以OpenAI为例：
1. 进入Dify设置 → 模型供应商
2. 点击OpenAI卡片的“安装”
3. 输入API Key: sk-xxxxxxxxxxxxxxxx
4. 保存配置

优点：

  • 模型能力强，响应速度快

  • 无需担心本地硬件限制

  • 始终使用最新模型版本

缺点：

  • 需要付费（按使用量计费）

  • 需要网络连接

  • 数据经过第三方服务器

方案二：本地模型部署（推荐初学者/隐私要求高的用户）

例如使用 Ollama

# 1. 安装 Ollama
brew install ollama  # macOS
# 或访问 https://ollama.ai# 2. 下载模型
ollama pull llama2# 3. 在Dify中配置本地模型端点

其中下载模型有多种方式，具体如下：

方式1：通过Ollama官方界面

  • 访问：https://ollama.com/search

  • 搜索模型：如 llama2、mistral、gemma 等

  • 点击模型卡片，查看详情

  • 复制安装命令，在终端执行

方式2：命令行直接安装

# 基础语法
ollama pull <模型名称># 实际例子
ollama pull llama2:7b
ollama pull mistral:7b
ollama pull gemma:7b
# 测试模型
ollama run llama2:7b
# 然后输入：Hello, how are you?
# 应该能看到AI的回复

方式3：使用Ollama App界面

3.2 Ollama和llama2模型区别

1. Ollama：管理和运行环境

Ollama 是一个 AI 平台，提供了一个环境，用于管理和运行不同的语言模型，包括 LLaMA 以及其他模型。它为开发者提供了一个方便的接口，通过简单的 API 或命令行指令，可以直接调用和使用模型，而不需要自己搭建复杂的基础设施或管理资源。

Ollama 作为平台，简化了在本地或云端部署、运行和管理 AI 模型的过程。它提供了一个易于使用的界面，并允许开发者在自己的机器上或者云端快速启动各种 AI 模型的实例。

  • Ollama 的功能：

    • 管理多个 AI 模型（包括 LLaMA 2）。

    • 提供简单的 API 接口，支持文本生成、对话生成等功能。

    • 通过本地部署或云服务进行高效计算。

    • 支持自定义和扩展，允许用户根据需求进行模型选择和调优。

2. LLaMA 2：具体的语言模型

LLaMA 2 是 Meta发布的系列大型语言模型，它是 LLaMA 模型的继任者，拥有更高的性能和更强的能力。LLaMA 2 模型是一个经过预训练的深度学习模型，专门用于自然语言处理任务，例如文本生成、对话系统、情感分析、机器翻译等。

LLaMA 2 是在 Ollama 环境中可以运行的一个具体模型。也就是说，Ollama 作为平台提供了运行 LLaMA 2 模型的环境，而 LLaMA 2 则是模型本身，执行实际的自然语言处理任务。

3. 总结关系

  • Ollama 提供了一个便捷的 AI 模型管理和运行环境，开发者可以在这个平台上快速部署和运行不同的模型。

  • LLaMA 2 是 Meta 发布的 大型语言模型，它可以在 Ollama 平台中运行。Ollama 为 LLaMA 2 提供了一个集成的、简化的使用界面，帮助开发者更轻松地调用该模型。

3.3 Ollama插件、Ollama和llama2模型

以工作流程说明来理解这三者的关系：

  1. Dify 发起请求：用户在 Dify 中发送请求（例如“写一封邮件”）。这时，Dify 会通过 Ollama 插件将请求转发给 Ollama 服务，通常通过 HTTP 请求（例如发送到 localhost:11434）。

  2. Ollama 调度请求：Ollama 作为一个调度器，接收到 Dify 发来的请求后，它并不直接处理请求的内容，而是负责将请求与合适的 LLaMA 模型进行匹配。例如，Dify 可能指定使用 llama3.2:1b 版本的模型，Ollama 会根据这个信息来决定调用哪个模型。

  3. Ollama 将请求传递给 LLaMA 模型：Ollama 将请求传递给内存中已经加载的 LLaMA 模型。此时，LLaMA 模型就像“大脑”一样，开始对请求进行计算和处理。

  4. LLaMA 模型生成回应：LLaMA 模型接收到输入后，根据其训练得到的知识和能力进行推理，生成相应的答案或内容。在您的例子中，如果请求是“写一封邮件”，LLaMA 会根据输入的上下文和要求生成一封邮件。

  5. Ollama 返回结果：一旦 LLaMA 模型完成计算并生成回答，结果将返回给 Ollama。Ollama 会将这个结果（例如邮件内容）包装成标准的 HTTP 响应格式，发送回给 Dify。

  6. Dify 返回给用户：最后，Dify 接收到由 Ollama 返回的响应，并将最终结果展示给用户。

这种流程将不同的组件（Dify、Ollama 和 LLaMA 模型）很好地分工协作，确保每个环节都能高效地处理各自的任务。Dify 负责发起请求并展示结果，Ollama 负责调度和连接各个模型，而 LLaMA 模型则提供实际的计算和生成能力。

3.4 在dify中配置模型（以本地部署为例）

第一步：确保 Ollama 服务运行
# 在终端中启动 Ollama 服务
ollama serve# 保持这个终端窗口打开！
# 服务会一直运行在这个窗口中
第二步：验证 Ollama API 可用

打开新的终端窗口，测试服务：

# 测试 Ollama API 是否正常工作
curl http://localhost:11434/api/tags# 应该返回类似：
# {"models":[{"name":"llama2:7b","modified_at":"2024-01-01T00:00:00Z"}]}
第三步：在 Dify 中添加模型供应商
  • 打开 Dify → 访问 http://localhost
  • 进入设置：

    • 点击左下角 "设置"

    • 选择 "模型供应商"

    • 点击 "添加模型供应商"

    • 选择供应商类型：

      • 选择 "OpenAI"/"Ollama"等（因为 Ollama 兼容 OpenAI API）

第四步：配置 Ollama 供应商

实用命令
#查看已安装的模型
ollama list#删除模型
ollama rm <模型名称>#查看模型信息
ollama show <模型名称>

3.5 创建工作流

第一步：创建工作流应用

第二步：编排工作流节点

我们将构建一个包含以下节点的工作流，其结构清晰，能够逐步收集信息并生成邮件：

（1）开始节点 + 变量设置

  • 目标：定义好工作流需要哪些信息。

  • 操作：

    • 点击画布上的 “开始” 节点。

    • 在右侧的 “变量” 选项卡，点击 “添加变量”。

    • 添加以下4个变量（这对应了上图中的四个提问）：

      • recipient (收件人)

      • purpose (邮件目的)

      • key_points (核心内容和要点)

      • tone (语气风格)

 （2）添加LLM节点

  • 从左侧节点栏拖拽“LLM”节点到画布

  • 将开始节点连接到LLM节点

（3）配置LLM节点

  • 选择模型：在右侧面板中选择配置好的Ollama模型

  • 编写提示词：点击“编辑提示词”，填入以下内容：

（4）添加输出节点

  • 点击添加“输出”节点

  • 在 “输出变量” 区域，点击 “添加变量”，填写变量信息

（5）测试运行

  • 点击“测试运行”

  • 再点击“开始运行”
  • 可以查看结果详情

http://www.dtcms.com/a/604914.html

相关文章：

  • 跨语言智能再升级！Multi-LMentry 打造多语理解新基准；Nemotron-Personas-USA重塑虚拟人画像生成
  • 门户网站建设项目书免费拒绝收费网站
  • 研发管理知识库（13）阿里云的DevOps工具介绍
  • WPF 使用UserControl / ContentControl显示子界面
  • Docker 的底层工作原理
  • 互联网门户网站是什么意思网站建设 源美设计
  • 重庆商业网站有哪些产品网站建设方案
  • C基础学习过程02
  • 视频矩阵哪个品牌好 十大视频矩阵品牌
  • 电子书《21天学通Java（第5版）》
  • maven 私服上传jar
  • 从自动驾驶到智能辅导：人工智能如何重塑商业与生活
  • Hadess入门到精通 - 如何管理通用Generic制品
  • 万物互联时代，如何选择合适的时序数据库？
  • 集团门户网站建设做国外网站要注意什么
  • 软件设计模式-适配器模式
  • 软件工程（速成笔记）
  • 深圳苏州企业网站建设服务公司网站建设很难吗
  • sward实战教程系列(4) - 如何编写Markdown文档
  • 树莓派5-ubuntu 24.04 ros-jazzy-desktop 创建 robot_navigation 包
  • 【Linux】调试监听接口是否正常
  • Flink CDC + StarRocks用 StarRocks Connector 打通实时明细与分析
  • Linux《Socket编程Tcp》
  • 2025.11.13 力扣每日一题
  • “暗激子（dark excitons）” 以 30万倍亮度被观测到
  • 数据归一化：提升模型训练的关键技巧
  • 网站外链建设可以提升网站权重对吗三亚平台公司
  • 怎么做一种网站为别人宣传lamp 做网站
  • UE5制作扭曲声波效果
  • 从 OneThreadOneLoop 线程池到进程池：高性能 Reactor 服务器的演进