- 广告 -
🎯 在这里展示您的AI工具推广信息 了解详情 →
首页 / AI操作手册 / AI操作手册 / Dify完整操作手册：从零搭建企业级AI...

Dify完整操作手册：从零搭建企业级AI应用平台的实战全攻略

AI操作手册 2026-07-09 1 次阅读

概述

Dify 是一款面向开发者和企业的开源 LLMOps（大语言模型运维）平台，核心理念是"让每个人都能轻松构建 AI 应用"。它通过可视化的工作流编排引擎，将原本需要大量代码开发的 AI 应用构建过程，简化为拖拽式操作。

Dify 的定位不同于 ChatGPT、Kimi 这类面向终端用户的对话产品，它更像是一个"AI 应用工厂"——你用它来制造 AI 应用，而不是直接用它聊天。目前 Dify 在 GitHub 上已获得超过 60,000 颗 Star，被全球数十万开发者用于构建客服机器人、企业内部知识库、智能数据分析助手等各类 AI 应用。

为什么选择 Dify？

  1. 完全开源可自部署：使用 Docker Compose 一行命令即可在本地或服务器部署，数据完全自主可控
  2. 可视化编排：无需编写复杂代码，通过拖拽节点即可搭建复杂的 AI 工作流
  3. RAG 知识库引擎：内置企业级 RAG（检索增强生成）能力，支持多种文档格式的语义检索
  4. 多模型生态：支持 OpenAI、Claude、通义千问、文心一言、DeepSeek 等 100+ 大语言模型
  5. Agent 智能体：支持构建具备工具调用能力的自主 AI Agent
  6. API 优先设计：每个应用自动生成 RESTful API，可无缝集成到现有业务系统

核心功能

1. 可视化应用编排

Dify 提供了三种应用构建模式：

  • 聊天助手：构建对话式 AI 应用，支持上下文记忆、变量设置和开场白配置
  • 文本生成：构建单次输入输出的文本处理应用，适合翻译、摘要、改写等场景
  • Agent 智能体：构建具备推理和工具调用能力的自主 Agent，可接入搜索引擎、API 工具等
  • 工作流：基于可视化画布的流程编排，支持条件分支、循环、代码执行等高级逻辑

2. RAG 知识库引擎

Dify 的知识库模块是其核心竞争力之一：

  • 多格式支持：TXT、PDF、HTML、Markdown、Word、Excel、CSV、Notion 同步
  • 智能分段：支持自动分段和自定义分段策略，可根据文档结构智能切分
  • 多 Embedding 模型：支持 OpenAI Embedding、Cohere、本地部署的 text2vec 等
  • 混合检索：同时支持关键词检索和语义向量检索，并可自定义权重配比
  • 召回测试：内置召回率测试工具，可直观评估知识库的检索质量

3. 提示词工程

Dify 提供了专业的提示词编辑环境：

  • 变量插入：支持在提示词中插入用户输入、知识库上下文、对话历史等变量
  • 版本管理：提示词支持版本记录，可随时回滚到历史版本
  • 在线调试：右侧面板实时预览 AI 响应，所见即所得
  • 专家模式：可切换到原始 JSON 模式进行精细控制

4. 多模型管理

在"设置-模型供应商"中，可以配置多个模型服务商：

模型类型 代表供应商
LLM（大语言模型） OpenAI、Anthropic、通义千问、文心一言、DeepSeek、GLM
Embedding（嵌入模型） OpenAI、Cohere、Jina AI、本地 text2vec
Rerank（重排序） Cohere Rerank、Jina Rerank
TTS（语音合成） OpenAI TTS、Azure TTS
Speech2Text（语音识别） OpenAI Whisper

配置方式非常简单，只需填入对应服务商的 API Key 即可一键接入。

详细教程

第一步：环境准备与部署

最低硬件要求：

  • CPU：2 核以上
  • 内存：4GB 以上（推荐 8GB）
  • 磁盘：20GB 以上可用空间
  • 操作系统：Linux（推荐 Ubuntu 20.04+）、macOS、Windows（WSL2）

方式一：Docker Compose 部署（推荐）

这是最推荐的部署方式，适合 99% 的用户：

# 1. 克隆项目
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 2. 复制环境变量配置
cp .env.example .env

# 3. 编辑 .env 文件，配置必要的参数
# 核心配置项：
# SECRET_KEY=你的随机密钥（至少32位，用于会话加密）
# INIT_PASSWORD=初始管理员密码
# CONSOLE_API_URL=http://你的服务器IP或域名
# APP_API_URL=http://你的服务器IP或域名

# 4. 启动所有服务
docker compose up -d

# 5. 查看启动状态
docker compose ps

启动成功后，访问 http://你的服务器IP 即可进入 Dify 管理界面。首次访问需要设置管理员邮箱和密码。

方式二：Dify Cloud（免部署）

如果你不想自己部署，可以使用 Dify 官方提供的云端版本（dify.ai），注册即用，免费额度足够个人和小团队使用。

部署后检查清单：

  • [ ] 所有容器状态为 Up（共 8 个服务：api、worker、web、db、redis、weaviate、nginx、sandbox）
  • [ ] 能正常访问 Web 管理界面
  • [ ] 日志无异常错误

第二步：配置模型供应商

登录后，首先需要配置至少一个大语言模型。进入 设置 → 模型供应商：

以配置 DeepSeek 为例：

  1. 在模型供应商列表中找到 DeepSeek，点击"设置"
  2. 填入你的 DeepSeek API Key（可从 platform.deepseek.com 获取）
  3. 点击保存，系统会自动验证 API Key 的有效性
  4. 验证通过后，DeepSeek 图标会显示为绿色激活状态

多模型配置建议：

  • 对话生成：配置 Claude 3.5 Sonnet 或 GPT-4o，用于高质量对话
  • 成本优化：配置 DeepSeek-V3 或通义千问，用于高并发场景
  • Embedding：配置 OpenAI text-embedding-3-small 或本地模型
  • 备选模型：至少配置 2 个不同供应商的模型，防止单点故障

第三步：创建你的第一个 AI 应用

场景假设：为一家电商公司搭建智能客服机器人。

  1. 点击首页的 "创建应用" 按钮
  2. 选择 "聊天助手" 类型
  3. 填写基本信息：
  4. 应用名称：电商智能客服助手
  5. 应用描述：基于商品知识库的智能客服，自动回答用户关于退换货、物流、优惠等问题

  6. 图标：上传一个合适的图标

  7. 进入编排页面后，你会看到左侧的编排面板，包含以下核心区域：

提示词配置（Prompt）：

你是一位专业的电商客服助手，你的职责是准确、友好地回答用户关于商品的各类问题。

请严格遵守以下规则：
1. 仅根据【知识库】中提供的内容回答问题
2. 如果知识库中没有相关信息，请诚实告诉用户"这个问题我需要转接人工客服，请问还有什么可以帮您？"
3. 回答风格亲切自然，但保持专业
4. 涉及价格、优惠券等信息时，务必核实最新的知识库内容后再回答
5. 回复控制在 200 字以内，简洁明了

【知识库上下文】
{{#context#}}

【对话历史】
{{#histories#}}

用户问题：{{#query#}}

变量说明： - {{#context#}}：从知识库中检索到的相关内容，由 Dify 自动填充 - {{#histories#}}：最近 10 轮的对话历史 - {{#query#}}：用户当前的问题

  1. 在右侧的 "上下文" 区域，暂时先不关联知识库（后面会创建）
  2. 选择模型为 DeepSeek-V3，温度设为 0.7
  3. 点击右上角 "发布" 按钮

第四步：构建 RAG 知识库

知识库是 Dify 的核心能力，下面详细讲解构建过程：

  1. 点击顶部导航的 "知识库"，然后点击 "创建知识库"

  2. 填写基本信息：

  3. 名称：电商售后政策知识库

  4. 描述：包含退换货流程、物流政策、优惠规则等信息

  5. 上传文档：支持以下方式

  6. 拖拽上传本地文件（PDF、Word、Excel、TXT 等）
  7. 从 Notion 同步（需先授权）
  8. 从网页同步（输入 URL 自动抓取）

  9. 手动输入文本

  10. 分段策略设置（关键步骤）：

参数 建议值 说明
分段最大长度 500 tokens 每个分块的最大 token 数，太小信息不足，太大会稀释检索精度
分段重叠长度 50 tokens 相邻分块之间的重叠 token，防止关键信息被切断
分段规则 自动分段 Dify 会根据文档结构自动分段，保留标题层级关系
  1. 选择 Embedding 模型：
  2. 如果追求精度，选择 text-embedding-3-large

  3. 如果控制成本，选择 text-embedding-3-small 或 bge-large-zh

  4. 索引模式选择：

  5. 高质量模式（推荐）：调用大模型对文档做预处理，生成更准确的索引

  6. 经济模式：直接向量化，速度快但精度略低

  7. 点击 "保存并处理"，Dify 会自动完成文档分段和向量化。处理时间取决于文档大小，通常 1-5 分钟

  8. 检索测试：索引完成后，可以在右侧测试检索效果。输入一个测试问题，查看召回的文档片段是否精准命中

  9. 回到应用设置，在"上下文"区域关联刚创建的知识库

第五步：工作流编排（进阶）

对于复杂的业务逻辑，可以使用工作流模式。下面以一个"智能工单分类与处理"为例：

工作流设计：

[开始] → [用户输入] → [意图识别（LLM节点）]
                              ↓
              ┌───────────────┼───────────────┐
              ↓               ↓               ↓
        [退换货处理]    [物流查询]      [投诉建议]
              ↓               ↓               ↓
        [知识库检索]    [API查询物流]   [转人工]
              ↓               ↓               ↓
        [LLM回复]       [LLM回复]      [模板回复]
              ↓               ↓               ↓
              └───────────────┼───────────────┘
                              ↓
                         [结束]

操作步骤：

  1. 创建新应用，选择 "工作流" 类型
  2. 从左侧拖入一个 "LLM" 节点作为意图识别器
  3. 配置 LLM 节点的提示词，让模型将用户输入分类为退换货、物流查询、投诉建议三类
  4. 从 LLM 节点拉出三条分支连线，连接到不同的处理节点
  5. 在"物流查询"分支中，拖入 "HTTP 请求" 节点调用物流 API
  6. 在"退换货处理"分支中，拖入 "知识库检索" 节点 + "LLM" 节点组合
  7. 配置条件分支的判断逻辑（使用 Jinja2 模板语法处理 LLM 输出）
  8. 点击 "测试运行"，输入几个测试用例验证流程正确性

工作流节点类型速查：

节点类型 用途
开始 工作流入口，定义输入变量
LLM 调用大语言模型进行推理/生成
知识库检索 从知识库中检索相关文档片段
代码 执行 Python/JavaScript 代码进行数据处理
HTTP 请求 调用外部 API 接口
条件分支 根据条件走向不同分支
模板转换 使用 Jinja2 模板格式化数据
变量聚合 合并多个上游节点的输出
结束 工作流出口，定义输出格式

实战案例

案例一：企业微信智能客服机器人

背景：某中型企业需要为内部员工（2000+ 人）提供 7×24 小时的自助服务，覆盖 IT 支持、HR 政策、行政服务等场景。

方案架构：

企业微信 → Dify API → Dify 应用（聊天助手）
                         ↓
                   知识库（IT手册 + HR制度 + 行政指南）

实施步骤：

  1. 知识库建设：搜集 IT 常见问题文档、员工手册、行政流程文档共 87 份，上传至 Dify 知识库
  2. 提示词设计：针对企业内部风格定制，加入公司文化元素
  3. Dify API 对接：使用 Dify 自动生成的 API 端点，通过 Python 编写企业微信机器人中间件
  4. 效果评估：
  5. 上线首月处理 15,000+ 次咨询
  6. 自动解决率 78%（无需人工介入）
  7. IT 部门工单量下降 62%

关键代码片段（企业微信机器人中间件）：

import requests
from flask import Flask, request

DIFY_API_URL = "https://your-dify-instance.com/v1/chat-messages"
DIFY_API_KEY = "app-xxxxxxxxxxxxx"

@app.route('/webhook', methods=['POST'])
def handle_message():
    msg = request.json
    user_query = msg.get('content', '')
    user_id = msg.get('from_user', 'anonymous')

    response = requests.post(DIFY_API_URL, json={
        "inputs": {},
        "query": user_query,
        "response_mode": "blocking",
        "user": user_id
    }, headers={
        "Authorization": f"Bearer {DIFY_API_KEY}",
        "Content-Type": "application/json"
    })

    return {"reply": response.json()['answer']}

案例二：技术文档智能问答系统

背景：某开源项目拥有 300+ 页的技术文档，用户检索效率低，开发者维护成本高。

方案实施：

  1. 使用 Dify 的网页同步功能，自动抓取文档站点的所有页面
  2. 分段策略采用"自动分段"模式，保留原有的标题层级
  3. 知识库索引完成后，创建文本生成应用用于文档问答
  4. 将应用嵌入到文档站点的右下角作为悬浮助手

效果数据：

  • 文档检索时间从平均 3 分 20 秒降至 15 秒
  • 开发者维护文档的工单量下降 45%
  • 用户满意度从 3.2/5 提升至 4.6/5

进阶技巧

1. 多模型负载均衡

当单个模型的请求量过大或出现故障时，可以通过配置"后备模型"实现高可用：

  • 在应用设置的模型选择区域，点击"添加后备模型"
  • 按照优先级排列：主模型（如 GPT-4o）→ 备选模型（如 Claude）→ 兜底模型（如 DeepSeek）
  • 当主模型不可用时，Dify 会自动降级到下一个可用模型

2. 知识库召回优化

如果检索效果不理想，可以从以下几个维度优化：

问题现象 可能原因 优化方案
检索不相关 分段过长，信息被稀释 减小分段长度至 300 tokens
关键信息被切断 分段重叠不足 增加重叠至 80 tokens
检索不到精确答案 向量模型不够精准 切换到 text-embedding-3-large
长文档检索漏掉重要内容 只用语义检索 开启混合检索，增大关键词权重
多轮对话上下文丢失 未启用对话变量 添加变量存储器保存关键信息

3. 自定义工具（Tool）集成

Dify 支持创建自定义 API 工具，让 Agent 能够调用外部系统：

创建步骤：

  1. 进入 "工具" 页面，点击 "创建自定义工具"
  2. 使用 OpenAPI 3.0（Swagger）格式定义工具接口：
openapi: 3.0.0
info:
  title: 订单查询API
  version: 1.0.0
servers:
  - url: https://api.your-company.com
paths:
  /orders/{order_id}:
    get:
      summary: 根据订单号查询订单详情
      parameters:
        - name: order_id
          in: path
          required: true
          schema:
            type: string
      responses:
        '200':
          description: 订单详情
  1. 保存后在 Agent 应用中即可调用该工具

4. 日志与监控

Dify 提供了完善的应用运行日志：

  • 对话日志：记录每一次用户请求的完整交互过程，包括 LLM 调用耗时、Token 消耗
  • 标注功能：可以对 AI 回复进行"点赞/点踩"标注，用于后续优化
  • 分析面板：查看应用的使用趋势、活跃用户数、平均响应时间等关键指标
  • 成本追踪：按模型类型统计 Token 消耗量和费用，便于成本管控

5. 批量测试与评估

在正式上线前，建议进行系统性的效果评估：

  1. 准备 50-100 个覆盖各种场景的测试问题
  2. 使用 Dify 的"批量测试"功能导入测试集
  3. 运行测试并查看每条问答的效果
  4. 针对低分回答逐一分析原因并调整提示词或知识库

常见问题

Q1：Dify 和 LangChain 有什么区别？我应该选哪个？

A：Dify 是一个"开箱即用"的平台产品，提供可视化界面和管理后台；LangChain 是一个开发框架，需要编写代码来构建应用。如果你需要快速搭建可上线的 AI 应用，选 Dify；如果你需要高度自定义的开发灵活性，选 LangChain。两者并不冲突，你也可以用 Dify 做原型，用 LangChain 做深度定制。

Q2：Dify 自部署需要多少成本？

A：Dify 本身完全免费开源。主要成本来自： - 服务器费用：最低配置约 ¥50-100/月（2核4G云服务器） - LLM API 调用费：视使用量而定，轻量使用约 ¥20-50/月 - 域名和 SSL 证书（可选）：约 ¥50-100/年 整体月成本控制在 ¥100-200 即可运行一个中等规模的 AI 应用。

Q3：知识库支持多少种文件格式？上传有大小限制吗？

A：支持 TXT、PDF、HTML、Markdown、DOCX、XLSX、CSV、Notion。单个文件建议不超过 15MB。如果是超大文档（如几百页的 PDF），建议先手动拆分为多个章节分别上传，检索效果会更好。

Q4：Dify 的知识库支持实时更新吗？

A：支持。你可以随时向已有知识库添加新文档或删除旧文档，Dify 会自动重新索引。如果文档内容变化频繁，建议使用 API 方式自动同步，避免手动操作。

Q5：多个应用可以共享同一个知识库吗？

A：可以。一个知识库可以被多个应用同时关联，互不影响。这在需要为不同场景（如客服、销售、培训）提供统一知识基础的场景中非常实用。

Q6：Dify 数据安全性如何？

A：自部署模式下，所有数据（对话记录、知识库文档、用户信息）都存储在你自己的服务器上，Dify 官方不会接触任何数据。即使是 Cloud 版本，Dify 也提供数据加密和隔离机制。对于数据敏感型企业，强烈建议选择自部署方案。

总结

Dify 代表了 AI 应用开发从"手工作坊"走向"工业化"的重要趋势。它把原本需要资深算法工程师才能完成的 RAG 系统搭建、Agent 开发、工作流编排等工作，简化成了可视化拖拽操作，让更多没有深厚技术背景的人也能参与 AI 应用的构建。

从实战角度来看，Dify 最出彩的三个能力是：

  1. 知识库引擎：分段灵活、检索精准、支持多 Embedding 模型，是企业级 RAG 的标准答案
  2. 工作流编排：可视化画布 + 代码节点的组合，既能快速搭建原型，又保留了定制化空间
  3. 开源自部署：Docker 一行命令部署，数据完全自主可控，满足企业对数据安全的严格要求

如果你是独立开发者、中小企业技术负责人或 AI 产品经理，Dify 是目前搭建 AI 应用最值得投入学习的平台。它降低了技术门槛，但并不降低质量上限——你可以从简单的知识库问答开始，逐步进阶到复杂的工作流 + Agent 体系。

推荐学习路径：

  1. 先使用 Dify Cloud 版本体验基本功能（1-2 天）
  2. 在自己的服务器上完成 Docker 部署（半天）
  3. 构建一个基于知识库的简单问答应用（1 天）
  4. 尝试工作流模式，加入条件分支和 API 调用（2-3 天）
  5. 对接企业微信/飞书/钉钉等 IM 平台（1-2 天）

按照这个路径，一周时间你就能从零基础到能够独立交付一个完整的企业级 AI 应用。

本文由 AIGC-Sora.com 原创发布，发现更多 AI 工具请访问 https://aigc-sora.com

推荐AI工具

StudyX TeachQuill PrepGo DeepSeek数学解题

更多推荐

精选教程