大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



Dify 系列教程 | 模块一：认识 Dify – 从零开始 | 第 1 篇 / 共 30 篇

适合读者：所有技术水平

学习目标：理解 Dify 在 AI 应用开发生态中的定位；了解 Dify 与同类产品的区别；掌握 Dify 的核心能力概览

---

假设你有一个想法：为公司内部搭建一个智能客服系统，能够回答员工关于公司制度、产品知识的各种问题。你可能会怎么做？

最直接的方式是调用 OpenAI 的 API，写一堆 Python 代码来处理对话逻辑、管理上下文、实现文档检索…但很快你就会发现，这个过程不仅耗时，还需要处理大量与核心业务无关的“脏活”：Prompt 调试、模型切换、向量数据库对接、对话历史管理、API 鉴权、前端界面…

有没有一个平台，能让你像搭积木一样快速构建 AI 应用？

这就是 Dify 要解决的问题。

---

Dify（发音 /dɪfaɪ/）是一个开源的大语言模型（LLM）应用开发平台。它提供了一套直观的可视化界面，将 AI 工作流编排、RAG 检索增强管道、智能体（Agent）、模型管理、可观测性等能力整合在一起，帮助开发者从原型快速走向生产。

用一句话概括：Dify 是 AI 应用的“低代码开发平台”。

项目由 LangGenius 团队开发维护，托管在 GitHub（langgenius/dify），基于 Apache 2.0 修改版协议开源，当前版本 v1.13.3。

1.1 Dify 的名字从何而来？

Dify 的名字来源于 “Define + Modify” 的组合，也有 “Do It For You” 的含义 – 帮你搞定 AI 应用开发中的繁杂工作，让你聚焦于业务逻辑本身。

1.2 项目的基本数据

---

Dify 不只是一个简单的 ChatGPT 套壳工具，它提供了构建企业级 AI 应用所需的完整能力栈。我们可以将其核心能力归纳为 七大模块：

2.1 可视化工作流编排（Workflow）

这是 Dify 最强大的功能之一。你可以在一个可视化画布上，通过拖拽节点和连线来构建复杂的 AI 处理流程。

Dify 提供了 30+ 种工作流节点，包括：

举个例子：你可以创建一个“智能内容审核工作流”：

用户输入 → 问题分类（是否违规？） ├─ 是 → 自动拒绝 + 通知管理员 └─ 否 → LLM 生成回复 → 质量检查 → 输出 

整个流程不需要写一行代码，全部在可视化画布上完成。

2.2 RAG 知识库管道（RAG Pipeline）

RAG（Retrieval-Augmented Generation，检索增强生成）是解决大模型“幻觉”问题的核心技术。Dify 提供了开箱即用的 RAG 管道：

文档处理能力：

• 支持上传 PDF、Word、Markdown、TXT、HTML、CSV、Excel 等格式
• 自动分段（Chunking）与向量化处理
• 支持网页爬取和在线文档导入

检索策略：

• 语义检索：基于向量相似度，理解语义而非关键词匹配
• 关键词检索：基于 BM25 算法，适合精确匹配场景
• 混合检索：语义 + 关键词的加权融合，兼顾准确性和召回率
• 全文检索：传统文本搜索

向量数据库支持：Weaviate（默认）、Qdrant、Milvus、PgVector、Elasticsearch、OpenSearch 等 15+ 种。

简单来说，你可以把公司的产品手册、FAQ 文档、技术文档上传到 Dify 知识库，AI 就能基于这些资料准确回答问题，而不是“编”答案。

2.3 智能体能力（Agent）

Dify 的 Agent 功能让 AI 不再只会“说话”，还能“动手做事”。

两种 Agent 策略：

50+ 内置工具：Google 搜索、DALL-E 图像生成、Stable Diffusion、WolframAlpha 数学计算、天气查询等。你也可以通过 OpenAPI Schema 自定义工具，或通过 MCP 协议接入外部服务。

2.4 全面的模型支持

Dify 不绑定任何一家模型供应商。它支持 100+ 模型供应商 的无缝集成，涵盖：

• 国际模型：OpenAI（GPT-4o、GPT-4）、Anthropic（Claude）、Google（Gemini）、Mistral 等
• 国产模型：通义千问、文心一言、智谱 GLM、DeepSeek、Moonshot 等
• 开源模型：通过 Ollama、vLLM 等部署 Llama、Qwen、ChatGLM 等开源模型
• 兼容接口：任何 OpenAI API 兼容的模型服务

模型类型覆盖：

2.5 Prompt IDE

Dify 提供了一个直观的 Prompt 编辑器，让你可以：

• 可视化编排系统提示词和用户提示词
• 插入变量实现动态 Prompt
• 在同一界面对比多个模型的响应效果
• 实时调试和迭代优化

相比在代码里反复修改 Prompt 字符串，Dify 的 Prompt IDE 让调试效率提升数倍。

2.6 LLMOps 可观测性

在生产环境中，光能跑起来还不够，你还需要知道 AI 应用“跑得怎么样”。Dify 内置了完整的可观测性体系：

• 应用日志：记录每一次对话的输入、输出、Token 消耗
• 性能监控：追踪响应延迟、成功率、错误分布
• 标注与反馈：收集用户反馈，持续优化 Prompt 和数据集
• 第三方集成：支持 Langfuse、Opik、Arize Phoenix 等专业 LLM 观测平台
• OpenTelemetry：标准化分布式追踪

2.7 后端即服务（Backend-as-a-Service）

Dify 的所有功能都通过 RESTful API 暴露，你可以轻松将 Dify 集成到自己的产品中：

• 对话 API：发送消息、获取流式响应
• 工作流 API：触发工作流、获取执行结果
• 知识库 API：管理文档、触发索引
• 管理 API：应用管理、模型配置

同时提供 Node.js 和 Python 官方 SDK，进一步降低集成门槛。

---

使用 Dify 可以创建以下几种类型的 AI 应用：

3.1 聊天助手（Chat）

最基础的多轮对话应用。适合构建：

• 客服机器人
• 个人 AI 助手
• 角色扮演对话

3.2 文本生成（Completion）

单次输入、单次输出的应用。适合：

• 文章摘要
• 翻译
• 文案生成
• 数据格式转换

3.3 工作流应用（Workflow）

基于 DAG（有向无环图）的可视化流程。适合：

• 多步骤内容处理
• 复杂的数据分析流程
• 多模型协同推理

3.4 Agent 应用（Agent Chat）

具备自主推理和工具调用能力的智能体。适合：

• 需要查询外部数据的助手
• 需要执行代码的分析助手
• 多工具协同的复杂任务

3.5 高级聊天（Advanced Chat）

在聊天的基础上叠加工作流能力，实现更复杂的对话逻辑。适合：

• 带有条件分支的客服系统
• 需要多轮策略的销售助手
• 复杂业务流程的对话引导

---

市面上有不少 LLM 应用开发工具，Dify 的独特定位在哪里？

4.1 Dify vs LangChain

总结：LangChain 是“造轮子的材料”，Dify 是“已经造好的车”。如果你追求最大灵活性且团队有足够开发能力，选 LangChain；如果你想快速交付 AI 应用，选 Dify。两者也可以结合使用。

4.2 Dify vs Flowise / LangFlow

4.3 Dify vs Coze（扣子）

核心差异：Dify 的开源特性意味着你对数据、模型、部署都有完全的控制权，这对企业级应用至关重要。

---

即使是入门阶段，对 Dify 的技术架构有一个基本认知也很有帮助。下面用一张简化的架构图帮你建立全局视角：

 ┌─────────────────────────┐

 │ 用户/客户端 │ └───────────┬─────────────┘ │ ┌───────────▼─────────────┐ │ Nginx 反向代理 │ └─────┬───────────┬───────┘ │ │ ┌───────────▼──┐ ┌─────▼──────────┐ │ 前端 (Web) │ │ 后端 (API) │ │ Next.js │ │ Flask │ │ React │ │ Python 3.12 │ └──────────────┘ └───┬─────┬───────┘ │ │ ┌─────────────▼┐ ┌─▼────────────┐ │ PostgreSQL │ │ Redis │ │ 主数据库 │ │ 缓存 + 队列 │ └──────────────┘ └──────────────┘ │ ┌─────────────▼──────────────┐ │ 向量数据库（可选） │ │ Weaviate / Qdrant / Milvus │ └────────────────────────────┘ │ ┌─────────────▼──────────────┐ │ Celery Workers │ │ 异步任务（索引、工作流等） │ └────────────────────────────┘ 

前端（web/ 目录）：基于 Next.js + React + TypeScript，提供应用控制台、工作流编辑器、知识库管理等界面。

后端（api/ 目录）：基于 Python Flask，采用领域驱动设计（DDD），包含工作流引擎、RAG 管道、Agent 执行器、模型管理等核心逻辑。

基础设施：PostgreSQL 存储业务数据，Redis 处理缓存和异步任务队列，向量数据库存储文档的向量表示。

我们会在后续的教程中逐步深入每一层的细节。

---

Dify 提供了三种使用方式，你可以根据自己的需求选择：

6.1 Dify Cloud（云服务）

直接访问 Dify 官方的云端服务，无需部署，注册即用。适合快速体验和小规模使用。免费版提供基础功能。

6.2 社区版自部署

使用 Docker Compose 在自己的服务器上部署，完全开源免费。适合：

• 对数据安全有要求的企业
• 需要深度定制的场景
• 想要完全控制部署环境

最低配置要求：2 核 CPU + 4GB 内存，一条命令即可启动：

cd dify/docker cp .env.example .env docker compose up -d 

6.3 企业版

提供额外的企业级功能，包括 SSO 单点登录、高级权限管理、优先技术支持等。适合大型组织。

---

Dify 几乎可以覆盖所有需要 LLM 能力的应用场景。以下是一些典型用例：

---

在下一篇我们会动手部署 Dify，但现在你可以先通过 Dify Cloud 快速体验它的核心功能。

操作步骤：

1. 打开浏览器，访问 Dify 官方网站
2. 注册一个免费账号
3. 进入控制台后，点击「创建应用」
4. 选择「聊天助手」类型
5. 在 Prompt 编辑器中输入一段系统提示词，例如：

你是一位专业的 AI 技术顾问。你的任务是用通俗易懂的语言回答用户关于 AI 和大语言模型的问题。回答时请注意：

1. 先用一句话概括核心观点
2. 再展开详细解释
3. 最后给出实际应用建议 通过这个简单的体验，你应该能直观感受到 Dify 的核心理念：让 AI 应用的构建变得像搭积木一样简单。
   6. 在右侧的调试面板中发送几条测试消息，感受 AI 应用的效果
   7. 尝试切换不同的模型，对比响应质量

   ---

本篇我们系统性地了解了 Dify 这个开源 LLM 应用开发平台：

• 定位：AI 应用的低代码开发平台，从原型到生产的一站式解决方案
• 七大核心能力：工作流编排、RAG 知识库、Agent 智能体、模型管理、Prompt IDE、LLMOps 可观测性、Backend-as-a-Service API
• 五种应用类型：聊天助手、文本生成、工作流、Agent 应用、高级聊天
• 与同类产品的区别：相比 LangChain 更易用，相比 Flowise 更完整，相比 Coze 更可控
• 三种使用方式：Cloud 云服务、社区版自部署、企业版

下一篇预告：在下一篇《10 分钟搞定！Dify 本地部署完全指南》中，我们将动手用 Docker Compose 在本地部署 Dify，深入了解它的服务架构，并完成初始化设置。

---

你在使用 AI 应用开发工具时遇到过哪些痛点？对 Dify 有什么期待？欢迎在评论区留言讨论，我们下篇见！

---

本文基于 Dify v1.13.3 源码编写，内容力求准确。如有更新请以官方文档为准。

系列导航：本篇为《Dify 系列教程》第 1 篇，共 30 篇，持续更新中。