耿雨飞的个人博客

[[ slide_text ]]

[[ item.c ]]

Dify 系列教程 | 第 1 篇：Dify 是什么？一文读懂开源 LLM 应用开发平台

发布时间：2026-04-08 作者：gengyufei 来源：gengyufei个人博客

dify 教程

> **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

---

## 开篇：为什么你需要了解 Dify？

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。

---

## 一、Dify 是什么？

**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

| 指标        | 数据                                 |
| ----------- | ------------------------------------ |
| GitHub 仓库 | langgenius/dify                      |
| 当前版本    | v1.13.3                              |
| 后端技术栈  | Python 3.12 + Flask                  |
| 前端技术栈  | Next.js + React + TypeScript         |
| 部署方式    | Docker Compose / Kubernetes / 云平台 |
| 开源协议    | Apache 2.0 修改版                    |
| 支持语言    | 23+ 种界面语言                       |

---

## 二、Dify 的核心能力

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：

| 节点类别 | 代表节点                                    | 用途                                 |
| -------- | ------------------------------------------- | ------------------------------------ |
| 控制流   | Start、End、IfElse、Loop、Iteration         | 控制工作流的执行路径和循环逻辑       |
| AI 处理  | LLM、Agent、QuestionClassifier              | 调用大模型进行推理、分类             |
| 数据检索 | KnowledgeRetrieval、DataSource              | 从知识库或数据源获取信息             |
| 数据处理 | Code、TemplateTransform、ParameterExtractor | 执行自定义代码、模板转换、参数提取   |
| 外部交互 | HttpRequest、Tool、HumanInput               | 调用外部 API、使用工具、等待人工审核 |
| 触发器   | Webhook、Schedule、Plugin                   | 通过外部事件、定时或插件触发工作流   |

**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**：

| 策略                  | 原理                     | 适用场景                         |
| --------------------- | ------------------------ | -------------------------------- |
| Function Calling (FC) | 利用模型原生函数调用能力 | 模型支持 FC 时优先使用，效率更高 |
| ReACT (COT)           | 推理-行动-观察循环       | 通用性更强，支持所有模型         |

**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**：

| 类型           | 用途           | 举例                      |
| -------------- | -------------- | ------------------------- |
| LLM            | 文本生成、对话 | GPT-4o、Claude 3.5 Sonnet |
| Text Embedding | 文本向量化     | text-embedding-3-small    |
| Rerank         | 检索结果重排序 | Cohere Rerank             |
| Speech2Text    | 语音转文字     | Whisper                   |
| TTS            | 文字转语音     | OpenAI TTS                |
| Moderation     | 内容审核       | OpenAI Moderation         |

### 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。

---

## 三、Dify 支持的应用类型

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

---

## 四、Dify vs 同类产品

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

| 维度     | Dify                         | LangChain          |
| -------- | ---------------------------- | ------------------ |
| 定位     | 完整的应用开发平台（低代码） | 开发框架（代码库） |
| 上手方式 | 可视化界面，拖拽操作         | 纯代码开发         |
| 目标用户 | 开发者 + 产品经理 + 运营人员 | 开发者             |
| RAG 管道 | 开箱即用，可视化配置         | 需要代码实现       |
| 部署     | Docker 一键部署              | 需自行搭建         |
| 协作     | 多人协作、权限管理           | 无                 |

**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

| 维度       | Dify                                       | Flowise / LangFlow |
| ---------- | ------------------------------------------ | ------------------ |
| 成熟度     | 企业级，生产就绪                           | 偏实验性           |
| 功能完整性 | 工作流 + RAG + Agent + 模型管理 + 可观测性 | 主要聚焦工作流编排 |
| 多租户     | 原生支持                                   | 不支持或有限       |
| 模型支持   | 100+ 供应商                                | 相对有限           |
| 社区规模   | 大型开源社区                               | 较小               |

### 4.3 Dify vs Coze（扣子）

| 维度     | Dify                | Coze               |
| -------- | ------------------- | ------------------ |
| 部署方式 | 开源自部署 / Cloud  | 纯 SaaS            |
| 数据控制 | 完全掌控            | 数据在第三方       |
| 定制能力 | 源码级定制          | 受平台限制         |
| 适用场景 | 企业内部 + 商业产品 | 快速原型、个人使用 |
| 模型选择 | 自由选择任何模型    | 受平台限制         |

**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。

---

## 五、Dify 的技术架构概览

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。

---

## 六、Dify 的使用方式

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：

```bash
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。

---

## 七、适用场景

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：

| 场景         | 对应能力         | 适合的应用类型      |
| ------------ | ---------------- | ------------------- |
| 智能客服     | 知识库 + 对话    | 聊天助手 / 高级聊天 |
| 文档问答     | RAG 知识库       | 聊天助手            |
| 内容创作     | 工作流 + LLM     | 工作流应用          |
| 数据分析助手 | Agent + 代码执行 | Agent 应用          |
| 翻译工具     | LLM 直接调用     | 文本生成            |
| 自动化报告   | 工作流 + 触发器  | 工作流应用          |
| 企业知识管理 | 多知识库 + 权限  | 高级聊天            |
| AI 辅助编程  | Agent + 工具     | Agent 应用          |

---

## 实践环节：体验 Dify Cloud

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
```

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

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**。

---

## 小结

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。

上一篇：时间序列预测:从统计方法到深度学习下一篇：Dify 系列教程 | 第 2 篇：10 分钟搞定！Dify 本地部署完全指南

你觉得文章怎么样