langgenius/dify · 上手攻略

• 仓库：langgenius/dify
• 链接：https://github.com/langgenius/dify
• 分类：trending
• 作者：Tom
• 更新：2026-07-09

这是什么

Dify 是一个开源的 LLM 应用开发平台，将 AI 应用的全生命周期管理浓缩到一个直观的界面中。它同时支持"零代码"可视化编排和后端 API 调用，定位介于 LangChain 的灵活度和 Dify 的开箱即用之间——你不需要写 Python 就能跑起一个完整的 AI 应用，但一旦需要深度定制，Dify 也提供了足够的扩展性。

官方给它的定义是：Production-Ready LLM App Development Platform。核心理念是把 AI 应用的原型到生产环节全部覆盖：工作流编排、RAG 管道、Agent 能力、模型管理、可观测性（集成 Opik、Langfuse、Arize Phoenix），全部在一个平台内完成。

解决什么问题

如果你试过用纯 LangChain 搭建一个生产级 AI 应用，大概率会遇到这些问题：

• 上线容易，维护难：Prompt 改了没有版本管理，生产出错了没有日志可查。
• RAG 管道要从零搭：文档解析 → 分块 → 向量化 → 检索，每一步都要自己拼。
• Agent 能力门槛高：ReAct / Function Calling 的逻辑写一遍可以，写三遍就开始想骂人。
• 多模型切换麻烦：今天用 GPT-4，明天想换 Llama3，要改一堆代码。

Dify 把这些问题打包成可视化模块，让产品经理和独立开发者都能快速搭出能上线的产品，而不需要配一个完整的 Python 团队。

快速安装（Docker 单机部署）

前置要求：CPU ≥ 2 核，内存 ≥ 4 GiB，Docker 和 Docker Compose 已安装。

# 克隆仓库
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 复制环境配置
cp .env.example .env

# 一行启动
docker compose up -d

启动后访问 http://localhost/install，按引导完成初始化（设置管理员账号）。

⚠️ 注意：首次启动会拉取多个 Docker 镜像（约数 GB），国内用户可能较慢，建议配置 Docker 镜像加速。

如需自定义配置，编辑 docker/.env，关键变量说明见 官方环境变量文档。完整重启：docker compose -f docker/docker-compose.yaml down && docker compose -f docker/docker-compose.yaml up -d。

核心用法

1. 创建应用

登录后在工作台点击"创建应用"，选择应用类型：

2. 内置 Prompt IDE

在应用内可直接编写、调试 Prompt，支持： - 多模型横向对比（同时问 GPT-4 和 Llama3，看哪个回答更好） - 变量插入（让用户输入或从上下文注入） - 文本转语音（TTS）集成

3. RAG 管道（文档问答）

Dify 内置完整的 RAG 流程：

1. 上传文档（PDF、PPT、Word、TXT 等，支持 OCR）
2. 自动解析 → 分块 → 向量化
3. 接入应用作为上下文

# 如需通过 API 上传文档（Dify 后端即服务模式）
curl -X POST 'https://your-dify-instance/v1/datasets' \
  -H 'Authorization: Bearer APP-xxx' \
  -F "name=my_dataset" \
  -F "indexing_technique=high_quality"

4. Agent 与工具

Dify 提供 50+ 内置工具，涵盖 Google 搜索、DALL·E 绘图、Stable Diffusion、Wolfram Alpha 等。可以基于 ReAct 或 Function Calling 定义 Agent，添加自定义工具：

# 通过 API 调用已部署的 Agent
import requests

response = requests.post(
    "https://your-dify-instance/v1/chat-messages",
    headers={"Authorization": "Bearer APP-xxx"},
    json={
        "query": "帮我查一下北京今天的天气",
        "user": "user_123",
        "response_mode": "blocking"
    }
)
print(response.json()["answer"])

5. LLMOps：监控与迭代

Dify 内置日志和性能分析，持续追踪： - 每次调用的 Prompt、Token 消耗 - 用户反馈（点赞/点踩） - 标注与微调数据集导出

可接入 Grafana 仪表盘（参考 社区 Dashboard）。

6. 后端 API

每个 Dify 应用都自带 REST API，可嵌入到任何业务系统：

# 查看应用 API 文档
# 在 Dify UI 中：应用 → 发布 → 调用API

典型适用场景

• AI 产品原型快速验证：非工程师也能搭一个能跑的应用，给投资人或客户演示。
• 企业内部知识库问答：上传产品文档、客服记录，用 RAG 管道构建智能问答。
• 多模型对比选型：在 Prompt IDE 里同时跑 GPT-4、Claude、Llama3，客观评估效果差异。
• Agent 应用搭建：需要调用外部工具（搜索、数据库、API）的智能体场景。
• AI 应用生产运营：日志分析、Prompt 迭代、用户反馈收集，用 LLMOps 持续优化。

坑与注意

1. 自托管 vs 云服务：Dify 本身开源免费，但云服务有不同定价 plan。生产环境自托管需要自己维护 PostgreSQL（内置）和 Redis（如使用消息队列）。

2. 中文文档支持有限：主要文档为英文和中文，中文翻译覆盖不全，有问题优先看英文文档。

3. Worker 资源消耗：RAG 向量化、Agent 推理都是 CPU/内存密集型任务，低配机器跑大规模文档库可能会卡。

4. API 鉴权：所有 API 调用需要 APP-xxx 形式的密钥，密钥在"应用 → 发布 → API"页面获取。

5. 版本升级注意：Dify 升级时数据库 schema 可能变化，升级前务必查看 CHANGELOG 并做好备份。

6. Docker 卷权限：Linux 上 docker compose up -d 可能遇到卷权限问题，确保 Docker 以 root 或有权限的用户运行，或检查 /var/run/docker.sock 权限。

7. 企业级功能需要付费：核心开源版覆盖大部分需求，但高级特性如 SSO、SLA 支持属于企业版。

与同类对比

Dify 的核心优势：开箱即用的 UI + 原生 API + RAG 内置，最适合"想快速上线一个 AI 产品"的团队。不适合：需要深度定制 LangChain 逻辑、对依赖版本有严格控制的场景。

一句话推荐结论

Dify 是目前开源 LLM 应用平台中完成度最高、门槛最低的选择——用它，你可以在一个下午把一个 AI 应用从零做到能上线。

来源

• GitHub README：https://github.com/langgenius/dify
• 官方文档：https://docs.dify.ai
• Docker 部署：https://github.com/langgenius/dify/tree/main/docker