dify

---

name: dify description: "Use when building LLM applications with visual workflow — RAG knowledge bases, AI agents, chatbots with drag-and-drop orchestration. Dify: open-source LLM app platform supporting 30+ models (OpenAI, Claude, DeepSeek, Ollama, Qwen, GLM) with Docker deployment." tags:

• llm
• workflow
• rag
• agent
• platform

---

项目地址： https://github.com/langgenius/dify

官网： https://dify.ai/

官方文档： https://docs.dify.ai/

许可证： Dify Open Source License（基于 Apache-2.0 + 附加条款） 最新版本： 参见 GitHub Releases

概述

Dify 提供：

• 应用类型：Chatbot / Agent / Text Generator / Workflow / Chatflow
• 可视化编排：节点化拖拽（LLM / Knowledge / Tool / IF-Else / 迭代 / 代码）
• RAG 引擎：知识库 + 多种检索（向量 / 全文 / 混合 / 重排）
• 多模型：OpenAI / Anthropic / Gemini / Bedrock / Azure / Ollama / Hugging Face / 通义 / 智谱 GLM / 百川 / Moonshot / DeepSeek / 豆包 / xAI 等
• 工具系统：内置 + 自定义（OpenAPI Schema）
• 多模态：图像理解 / TTS / STT
• API 与 Webhook：每个应用自动生成 RESTful API
• 多租户 / SSO / RBAC / 监控 / 日志
• 私有化部署：Docker Compose / Helm / K8s

---

部署（Docker Compose）

git clone https://github.com/langgenius/dify
cd dify/docker
cp .env.example .env
# 编辑 .env：SECRET_KEY、INIT_PASSWORD 等
docker compose up -d
# Web UI: http://localhost

数据持久化在 ./volumes/。生产环境建议使用外部 PostgreSQL + Redis + 对象存储 + 向量库（Weaviate/Qdrant/PGVector/Milvus）。

Helm（K8s）

helm repo add dify https://langgenius.github.io/dify-helm
helm install dify dify/dify -n dify --create-namespace

---

配置模型供应商

进入 「设置 → 模型供应商」：

• 添加 OpenAI / Azure：填 API Key、Base URL
• Ollama 本地：http://host.docker.internal:11434
• 通义千问：DashScope API Key
• 智谱 GLM：API Key
• 设置「系统模型」（默认推理 / 嵌入 / 重排 / TTS / STT）

---

创建应用

类型	用途
Chatbot	多轮对话，自动会话上下文
Agent	工具调用 + 推理（ReAct/FunctionCall）
Text Generator	单次生成（写作/翻译/总结）
Workflow	复杂业务流程（节点编排）
Chatflow	Chatbot + Workflow（可拖拽对话流程）

---

RAG 知识库

1. 「知识库」→ 创建 → 上传 PDF/Word/Markdown/网页/Notion
2. 选择切分模式：自动 / 自定义（分隔符、最大长度、重叠）
3. 选择嵌入模型 + 索引方式（高质量向量 / 经济）
4. 启用混合检索（语义 + 关键词）+ Rerank
5. 在应用中绑定知识库 → 自动生成上下文

---

工作流（Workflow）核心节点

节点	功能
Start	输入参数
LLM	模型推理
Knowledge Retrieval	知识库检索
Question Classifier	问题分类
HTTP Request	调用外部 API
Code	运行 Python/JavaScript
Tool	内置/自定义工具
If/Else	条件分支
Iteration	迭代列表
Variable Aggregator	合并变量
Template Transform	Jinja2 字符串模板
Parameter Extractor	从文本抽参数
End	输出

支持引用上游变量：{{#node1.text#}}。

---

自定义工具（OpenAPI）

openapi: 3.0.0
info: { title: Weather, version: '1.0' }
paths:
  /weather:
    get:
      operationId: getWeather
      parameters:
        - name: city
          in: query
          required: true
          schema: { type: string }
      responses:
        '200': { description: ok }

「工具 → 自定义工具」上传后，Agent / Workflow 可直接调用。

---

API 调用

每个应用自带 API 端点：

curl -X POST 'https://your-dify/v1/chat-messages' \
  -H 'Authorization: Bearer app-xxxxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "北京今天天气",
    "user": "user-001",
    "conversation_id": "",
    "response_mode": "streaming"
  }'

response_mode：blocking（同步）/ streaming（SSE）。

工作流调用：POST /v1/workflows/run。

---

Webhook / 触发

• 通过 API 嵌入网站、微信公众号、飞书、钉钉
• Dify 提供官方 Web 客户端（/embed）与 SDK（Python / Node.js）

---

监控与日志

• 「日志与标注」：每条对话/请求详情、token 用量、节点耗时
• 标注后回流为评估集，进行「评估 → 测试集回归」

---

性能与生产建议

1. PostgreSQL 与 Redis 单独部署，向量库选 Qdrant/Weaviate
2. WebApp / API / Worker / Sandbox 多副本
3. 启用 rerank 提升检索质量
4. 使用 Streaming 减少首字节时间
5. 缓存：相同 prompt + 输入命中缓存；启用「LLM 节点缓存」
6. 限流：网关层（Nginx / APISIX）+ 应用 API Key 限速

---

典型工作流

场景一：搭建企业知识库问答机器人

# 整体步骤
1. 准备知识库文档（PDF/Markdown/网页）
2. 知识库 → 上传文档 → 选择嵌入模型（bge-m3）→ 启用混合检索 + Rerank
3. 创建 Chatbot 应用 → 绑定知识库
4. 配置系统提示词："你是企业内部助手，仅基于知识库回答..."
5. 配置模型（GPT-4o-mini 或 DeepSeek-V3）
6. 测试 → 发布 → 获取 API Key
7. 通过 iframe 嵌入官网或对接飞书/钉钉/企微

# API 调用示例
curl -X POST 'https://dify.example.com/v1/chat-messages' \
  -H 'Authorization: Bearer app-xxxxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "公司年假政策是什么？",
    "user": "employee-001",
    "response_mode": "streaming"
  }'

场景二：构建多步骤审批工作流

# Workflow 节点编排
Start → 用户提交申请
  → Question Classifier（判断申请类型：请假/报销/采购）
  → IF/ELSE 分支
    → 请假分支：
      → Code 节点（Python 计算剩余年假）
      → HTTP Request（调 HR 系统校验）
      → LLM 节点（生成审批意见）
    → 报销分支：
      → Parameter Extractor（抽取金额/事由）
      → Knowledge Retrieval（查报销政策）
      → LLM 节点（合规判断）
  → Variable Aggregator（汇总分支结果）
  → Template Transform（生成审批通知）
  → End（返回审批结果 + 通知）

---

AI 使用建议

推荐工作流

1. 先选应用类型：简单问答 → Chatbot，需要工具调用 → Agent，复杂流程 → Workflow/Chatflow
2. 调试提示词：在「提示词编排」中先用 GPT-4o-mini 快速迭代，确认效果后换大模型
3. 知识库先行：先上传小批量文档验证切分/检索效果，确认检索质量后再全量导入
4. 节点逐步调试：Workflow 每加一个节点就运行测试，避免排错困难
5. 监控上线：启用「日志与标注」，收集真实用户反馈后持续优化

关键模式与常见陷阱

• RAG 检索质量：中文场景务必选中文嵌入模型（bge-m3 / text2vec），并启用 Rerank
• 模型选择：Agent 场景必须用支持 Function Calling 的模型（GPT-4o/Claude/DeepSeek-V3），国产小模型可能不支持
• 变量引用：Workflow 中 {{#节点名.字段#}} 语法容易写错，复制节点 ID 粘贴
• Code 节点限制：Python/JS 沙箱无网络访问，如需调外部 API 请用 HTTP Request 节点
• 流式响应：前端对接务必用 SSE（response_mode: streaming），否则长回复体验差
• Token 消耗：别把所有文档塞进上下文，善用 Knowledge Retrieval 节点的 top_k 限制

如何选择正确方案

场景	推荐方案
简单 FAQ 问答	Chatbot + 知识库
需要查数据库/调 API	Agent + 自定义工具
多步骤审批/数据流转	Workflow
对话式多步骤	Chatflow
纯文本生成（无对话）	Text Generator

---

常见问题

问题	解决
上传文档失败	检查 STORAGE_* 配置（本地 / S3）与权限
嵌入失败	嵌入模型未配置 / 余额不足；切换其它供应商
私有 Ollama 不通	Docker 网络：host.docker.internal 或自定义网络
响应慢	启用 streaming；缩短 prompt；减少检索 topK
中文检索差	使用 bge-m3 / text2vec 等中文嵌入 + jieba 关键词

---

相关技能

• hermes-agent — 自学习通用型 AI 智能体，适合需要自建后端 Agent 的场景：../hermes-agent/SKILL.md
• oh-my-openagent — OpenCode 多模型编排插件，提供并行 Agent 与 AST/LSP 工具：../oh-my-openagent/SKILL.md
• superpowers-zh — 中文提示词/Skill 工程库，可与 Dify 的提示词编排结合使用：../superpowers-zh/SKILL.md

---

参考资源

• 文档：https://docs.dify.ai/
• 模板市场：https://dify.ai/
• 中文教程（znlgis）：https://znlgis.github.io/ai/dify/