Dify 新手入门指南｜一键部署

在大模型应用快速发展的今天，越来越多的开发者、创业团队、企业数字化部门开始尝试把 AI 能力接入到自己的业务系统中。然而，对于刚接触大模型应用开发的人来说，直接从零开始搭建一套完整的 AI 应用并不容易：你需要理解模型调用、提示词编排、知识库检索、工作流设计、权限管理、应用发布、日志观测等多个环节。

Dify 的出现，正是为了解决这一类问题。它提供了一个相对完整的 LLMOps 平台，让用户可以通过可视化方式快速构建 AI 应用，包括聊天助手、知识库问答、智能客服、文本生成工具、自动化工作流等。对于新手来说，Dify 最大的优势在于：上手门槛低、功能模块完整、支持私有化部署、可快速对接多种大模型服务。

本文将围绕“Dify 新手入门”和“一键部署”两个核心主题，带你了解 Dify 是什么、适合哪些场景、如何部署、如何创建第一个应用，以及新手使用过程中需要注意的问题。

一、Dify 是什么？

Dify 是一个开源的大模型应用开发平台，主要用于帮助用户快速构建、部署和运营基于大语言模型的 AI 应用。你可以把它理解为一个“AI 应用搭建后台”，它将模型调用、提示词管理、知识库检索、工作流编排、应用发布、日志分析等能力整合到一个平台中。

通过 Dify，即使你不是专业 AI 工程师，也可以用较低成本完成一个可用的 AI 应用。例如：

• 搭建一个企业内部知识库问答机器人；
• 构建一个智能客服系统；
• 制作一个营销文案生成工具；
• 设计一个自动化数据分析助手；
• 开发一个面向用户的 ChatGPT 类聊天应用；
• 将 AI 能力嵌入到网站、小程序、企业微信或内部系统中。

相比直接调用大模型 API，Dify 提供了更友好的开发体验。你不需要把所有逻辑都写在代码里，而是可以在网页后台完成应用配置、提示词调整、知识库上传、工作流设计等操作。

二、为什么新手适合从 Dify 开始？

对于刚接触 AI 应用开发的新手来说，直接学习模型 API、向量数据库、RAG、Agent、工作流等概念，可能会感到比较困难。Dify 的价值在于把这些复杂能力进行了产品化封装，让你可以先“用起来”，再逐步理解背后的技术原理。

1. 可视化操作，降低学习成本

Dify 的控制台界面相对直观。创建应用、配置模型、编写提示词、上传知识库、测试效果，都可以在浏览器中完成。对于不熟悉后端开发的新手来说，这种方式非常友好。

2. 支持多种应用类型

Dify 并不只支持简单聊天机器人，还支持文本生成型应用、聊天助手、Agent 应用和工作流应用。不同业务需求可以选择不同的应用形态。

例如：

• 想做“客服问答”，可以选择聊天助手；
• 想做“文章摘要”，可以选择文本生成应用；
• 想做“多步骤自动化任务”，可以选择工作流；
• 想让 AI 调用工具或具备任务规划能力，可以尝试 Agent。

3. 支持知识库问答

很多企业最常见的需求是：让 AI 回答内部文档、产品手册、制度规范、技术资料中的问题。Dify 内置知识库能力，可以上传文档并进行向量化处理，然后在用户提问时进行检索增强生成，也就是常说的 RAG。

这使得 AI 不再只是依赖模型自身知识，而是可以结合你的私有资料进行回答。

4. 支持私有化部署

对于企业来说，数据安全非常重要。Dify 是开源项目，可以部署在自己的服务器上，便于控制数据、权限和访问环境。无论是测试环境还是生产环境，都可以根据需求进行部署和扩展。

5. 便于应用发布和集成

Dify 创建好的应用可以通过 Web 页面直接使用，也可以通过 API 接入到其他业务系统中。对于开发者来说，这意味着你可以把 Dify 作为 AI 应用中台，让前端、小程序、网站或企业内部系统调用它提供的能力。

三、部署前需要准备什么？

在进行一键部署之前，需要准备基本的服务器环境。虽然 Dify 本身已经通过 Docker Compose 简化了部署流程，但仍然建议你先了解以下基础条件。

1. 服务器配置建议

如果只是个人学习或测试，可以选择较低配置的云服务器；如果用于团队或企业环境，则建议配置更高一些。

个人测试环境建议：

• CPU：2 核及以上；
• 内存：4GB 及以上，建议 8GB；
• 磁盘：30GB 及以上；
• 系统：Ubuntu 20.04 / 22.04 或其他主流 Linux 发行版。

生产环境建议：

• CPU：4 核及以上；
• 内存：8GB 至 16GB 以上；
• 磁盘：100GB 以上；
• 根据知识库文档数量和访问量，合理扩容。

需要注意的是，Dify 本身并不一定需要在服务器上运行大模型。大多数新手会选择调用 OpenAI、Azure OpenAI、Anthropic、通义千问、智谱、DeepSeek 等模型 API。因此，服务器主要承担应用平台、数据库、向量库、队列等服务运行压力。

2. 安装 Docker 和 Docker Compose

Dify 官方推荐使用 Docker Compose 部署。Docker 可以帮助你把 Dify 相关服务以容器形式运行，避免手动安装大量依赖。

你需要提前安装：

• Docker；
• Docker Compose；
• Git。

在 Ubuntu 系统中，通常可以通过官方脚本或包管理器安装 Docker。安装完成后，可以使用以下命令检查版本：

docker --version
docker compose version
git --version

如果命令能够正常输出版本号，说明基础环境已经准备完成。

3. 准备模型 API Key

部署 Dify 后，你还需要配置模型供应商。常见模型服务包括：

• OpenAI；
• Azure OpenAI；
• Anthropic Claude；
• Google Gemini；
• 通义千问；
• 智谱 AI；
• DeepSeek；
• Moonshot；
• Ollama 本地模型；
• OpenAI API 兼容服务。

不同模型服务的申请方式不同。新手建议先选择一个自己能够稳定访问、价格透明、文档完善的模型服务。拿到 API Key 后，在 Dify 后台进行配置即可。

四、Dify 一键部署流程

下面以 Docker Compose 方式为例，介绍 Dify 的快速部署过程。实际部署时，建议以 Dify 官方文档为准，因为版本更新可能会带来目录结构或配置项变化。

1. 拉取 Dify 项目代码

登录你的服务器后，执行以下命令：

git clone https://github.com/langgenius/dify.git

进入 Docker 部署目录：

cd dify/docker

2. 复制环境变量配置文件

Dify 通常提供了示例环境变量文件，你可以复制一份作为正式配置：

cp .env.example .env

然后使用编辑器打开 .env 文件：

nano .env

在 .env 文件中，你可以根据实际需求修改端口、域名、密钥、数据库配置、存储配置等。新手测试环境可以先保持大多数默认配置，只重点关注访问端口和安全密钥等内容。

常见需要关注的配置包括：

• CONSOLE_WEB_URL：控制台访问地址；
• APP_WEB_URL：应用访问地址；
• API_URL：后端 API 地址；
• SECRET_KEY：系统密钥；
• DB_PASSWORD：数据库密码；
• REDIS_PASSWORD：Redis 密码；
• 各类存储和向量库相关配置。

如果只是本地或内网测试，可以先不绑定域名，使用服务器 IP 加端口访问。若用于正式环境，建议配置域名、HTTPS 和反向代理。

3. 启动服务

在 dify/docker 目录下执行：

docker compose up -d

该命令会自动拉取所需镜像并启动相关服务。首次启动可能需要几分钟，具体取决于服务器网络和镜像下载速度。

启动完成后，可以查看容器状态：

docker compose ps

如果大多数服务状态为 running 或 healthy，说明部署基本成功。

4. 访问 Dify 控制台

默认情况下，可以通过浏览器访问：

http://服务器IP

或者根据 .env 中配置的端口进行访问，例如：

http://服务器IP:80

首次访问时，Dify 会引导你创建管理员账号。设置完成后，就可以进入控制台。

如果无法访问，可以检查以下问题：

• 云服务器安全组是否放行了对应端口；
• 服务器防火墙是否拦截；
• Docker 容器是否正常运行；
• .env 中端口配置是否正确；
• Nginx 或反向代理配置是否正确。

五、初始化 Dify：配置模型供应商

部署完成后，第一件重要的事情就是配置模型。没有模型，Dify 就无法正常生成回答。

进入 Dify 控制台后，一般可以在“设置”或“模型供应商”相关页面中添加模型服务。不同版本界面名称可能略有差异，但整体逻辑类似。

1. 添加模型 API Key

选择你使用的模型供应商，例如 OpenAI、DeepSeek、通义千问等，然后填写 API Key。部分供应商还需要填写：

• API Base URL；
• Organization ID；
• 模型名称；
• 上下文长度；
• 计费单位；
• 是否支持函数调用；
• 是否支持 Embedding。

对于新手来说，最关键的是配置两类模型：

1. 对话或生成模型：用于回答问题、生成文本；
2. Embedding 模型：用于知识库文档向量化和语义检索。

如果你要使用知识库问答，Embedding 模型非常重要。没有可用的 Embedding 模型，文档可能无法正常索引。

2. 设置默认模型

添加模型后，可以设置默认使用的聊天模型和 Embedding 模型。这样在创建应用时，就不需要每次手动选择。

建议新手先选择稳定性较好的模型，不必一开始就追求最强模型。对于测试阶段来说，响应速度、调用稳定性和成本往往比极致效果更重要。

六、创建第一个聊天助手应用

配置好模型后，就可以创建第一个 AI 应用了。这里以“企业知识问答助手”为例。

1. 新建应用

在 Dify 控制台中点击“创建应用”，选择“聊天助手”或类似类型。填写应用名称，例如：

企业知识问答助手

应用描述可以写：

用于回答企业内部制度、产品资料和常见业务问题的智能助手。

创建完成后，进入应用编排页面。

2. 编写提示词

提示词决定了 AI 的角色、回答风格和约束规则。一个简单的系统提示词示例如下：

你是企业内部知识问答助手，负责根据已提供的知识库内容回答员工问题。
请遵守以下规则：
1. 优先根据知识库内容回答；
2. 如果知识库中没有相关信息，请明确说明“暂未在知识库中找到相关内容”；
3. 回答要简洁、准确、结构清晰；
4. 不要编造公司制度、产品参数或业务规则；
5. 如问题涉及敏感信息，请提醒用户联系相关负责人。

这类提示词的重点在于限制模型胡编乱造，并引导它基于知识库内容作答。

3. 选择模型参数

常见参数包括：

• Temperature：控制回答随机性；
• Top P：控制采样范围；
• Max Tokens：控制最大输出长度；
• Context：上下文轮数。

新手可以先使用默认参数。如果希望回答更稳定，可以把 Temperature 设置得低一些，例如 0.2 到 0.5。如果是创意写作类应用，可以适当提高。

七、创建并使用知识库

知识库是 Dify 非常重要的功能之一，也是很多企业使用 Dify 的核心原因。

1. 新建知识库

在控制台中进入“知识库”模块，点击创建知识库。可以命名为：

企业制度与产品资料库

然后上传文档。常见支持格式通常包括：

• PDF；
• Word；
• Markdown；
• TXT；
• HTML；
• CSV；
• Excel 等。

具体支持格式以当前版本为准。

2. 文档切分与索引

上传文档后，Dify 会对文档进行解析、切分和向量化处理。这个过程会将长文档拆分成多个片段，再通过 Embedding 模型转换为向量，以便后续根据用户问题进行语义检索。

新手需要理解一点：知识库问答效果并不只取决于大模型，也取决于文档质量和切分策略。

如果文档结构混乱、内容过时、标题不清晰，即使模型很强，回答效果也可能不理想。因此建议：

• 上传结构清晰的文档；
• 使用明确标题和小节；
• 删除重复、过期、无关内容；
• 对重要表格和规则进行文字说明；
• 定期更新知识库内容。

3. 在应用中关联知识库

回到刚才创建的聊天助手应用，在上下文或知识库配置中选择刚刚创建的知识库。保存后，在调试窗口中提问，例如：

员工请假需要提前多久申请？

如果知识库中有相关内容，Dify 会检索相关片段，并让模型基于这些内容生成回答。

八、发布应用与 API 调用

当应用调试效果满意后，就可以发布使用。

1. Web 应用访问

Dify 通常会为每个应用提供一个 Web 访问入口。你可以把链接分享给团队成员，让他们直接在网页中使用该 AI 应用。

适合场景：

• 内部测试；
• 小团队使用；
• 快速验证需求；
• 演示给客户或管理层。

2. 嵌入网站

部分 Dify 应用可以通过嵌入代码集成到网站页面中，例如作为右下角聊天机器人。这样用户访问官网时，可以直接向 AI 客服提问。

3. 通过 API 集成

如果你有自己的业务系统，可以使用 Dify 提供的 API 调用应用能力。常见集成方式包括：

• 接入企业微信机器人；
• 接入微信公众号；
• 接入飞书、钉钉；
• 接入内部 OA 系统；
• 接入客服工单系统；
• 接入自研网站或 App。

通过 API 集成，Dify 可以作为后端 AI 能力层，而你的业务系统负责用户界面、权限控制和数据展示。

九、新手常见问题与解决思路

1. 部署成功但网页打不开

优先检查服务器安全组和防火墙。很多云服务器默认只开放 22 端口，需要手动放行 80、443 或你配置的端口。

也可以执行：

docker compose ps

查看容器是否正常。如果容器不断重启，可以查看日志：

docker compose logs -f

2. 模型调用失败

常见原因包括：

• API Key 填写错误；
• 账户余额不足；
• 模型名称配置错误；
• API Base URL 不正确；
• 服务器无法访问模型服务；
• 模型供应商限流。

解决时可以先在模型供应商官方控制台确认 API Key 可用，再检查 Dify 配置。

3. 知识库无法索引

通常与 Embedding 模型有关。请确认：

• 已配置可用的 Embedding 模型；
• 文档格式受支持；
• 文档内容可以被正常解析；
• 模型 API 没有报错；
• 后台任务队列正常运行。

4. 回答经常胡编

可以从以下方面优化：

• 在提示词中明确禁止编造；
• 要求模型只根据知识库回答；
• 提高知识库文档质量；
• 调整检索参数；
• 降低 Temperature；
• 对关键问题增加标准答案；
• 使用更强的模型。

5. 回答不够准确

知识库应用的准确率往往取决于“检索是否命中正确内容”。如果检索不到正确片段，模型就很难回答准确。可以检查命中的上下文内容，优化文档标题、段落结构和切分方式。

十、生产环境部署建议

如果你只是个人学习，一键部署后能访问即可。但如果打算在生产环境中长期运行，建议做好以下工作。

1. 配置 HTTPS

正式环境建议使用域名和 HTTPS。可以通过 Nginx、Caddy、Traefik 等反向代理工具配置 SSL 证书。HTTPS 不仅提升安全性，也避免某些浏览器或第三方集成场景中的限制。

2. 修改默认密码和密钥

不要在生产环境中使用默认配置。应修改数据库密码、Redis 密码、系统密钥等敏感配置，并妥善保存。

3. 做好数据备份

Dify 涉及数据库、上传文件、知识库数据等内容。建议定期备份：

• PostgreSQL 数据库；
• 向量数据库数据；
• 上传文件目录；
• .env 配置文件；
• 反向代理配置。

4. 监控资源使用

随着用户数量和知识库规模增长，服务器 CPU、内存、磁盘和网络都会产生压力。建议配置基础监控，及时发现异常。

5. 控制模型调用成本

大模型 API 通常按 Token 计费。生产环境中应关注：

• 用户访问频率；
• 单次回答长度；
• 上下文轮数；
• 知识库检索片段数量；
• 是否需要缓存常见问题；
• 是否需要设置额度限制。

十一、Dify 适合哪些典型场景？

1. 企业内部知识助手

将公司制度、培训资料、产品文档、技术手册上传到知识库，员工可以直接提问获取答案，减少重复咨询。

2. 智能客服

将常见问题、售后政策、产品介绍、使用教程接入知识库，让 AI 承担一部分客服问答工作，提高响应效率。

3. 内容生产工具

为运营、市场、新媒体团队提供文案生成、标题改写、文章扩写、短视频脚本生成等工具。

4. 数据分析助手

通过工作流或外部工具调用，让 AI 辅助生成报表解读、数据总结、异常分析建议。

5. 业务流程自动化

利用 Dify 工作流功能，将多个步骤串联起来，例如用户输入需求后，自动分类、提取字段、调用接口、生成结果并返回。

十二、新手学习 Dify 的推荐路径

如果你刚开始学习 Dify，建议按照以下路线推进：

1. 先完成本地或云服务器部署
   熟悉 Docker Compose 部署流程，能正常访问控制台。

2. 配置一个可用模型
   确保聊天模型和 Embedding 模型都能正常调用。

3. 创建一个简单聊天应用
   学会写基础提示词，理解模型参数影响。

4. 创建一个知识库问答应用
   上传文档，测试检索效果，学习 RAG 基本逻辑。

5. 尝试发布和 API 调用
   将应用嵌入网站或接入自己的系统。

6. 学习工作流功能
   设计多步骤任务，例如内容审核、信息抽取、自动回复。

7. 优化效果与成本
   从提示词、文档质量、模型选择、上下文长度等方面逐步调优。

通过这样的路径学习，你会从“能部署”逐渐过渡到“能做应用”，再到“能优化生产环境”。

十三、总结

Dify 是一个非常适合新手入门的大模型应用开发平台。它将模型接入、提示词编排、知识库检索、应用发布、API 集成等能力整合在一起，让用户可以用更低门槛构建 AI 应用。

通过 Docker Compose，一键部署 Dify 并不复杂。你只需要准备服务器、安装 Docker、拉取项目代码、配置环境变量并启动服务，就可以进入控制台开始创建应用。对于个人开发者来说，它是学习 AI 应用开发的好工具；对于企业来说，它也可以作为搭建内部智能助手、智能客服和业务自动化系统的基础平台。

当然，部署只是第一步。真正决定应用效果的，往往是模型选择、提示词设计、知识库质量、工作流逻辑和持续运营。建议新手不要一开始就追求复杂功能，而是先从一个清晰的小场景入手，例如“企业制度问答”或“产品 FAQ 助手”，快速完成闭环，再逐步扩展。

如果你想快速进入 AI 应用开发领域，Dify 是一个值得尝试的起点。它既能帮助你理解大模型应用的完整链路，也能让你在较短时间内做出真正可用的 AI 产品原型。