Dify 新手入门指南｜附源码

如果你最近开始接触 Dify，大概率会被它的定位吸引：
它不是单纯的“大模型聊天界面”，而是一个可以帮助你 快速搭建 AI 应用 的开源平台。无论你想做智能客服、知识库问答、文档分析、Agent 工具调用，还是想把大模型能力接入自己的业务系统，Dify 都是一个非常值得上手的工具。

这篇文章会从 Dify 是什么、能做什么、怎么安装、怎么配置、怎么开发集成 一路讲到实战代码，适合刚接触 Dify 的新手阅读。文章后半部分还会附上可直接参考的源码示例，帮助你更快做出第一个 Dify 应用。

一、什么是 Dify？

Dify 是一个面向 AI 应用开发的开源平台，它把大模型应用里最常见的一些能力做成了可视化和可配置的组件，比如：

• Prompt 编排
• 知识库 / RAG 检索增强
• 工具调用
• 工作流编排
• 多轮对话管理
• API 发布与调用
• 前后端快速集成

简单来说，Dify 的目标是让你不用从零搭建整套 AI 应用基础设施，也能快速完成一个可上线的产品原型。

对于新手来说，Dify 的最大优势有三个：

1. 上手快：界面化操作，配置清晰；
2. 可扩展：支持接入多种模型、工具和数据源；
3. 能落地：不是玩具，而是能实际用于业务系统。

二、Dify 适合做什么？

Dify 的应用场景非常广，下面是几个最常见的方向。

1. 智能客服

把企业 FAQ、产品手册、售后文档导入知识库，Dify 就能帮你快速搭建一个智能客服系统。

2. 企业知识库问答

员工可以直接提问，比如：

• “报销流程是什么？”
• “产品 A 的安装文档在哪里？”
• “这个接口的参数怎么传？”

Dify 会从知识库中检索相关内容并组织答案。

3. 文档助手

上传 PDF、Word、Markdown 等文档后，可以让 AI 自动总结、提炼重点、回答文档内容相关问题。

4. 工作流自动化

例如：

• 用户上传图片 → OCR 提取文字 → 大模型总结 → 输出结果
• 用户输入问题 → 检索知识库 → 调用外部 API → 返回定制化答案

5. AI Agent

让 AI 不仅能“说”，还能“做”。比如：

• 查询天气
• 查数据库
• 调用企业内部接口
• 自动生成报告

三、Dify 的核心概念

新手学习 Dify，建议先理解以下几个核心概念。

1. App（应用）

Dify 中的“应用”就是你最终给用户使用的 AI 产品。常见类型有：

• Chat App：适合对话问答
• Completion App：适合单次文本生成
• Workflow App：适合复杂流程编排
• Agent App：适合工具调用和复杂任务

2. Prompt（提示词）

Prompt 决定了 AI 的行为方式。
你可以通过系统提示词定义：

• AI 的角色
• 回答风格
• 输出格式
• 约束条件

例如：

你是一名专业的技术支持助手，请用简洁、准确的语言回答用户问题。
如果信息不足，请明确说明无法判断，不要编造。

3. Knowledge Base（知识库）

知识库用于实现 RAG（检索增强生成）。
你可以把公司文档、FAQ、说明书、网页内容等导入进去，Dify 会在用户提问时先检索相关资料，再交给大模型生成答案。

4. Workflow（工作流）

工作流是 Dify 很强的功能之一。你可以把一个复杂任务拆分成多个节点，例如：

• 开始节点
• 条件判断
• 文本生成
• HTTP 请求
• 变量赋值
• 结束节点

它非常适合处理需要“多步骤”的业务场景。

5. Tool / API 调用

Dify 可以调用外部工具和接口。
比如：

• 调用天气 API
• 查询订单系统
• 查询 CRM 数据
• 调用自建后端服务

四、Dify 的基础架构理解

从使用者角度看，Dify 的结构可以简单理解为下面几层：

用户
  ↓
Dify 应用层
  ↓
Prompt / Workflow / RAG / Tool
  ↓
大模型服务（OpenAI、通义千问、Claude、DeepSeek 等）
  ↓
外部知识库 / API / 数据库

你可以把 Dify 当成一个“AI 应用中间层”：

• 上层负责业务逻辑；
• 中间层负责编排；
• 底层对接模型和数据。

这种设计的好处是：
你不需要每次都重新写一套提示词管理、上下文拼接、知识库检索和工具调度逻辑。

五、如何开始使用 Dify？

Dify 有两种常见使用方式：

1. 直接使用云服务版
2. 本地部署开源版

对于新手，建议先用云服务版体验；如果你想深入学习、做二次开发、接入内网系统，再考虑本地部署。

六、Dify 本地部署入门

如果你想自己部署 Dify，可以使用 Docker 方式。
下面是常见的本地部署思路。

1. 安装依赖

需要准备：

• Docker
• Docker Compose
• Git

2. 拉取代码

通常先从 Dify 的开源仓库拉取项目。

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

3. 启动服务

根据项目中的部署说明执行 Docker Compose 启动。

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

4. 打开管理后台

启动成功后，访问对应的本地地址，即可进入 Dify 后台初始化页面。

不同版本的目录结构和启动方式可能略有差异，实际部署时请以官方文档为准。

七、创建你的第一个 Dify 应用

下面我们以一个最常见的场景来说明：
做一个“AI 问答助手”应用。

第一步：创建应用

进入 Dify 控制台后，选择：

• 创建应用
• 选择 Chat App 或 Workflow App
• 填写应用名称，例如：技术问答助手

第二步：设置系统提示词

例如你可以写：

你是一名资深技术顾问，擅长解答编程、系统架构、数据库、接口设计等问题。
回答时请遵循以下规则：
1. 语言简洁明了；
2. 优先给出可执行方案；
3. 如果信息不完整，请指出缺失项；
4. 避免编造事实。

第三步：配置知识库

如果你有产品文档、接口说明、FAQ，可以上传到知识库中。
然后把知识库挂载到应用里。

第四步：测试对话

你可以输入：

• “如何初始化项目？”
• “接口返回 500 怎么排查？”
• “订单状态有哪些？”

观察模型是否能结合知识库给出准确回答。

第五步：发布应用

Dify 支持通过 Web 页面、API 接口等方式发布应用。
这样你就可以把它接到自己的前端、后台管理系统或者企业微信机器人里。

八、Dify 的知识库能力怎么理解？

Dify 的知识库，本质上是在做 RAG。

RAG 是什么？

RAG = Retrieval-Augmented Generation，中文叫“检索增强生成”。

它的流程大致如下：

1. 用户提问；
2. 系统先去知识库中检索相关内容；
3. 将检索结果和问题一起发给大模型；
4. 大模型基于检索内容生成答案。

RAG 的优势

如果只靠大模型本身，可能会有以下问题：

• 知识不最新；
• 容易“幻觉”；
• 无法理解企业私有数据；
• 对长文档支持有限。

而 Dify 的知识库能很好地解决这些问题。
这也是它能在企业场景中快速落地的重要原因。

九、Dify 工作流适合哪些场景？

如果你的需求只是“问答”，那普通 Chat App 就够了。
但如果你的需求更复杂，比如：

• 先判断用户意图，再决定查知识库还是查接口；
• 先生成 SQL，再去数据库查询；
• 先提取信息，再调用多个 API；
• 先进行分类，再执行不同逻辑；

那就更适合用 Workflow。

一个典型工作流示例

开始
  ↓
用户输入检查
  ↓
意图分类
  ↓
分支：
   ├── 知识库问答
   ├── 数据查询
   └── 通用对话
  ↓
结果汇总
  ↓
结束

这种方式的好处是：

• 逻辑清晰；
• 易于维护；
• 复杂任务更稳定；
• 方便调试和迭代。

十、Dify 和传统“自己写 AI 应用”有什么区别？

如果完全自己开发，通常需要处理：

• Prompt 拼接
• 会话管理
• 文件解析
• 向量化
• 向量数据库
• 检索策略
• 工具调用
• 流式输出
• 错误重试
• 日志和监控

这些模块每一个都要单独搭建。

而 Dify 相当于把这些常用能力做成了平台化组件，帮助开发者把精力集中在：

• 业务逻辑
• 领域知识
• 产品体验

这也是 Dify 受欢迎的重要原因之一。

十一、实战：用代码调用 Dify API

很多新手最关心的不是“在后台怎么点”，而是“怎么接入自己的项目”。
下面给你两个最常用的源码示例：Python 和 Node.js。

注意：不同版本的 Dify API 地址和参数名可能会有细微差异，请以你实际部署环境和官方文档为准。

1. Python 调用示例

下面示例演示如何向 Dify 应用发送一个问题，并接收回答。

import requests

API_URL = "https://api.dify.ai/v1/chat-messages"
API_KEY = "你的Dify API Key"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

data = {
    "inputs": {},
    "query": "请介绍一下Dify的主要功能",
    "response_mode": "blocking",
    "conversation_id": "",
    "user": "user-001"
}

response = requests.post(API_URL, headers=headers, json=data)
print(response.status_code)
print(response.json())

代码说明

• API_KEY：你在 Dify 应用中生成的密钥；
• query：用户输入的问题；
• response_mode：
  • blocking：等待完整回复；
  • streaming：流式返回；
• user：用户唯一标识，便于会话追踪。

2. Node.js 调用示例

如果你前端项目是 Node.js 技术栈，可以这样调用：

const fetch = require('node-fetch');

async function callDify() {
  const res = await fetch('https://api.dify.ai/v1/chat-messages', {
    method: 'POST',
    headers: {
      'Authorization': 'Bearer 你的Dify API Key',
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({
      inputs: {},
      query: 'Dify适合哪些应用场景？',
      response_mode: 'blocking',
      conversation_id: '',
      user: 'user-001'
    })
  });

  const data = await res.json();
  console.log(data);
}

callDify();

3. 前端页面接入示例

下面是一个最简版的 HTML 页面示例，方便你快速做一个聊天输入框。

  
  


  
Dify 聊天测试
  
  

  发送
  


  

这个示例虽然简单，但能帮助你快速验证 Dify 是否已接入成功。

十二、Dify 接入项目时的注意事项

新手在实际开发中，容易踩下面这些坑。

1. 不要直接把 API Key 写到前端

如果你把 Dify 的 API Key 直接暴露在浏览器端，可能会被恶意抓包。
更安全的做法是：

• 前端请求你的后端；
• 后端再去调用 Dify API；
• 后端统一管理密钥。

2. 给知识库内容做清洗

上传前最好处理一下文档：

• 去掉无关页眉页脚；
• 删掉重复内容；
• 尽量使用结构清晰的 Markdown 或纯文本；
• 章节标题要明确。

这样检索效果通常更好。

3. 提示词要尽量明确

不要只写“你是一个助手”，而要写清楚：

• 角色定位；
• 语气风格；
• 是否允许推测；
• 输出格式；
• 不确定时怎么办。

4. 控制上下文长度

如果对话太长，容易造成上下文冗余和成本增加。
建议定期截断、总结或重置会话。

5. 关注返回格式

如果你的业务系统需要结构化结果，可以要求模型输出 JSON，例如：

请只输出 JSON，不要输出额外解释。
字段包括：
- title
- summary
- tags

这样更方便后端解析。

十三、一个完整的 Dify 使用思路

如果你是第一次做 AI 应用，可以按下面这个顺序推进：

阶段 1：先做一个最小可用版本

目标：能回答问题即可。
做法：

• 创建 Chat App；
• 写好 Prompt；
• 发布并测试 API。

阶段 2：接入知识库

目标：让回答更专业。
做法：

• 上传文档；
• 配置检索规则；
• 测试知识问答效果。

阶段 3：接入业务接口

目标：让 AI 真正“帮你办事”。
做法：

• 配置工具；
• 调用内部 API；
• 加入工作流。

阶段 4：优化用户体验

目标：让产品更像“可用的 AI 服务”。
做法：

• 加流式输出；
• 加会话管理；
• 做错误提示；
• 做埋点和日志。

十四、Dify 学习建议

如果你是 Dify 新手，建议按这个顺序学习：

1. 先理解 Chat App
2. 再理解 Prompt
3. 然后理解 知识库 / RAG
4. 接着学习 Workflow
5. 最后学习 API 接入与二次开发

不要一开始就去研究很复杂的 Agent 编排。
因为如果基础概念没吃透，后面会很容易混乱。

十五、Dify 适合哪些人？

Dify 对下面几类人特别友好：

1. 后端开发者

可以快速把大模型能力接到已有系统里。

2. 前端开发者

可以用很少代码做出一个 AI 产品原型。

3. 产品经理

可以快速验证 AI 功能是否可行。

4. 运营/内容团队

可以用它搭建知识问答、智能助手、内容生成工具。

5. 创业者

如果你想低成本做一个 AI MVP，Dify 非常合适。

十六、常见问题 FAQ

1. Dify 一定要部署到本地吗？

不一定。你可以直接使用云服务，也可以自己部署。
如果你有内网数据、隐私要求或二次开发需求，更适合自部署。

2. Dify 支持哪些模型？

通常支持多种主流大模型服务，具体取决于你当前版本和配置方式，比如 OpenAI 兼容接口、国产模型平台等。

3. Dify 适合企业内部系统吗？

适合。尤其是企业知识库、内部问答、流程助手、文档助手等场景。

4. Dify 和 LangChain 什么关系？

可以简单理解为：

• LangChain 更偏开发框架；
• Dify 更偏平台化产品。

两者定位不同，但都能帮助你构建 AI 应用。

5. Dify 学习难吗？

不算难。
如果你有一点点编程基础，通常几个小时到一天就能跑通第一个 Demo。

十七、总结

Dify 的核心价值，不在于“它能不能聊天”，而在于它把 AI 应用开发中最麻烦的一部分——Prompt 管理、知识库、工作流、工具调用、API 发布——都做成了可视化、可配置、可复用的能力。

对于新手来说，Dify 是一个非常好的起点，因为它能让你快速完成以下事情：

• 从 0 到 1 做出 AI 应用原型；
• 迅速接入大模型能力；
• 用知识库提升回答准确率；
• 通过工作流处理复杂业务；
• 用 API 集成到自己的项目中。

如果你正在考虑学习 AI 应用开发，或者想给自己的系统加上智能问答、文档助手、流程自动化功能，那么 Dify 值得你认真试一试。

附：最小可运行源码参考

下面再给一个更完整的后端代理示例，方便你把 Dify 接入自己的服务。

Python Flask 示例

from flask import Flask, request, jsonify
import requests

app = Flask(__name__)

DIFY_API_URL = "https://api.dify.ai/v1/chat-messages"
DIFY_API_KEY = "你的Dify API Key"

@app.route("/ask", methods=["POST"])
def ask():
    data = request.json
    question = data.get("question", "")

    headers = {
        "Authorization": f"Bearer {DIFY_API_KEY}",
        "Content-Type": "application/json"
    }

    payload = {
        "inputs": {},
        "query": question,
        "response_mode": "blocking",
        "conversation_id": "",
        "user": "demo-user"
    }

    resp = requests.post(DIFY_API_URL, headers=headers, json=payload)
    return jsonify(resp.json())

if __name__ == "__main__":
    app.run(port=5000, debug=True)

调用方式

curl -X POST http://127.0.0.1:5000/ask \
  -H "Content-Type: application/json" \
  -d '{"question":"Dify是什么？"}'

如果你愿意，我还可以继续帮你补一版：

1. 更像公众号风格的排版版本
2. 更适合博客发布的 SEO 版本
3. 配套 Dify 实战项目源码教程版
4. “Dify + 知识库 + 前端页面”完整项目文章版