Dify平台：从架构到部署指南

一、Dify介绍

生成式 AI 应用创新引擎，开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力，轻松构建和运营生成式 AI 原生应用，比 LangChain 更易用。

一个平台，接入全球大型语言模型。不同应用场景，自由体验、无缝切换，实现业务层和模型层解耦。

1.1 Dify AI架构

（1）整体架构设计

该架构采用分层设计,自上而下可分为四层:

• 数据层：

包含Dataset(数据集)和Prompts(提示词)两个输入源,通过ETL进行数据处理,并由RAG Pipeline实现知识检索增强。

• 开发层：

提供Prompts IDE和Agent DSL两大开发工具,前者用于提示词的编写和管理,后者用于构建智能代理。

• 编排层：

以Orchestration Studio为核心,负责协调各个组件的运行,并通过Moderation System(审核系统)和Cache System(缓存系统)保障应用质量。

• 基础层：

包括Storage(存储系统)和LLMs(语言模型)两大基础设施,为上层提供支撑。

（2）核心组件功能

• Dataset ETL

负责数据的提取(Extract)、转换(Transform)和加载(Load),确保数据质量。

• Dify RAG Pipeline

实现检索增强生成,提高模型回答的准确性和可靠性。

• Dify Prompts IDE

提供提示词的编写、测试和版本管理功能。

• Dify Agent DSL

支持智能代理的开发,实现感知、规划和行动等能力。

• Plugins Toolbox

提供丰富的插件工具箱,支持工作流程、社区集成等功能。

• Dify LLMOps

提供模型运维能力,包括监控、注释和生命周期管理。

1.2 开箱即用，为快速增长而设计

Dify 为开发者提供了健全的应用模版和编排框架，你可以基于它们快速构建大型语言模型驱动的生成式 AI 应用，将创意变为现实，也可以随时按需无缝扩展，驱动业务增长。

（1）特定领域的聊天机器人和 AI 助理

通过可视化的提示词编排和数据集嵌入，零代码即可快速构建对话机器人或 AI 助理，并可持续优化对话策略，革新人机交互体验。

（2）不限的长度创意文档生成

既可以基于知识库和风格要求，自动组织语言，生成逻辑清晰、结构完整的工作文档。 也可以自动解析工作文档，对无限长度的文档进行提取、总结和重构。

（3）插件市场

v1.0.0版本中，更新了插件市场。虽然 Dify 平台已内置多个由官方维护与社区贡献着开发的工具，但在此模式下，现有的工具难以全面覆盖各类细分场景的需求，而新工具从开发到嵌入 Dify 平台又需要较长周期。因此，官方决定开放生态，让每位开发者都能够轻松地打造属于自己的工具，使用第三方模型与工具帮助开发者显著提升应用能力。

二、部署

我自己部署的话是利用window桌面的docker容器化。

• 1.git下载Dify源代码

git上的clone稳定的版本。

git clone -b 0.15.1 https://github.com/langgenius/dify.git   

• 2.启动Dify

cd dify/docker   docker compose up -d   

• 3.访问Dify

访问 Dify在浏览器中输入 http://localhost

访问 Dify。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】