Dify 是一个帮助你快速搭建 AI 应用的工具，其定位类似Coze。但相比Coze——Dify是免费的、开源的，人人都可以用。哪怕你不懂编程，也能用它参与到 AI 应用的设计和使用中。总之，如果你是开发者，它帮你省下大量重复工作，把精力放在真正的创造和业务上；如果你不是程序员，你也能用它搞出属于自己的 AI 工具。
话不多说，让我们进入正题。
一、【代码执行节点】输入变量取不到值？
这是我在使用代码执行节点的第一道坎。当代码节点引用前一个节点的输出时，该如何正确获取这些值？
其实，Dify已经为你处理好了变量引用。如上图的例子所示，直接使用arg1即可获取Group1的值，而不需要arg1["Group1"]。
二、【代码执行节点】的输出变量究竟该用什么输出类型？
输出变量类型选错，可能导致整个工作流崩溃。我整理了一个类型对照表：
- 返回字符串：
{"result": "abc"}→ 选择String类型 - 返回数字：
{"result": 123}→ 选择Number类型 - 返回数字列表：
{"result": [7, 8]}→ 选择Array[Number]类型 - 返回字符串列表：
{"result": ["5", "6"]}→ 选择Array[String]类型 - 返回字典列表：
{"result":[{"a":"aa"},{"b":123}]}→选择Array[Object]类型 - 返回字典：
{"result": {"a": "aa", "b": 456}}→ 选择Object类型
如果你返回JSON数组或字典但转成了字符串，然后选择String类型，容易导致嵌套的JSON字符串，增加后续处理难度。
三、Dify还有默认限制？
随着工作流复杂度增加，你一定会撞上Dify的各种默认限制。这些限制都可以通过修改配置突破。
所有配置项都可在dify根目录的docker/.env文件中修改，文件部分内容截图如下：
以下是我遇到过的常见限制及解决方法：
- CODE_MAX_STRING_ARRAY_LENGTH
- 问题：代码执行组件中，return的字符串数组长度超过30就报错
- 报错：
The length of output variable 'result' must be less than 30 elements. - 解决方法：提高该配置项的值
- MAX_SUBMIT_COUNT
- 问题：迭代组件设置为并行时，当"输入数组长度×设置的并行数>100"时报错
- 报错：
Max submit count 100 of workflow thread pool reached. - 解决方法：增加工作流最大并发线程数限制
- WORKFLOW_MAX_EXECUTION_STEPS
- 问题：画布中所有工作流执行总次数达到500时触发限制
- 报错：
Max steps 500 reached. - 解决方法：调高工作流执行总次数限制
- WORKFLOW_CALL_MAX_DEPTH
- 问题：工作流调用嵌套过深时报错
- 报错：
Max workflow call depth 5 reached. - 解决方法：增加工作流调用深度限制
- CODE_MAX_STRING_LENGTH
- 问题：代码执行器中返回的字符串长度超过80000会报错
- 报错：
The length of output variable 'result' must be less than 80000 characters - 解决方法：增加最大字符串返回长度限制
- SERVER_WORKER_AMOUNT
- 问题：一个工作流正在执行且耗时较长时，另一个工作流界面无法打开
- 报错：无报错，页面一直等待
- 解决方法：增加工作进程数，最大值=CPU核心数×2+1
- UPLOAD_FILE_SIZE_LIMIT
- 问题：上传文件大小超过15M报错
- 报错：上传document不能超过15M
- 解决方法：增加允许的最大文件大小
修改完成后执行docker-compose down && docker-compose up -d命令重启dify
四、条件分支节点不往后执行？
如果需要在条件分支的if和else中都执行某个节点，应该将该节点放到条件分支之前，否则有可能会出现条件分支节点不往后执行的问题。
五、变量聚合节点的正确配置方法
变量聚合节点是复杂工作流的关键，但用错方法会导致数据丢失和奇怪的错误。
正确配置示例：
如果要等待聚合到多个变量后再往后执行，需要建立多个分组分别添加这些变量。
错误配置示例：
对于没有分组的多个变量，或者一个分组下的多个变量，Dify只会接收到第一个变量，无论该变量是否有值。这会导致引用第二个变量时报NoneType错误。
对于条件分支场景，同样如此：不同分支(if和else)要用不同的分组来接收变量，否则会出现即使if不满足，变量聚合器也接收不到else变量的情况。
六、Dify 1.1.3版本修复的变量聚合bug
在Dify1.0.1版本的变量聚合节点上，存在一个bug：即使给各分组都添加了变量引用，仍然会报错"变量不能为空"。解决方法如下：
1.临时解决：将聚合分组开关关闭，然后再打开。
2.永久解决：升级到Dify 1.1.3或更高版本。该版本于2024年3月24日发布，已修复此问题。
七、URL的方式上传文件出现pydantic验证错误
这个问题可能会让你搜索很久也找不到解决方案。具体表现为： 文件显示上传成功，但点击"开始运行"后报错：
1 validation error for File Value error, Invalid file url [type=value_error,input value={id: None,'tenant id'..y_file_,'url':None), input type=dict] For further information visit https://errors.pydantic.dev/2.9/v/value_error
通过一番排查，我发现dify云服务版本不会出现这个错误。进一步检查浏览器控制台后，看到上传文件成功后，dify接口返回的URL参数带有http://ip:端口前缀，而我本地部署的dify则没有这个前缀。通过跟踪dify的源代码，看到dify是通过读取docker/.env.example文件中的dify_config.FILES_URL配置来拼接这个前缀，全局搜索FILES_URL，看到在docker/.env文件中这个配置项默认是空，于是将其修改为我dify的访问地址：http://192.168.10.14（如果你的dify使用的不是80端口，记得在ip后面加上':端口号'）。
如果修改完成还有同样的问题，可以参考以下3点：
-
不要使用localhost，建议用内网实际IP
-
如使用代理软件，请先关闭再测试
-
修改后执行
docker-compose down && docker-compose up -d 使更改生效
八、慎用"将工作流发布为工具"功能
虽然这个功能看上去很方便，但在多环境部署时会带来一些麻烦——工具是不能随DSL文件导出的！这意味着在开发、测试、生产和私有化环境之间迁移时，所有发布为工具的工作流都需要手动重新发布为工具，并且所有引用到这些工具的工作流节点都会失效，需要删除并重新添加。因此，非必要情况下，尽量在一个画布里编排完整工作流；如果已经大量使用了工具，请做好手动迁移的心理准备😓。
写在最后
虽然在我已经用了很久，对Dify比较熟悉的情况下去写这篇文章，感觉依然只是展示了释放Dify潜能的冰山一角。
可能还有更多的、更能释放dify潜力的方法，埋藏在深处，在我还没有发掘的地方。
但仍然希望这篇文章能为你在Dify的探索之路上提供一些指引。技术永远在发展，这些经验可能会随着版本更新而过时，但踩坑过程中经历的解决问题的思路和方法会是我们永恒的财富。在这个AI飞速发展的时代，请保持好奇心和学习热情，愿我们都能在技术的海洋中，乘风破浪，不断成长。
你用Dify时遇到过哪些坑点或爽点？欢迎评论区留言讨论。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
扫一扫
6687
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
