dify零基础入门示例

原创 已于 2025-11-13 23:41:11 修改 · 1k 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ai

于 2025-11-13 22:38:41 首次发布
部署运行你感兴趣的模型镜像

一、如何本地部署Dify

对于个人学习和体验，使用 Docker 在本地部署是官方推荐也是最简单的方式。

1.1 为什么Docker是比较推荐的方式？

1. 环境一致性

  • 问题：Dify依赖多个组件（后端API、前端界面、数据库Redis、向量数据库等）

  • Docker方案：所有组件都打包在容器中，版本完全匹配

  • 传统方式：手动安装时可能出现Python版本冲突、依赖包不兼容等问题

2. 隔离性

  • Dify的所有服务在容器内运行，不污染主机环境

  • 卸载时只需 docker-compose down，系统完全干净

3. 官方优化

  • Docker镜像由官方预构建和测试，确保最佳配置

  • 包含了所有必要的中间件和优化设置

1.2 其他部署方式对比

方式一：云服务一键部署

平台优点缺点
Dify Cloud完全免运维，开箱即用付费服务，数据在第三方
Vercel/Railway简单的云部署配置复杂，可能产生费用

方式二：传统服务器部署

git clone https://github.com/langgenius/dify.git
cd dify/api
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

cd ../web
npm install
npm run build

# 还需要安装配置PostgreSQL、Redis等...

缺点：

  • 依赖操作系统（Ubuntu/CentOS差异）

  • 需要处理Python环境、Node.js环境

  • 手动配置数据库和缓存

  • 容易遇到版本冲突

方式三：Kubernetes部署

适合已有K8s集群的企业用户，对初学者过于复杂。

1.3 Docker部署Dify步骤（MACOS系统为例）

安装Docker

  1. 访问 Docker Desktop for Mac

  2. 下载并安装 .dmg 文件

  3. 启动 Docker Desktop 应用

部署命令

# 与Linux完全一致
# 步骤1：下载代码
git clone https://github.com/langgenius/dify.git

# 步骤2：进入部署目录  
cd dify/docker

# 步骤3：启动所有服务
docker-compose up -d
# 读取配置文件 → 下载镜像 → 启动容器 → 后台运行
up 参数：启动并运行所有在 docker-compose.yml 中定义的服务。
-d 参数：-d 代表 --detach，意思是"在后台运行"。
cd docker后查看有哪些文件，运行ls得到如下结果：
README.md			docker-compose.yaml	 ssrf_proxy
certbot				elasticsearch		 startupscripts
couchbase-server		generate_docker_compose  tidb
docker-compose-template.yaml	middleware.env.example	 volumes
docker-compose.middleware.yaml	nginx
docker-compose.png		pgvector
重点文件详细说明

1. docker-compose.yaml（最重要的文件）

# 这个文件定义了整个Dify平台的所有服务：
services:
  dify-api:          # 后端API服务
  dify-web:          # 前端界面
  postgres:          # 主数据库
  redis:             # 缓存和会话存储
  weaviate:          # 向量数据库（用于知识库）
  nginx:             # Web服务器
  # ... 其他服务

2. .env.example（环境配置）

# 包含重要的配置项：
OPENAI_API_KEY=your_openai_api_key_here          # OpenAI API密钥
DATABASE_URL=postgresql://postgres:dify@postgres:5432/dify  # 数据库连接
# 各种功能开关和配置参数

3. generate_docker_compose（配置生成器）

# 这个脚本的作用：
# 1. 读取模板文件
# 2. 根据用户选择生成最终的docker-compose.yaml
# 3. 确保配置的正确性和兼容性
详细解释 docker-compose up -d 的过程
docker-compose up -d
# 实际执行流程：
# 1. 读取 docker-compose.yaml 文件
# 2. 检查镜像是否已下载
# 3. 如果镜像不存在，从Docker Hub下载
# 4. 根据镜像创建并启动容器
# 5. 在后台运行容器

docker-compose.yaml 中的部分内容如下：

访问 Dify

打开浏览器访问http://localhost 或者 http://127.0.0.1

二、熟悉 Dify 核心概念

成功登录 Dify 后，花些时间了解以下几个核心概念，这对后续开发至关重要：

核心概念是什么？有什么用？
应用类型创建应用时的不同选择，主要是聊天型和文本生成型等。决定了AI与用户的交互方式，是实现功能的基础。
提示词给AI模型的指令和上下文。直接决定了AI回答的质量和准确性，是应用的"灵魂"。
工作流通过拖拽节点的方式，将复杂的AI任务流程可视化地编排起来。适合处理有固定步骤的任务，例如：信息提取->分析->生成报告。
智能体具备自主规划和使用工具能力的AI应用。可以完成更复杂的任务，比如主动调用搜索引擎查询信息。
知识库你将文档（如PDF、Word）上传到Dify，它会将其处理成AI可以理解的形式。让AI能够基于你提供的特定资料回答问题，实现检索增强生成。

三、创建第一个 AI 应用

3.1 理解模型供应商的核心概念

在开始创建我们的第一个AI应用之前，有一个关键概念必须理解：模型供应商。这是很多Dify初学者最容易困惑的地方。

1. 什么是模型供应商？

用一个简单的比喻来理解：

🛒 模型供应商 = 超市
🍎 具体模型 = 商品
🧠 你的应用 = 厨师

想象一下：

  • OpenAI、Azure、Anthropic 就像不同的超市

  • GPT-4、Claude-3、Llama-2 就像超市里卖的具体商品

  • 邮件助手应用 就像一位厨师，需要从超市购买食材才能做饭

2. 为什么需要先配置模型供应商？

从软件架构的角度来看，Dify 采用了供应商抽象层的设计模式。核心设计思想如下：

  • 应用逻辑与模型实现分离：AI应用不需要关心底层调用的是GPT-4、Claude还是Llama 2

  • 统一的API接口：无论底层供应商如何变化，上层应用保持稳定

  • 可插拔架构：新的模型供应商可以随时接入，不影响现有应用

3. 两种主要的模型供应商方案

Dify 的模型插件，其核心作用是一个标准化的“连接器”或“协议适配器”。 以“Ollama”插件为例，它的功能是让 Dify 平台能够按照 Ollama 定义的 API 协议格式与之进行通信。关键在于，该插件本身并不包含、也不提供 Ollama 的运行环境或任何模型文件。

因此，当集成本地部署的模型时，必须遵循一个清晰的依赖链：

  • 基础设施层：必须先在服务器或本地计算机上独立安装并运行 Ollama 服务。这确保了模型运行所需的环境和 API 端点（通常是 http://localhost:11434）是可用的。

  • 模型层：在 Ollama 环境中，通过 ollama pull 命令拉取所需的模型文件（如 llama2:7b），使其可供 Ollama 服务调用。

  • 应用层：在上述前提满足后，您才能在 Dify 中通过配置该插件，成功连接并调用已部署的本地模型。

反之，如果选择使用云服务模型（例如 OpenAI GPT 系列、Google Gemini 等），则无需关心底层基础设施。Dify 中相应的插件（如 OpenAI 插件）会直接通过互联网，使用提供的 API Key 去调用云服务商提供的、已就绪的模型接口。在这种情况下，模型的环境维护、服务部署和扩展性均由云服务商负责。

方案一：云端API服务（推荐有预算的用户）

代表厂商：

  • OpenAI - GPT系列模型

  • Anthropic - Claude系列模型

  • Azure AI - 企业级AI服务

配置方法：

# 以OpenAI为例：
1. 进入Dify设置 → 模型供应商
2. 点击OpenAI卡片的“安装”
3. 输入API Key: sk-xxxxxxxxxxxxxxxx
4. 保存配置

优点：

  • 模型能力强，响应速度快

  • 无需担心本地硬件限制

  • 始终使用最新模型版本

缺点：

  • 需要付费（按使用量计费）

  • 需要网络连接

  • 数据经过第三方服务器

方案二：本地模型部署（推荐初学者/隐私要求高的用户）

例如使用 Ollama

# 1. 安装 Ollama
brew install ollama  # macOS
# 或访问 https://ollama.ai

# 2. 下载模型
ollama pull llama2

# 3. 在Dify中配置本地模型端点

其中下载模型有多种方式，具体如下：

方式1：通过Ollama官方界面

  • 访问：https://ollama.com/search

  • 搜索模型：如 llama2、mistral、gemma 等

  • 点击模型卡片，查看详情

  • 复制安装命令，在终端执行

方式2：命令行直接安装

# 基础语法
ollama pull <模型名称>

# 实际例子
ollama pull llama2:7b
ollama pull mistral:7b
ollama pull gemma:7b
# 测试模型
ollama run llama2:7b
# 然后输入：Hello, how are you?
# 应该能看到AI的回复

方式3：使用Ollama App界面

3.2 Ollama和llama2模型区别

1. Ollama：管理和运行环境

Ollama 是一个 AI 平台，提供了一个环境，用于管理和运行不同的语言模型，包括 LLaMA 以及其他模型。它为开发者提供了一个方便的接口，通过简单的 API 或命令行指令，可以直接调用和使用模型，而不需要自己搭建复杂的基础设施或管理资源。

Ollama 作为平台，简化了在本地或云端部署、运行和管理 AI 模型的过程。它提供了一个易于使用的界面，并允许开发者在自己的机器上或者云端快速启动各种 AI 模型的实例。

  • Ollama 的功能：

    • 管理多个 AI 模型（包括 LLaMA 2）。

    • 提供简单的 API 接口，支持文本生成、对话生成等功能。

    • 通过本地部署或云服务进行高效计算。

    • 支持自定义和扩展，允许用户根据需求进行模型选择和调优。

2. LLaMA 2：具体的语言模型

LLaMA 2 是 Meta发布的系列大型语言模型，它是 LLaMA 模型的继任者，拥有更高的性能和更强的能力。LLaMA 2 模型是一个经过预训练的深度学习模型，专门用于自然语言处理任务，例如文本生成、对话系统、情感分析、机器翻译等。

LLaMA 2 是在 Ollama 环境中可以运行的一个具体模型。也就是说，Ollama 作为平台提供了运行 LLaMA 2 模型的环境，而 LLaMA 2 则是模型本身，执行实际的自然语言处理任务。

3. 总结关系

  • Ollama 提供了一个便捷的 AI 模型管理和运行环境，开发者可以在这个平台上快速部署和运行不同的模型。

  • LLaMA 2 是 Meta 发布的 大型语言模型，它可以在 Ollama 平台中运行。Ollama 为 LLaMA 2 提供了一个集成的、简化的使用界面，帮助开发者更轻松地调用该模型。

3.3 Ollama插件、Ollama和llama2模型

以工作流程说明来理解这三者的关系：

  1. Dify 发起请求：用户在 Dify 中发送请求（例如“写一封邮件”）。这时，Dify 会通过 Ollama 插件将请求转发给 Ollama 服务，通常通过 HTTP 请求（例如发送到 localhost:11434）。

  2. Ollama 调度请求：Ollama 作为一个调度器，接收到 Dify 发来的请求后，它并不直接处理请求的内容，而是负责将请求与合适的 LLaMA 模型进行匹配。例如，Dify 可能指定使用 llama3.2:1b 版本的模型，Ollama 会根据这个信息来决定调用哪个模型。

  3. Ollama 将请求传递给 LLaMA 模型：Ollama 将请求传递给内存中已经加载的 LLaMA 模型。此时，LLaMA 模型就像“大脑”一样，开始对请求进行计算和处理。

  4. LLaMA 模型生成回应：LLaMA 模型接收到输入后，根据其训练得到的知识和能力进行推理，生成相应的答案或内容。在您的例子中，如果请求是“写一封邮件”，LLaMA 会根据输入的上下文和要求生成一封邮件。

  5. Ollama 返回结果：一旦 LLaMA 模型完成计算并生成回答，结果将返回给 Ollama。Ollama 会将这个结果（例如邮件内容）包装成标准的 HTTP 响应格式，发送回给 Dify。

  6. Dify 返回给用户：最后，Dify 接收到由 Ollama 返回的响应，并将最终结果展示给用户。

这种流程将不同的组件（Dify、Ollama 和 LLaMA 模型）很好地分工协作，确保每个环节都能高效地处理各自的任务。Dify 负责发起请求并展示结果，Ollama 负责调度和连接各个模型，而 LLaMA 模型则提供实际的计算和生成能力。

3.4 在dify中配置模型（以本地部署为例）

第一步：确保 Ollama 服务运行
# 在终端中启动 Ollama 服务
ollama serve

# 保持这个终端窗口打开！
# 服务会一直运行在这个窗口中
第二步：验证 Ollama API 可用

打开新的终端窗口，测试服务：

# 测试 Ollama API 是否正常工作
curl http://localhost:11434/api/tags

# 应该返回类似：
# {"models":[{"name":"llama2:7b","modified_at":"2024-01-01T00:00:00Z"}]}
第三步：在 Dify 中添加模型供应商
  • 打开 Dify → 访问 http://localhost
  • 进入设置：

    • 点击左下角 "设置"

    • 选择 "模型供应商"

    • 点击 "添加模型供应商"

    • 选择供应商类型：

      • 选择 "OpenAI"/"Ollama"等（因为 Ollama 兼容 OpenAI API）

第四步：配置 Ollama 供应商

实用命令
#查看已安装的模型
ollama list

#删除模型
ollama rm <模型名称>

#查看模型信息
ollama show <模型名称>

3.5 创建工作流

第一步：创建工作流应用

第二步：编排工作流节点

我们将构建一个包含以下节点的工作流，其结构清晰，能够逐步收集信息并生成邮件：

（1）开始节点 + 变量设置

  • 目标：定义好工作流需要哪些信息。

  • 操作：

    • 点击画布上的 “开始” 节点。

    • 在右侧的 “变量” 选项卡，点击 “添加变量”。

    • 添加以下4个变量（这对应了上图中的四个提问）：

      • recipient (收件人)

      • purpose (邮件目的)

      • key_points (核心内容和要点)

      • tone (语气风格)

 （2）添加LLM节点

  • 从左侧节点栏拖拽“LLM”节点到画布

  • 将开始节点连接到LLM节点

（3）配置LLM节点

  • 选择模型：在右侧面板中选择配置好的Ollama模型

  • 编写提示词：点击“编辑提示词”，填入以下内容：

（4）添加输出节点

  • 点击添加“输出”节点

  • 在 “输出变量” 区域，点击 “添加变量”，填写变量信息

（5）测试运行

  • 点击“测试运行”

  • 再点击“开始运行”
  • 可以查看结果详情

您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型（Large Language Model）训练与微调平台。通过 LLaMA Factory，可以在无需编写任何代码的前提下，在本地完成上百种预训练模型的微调

1candobetter
关注
8.1 Dify平台入门：零基础也能快速搭建AI应用
yonggeit的博客
11-14 39
Dify平台是一个开源LLMOps平台，让零基础用户也能快速构建AI应用。它提供可视化界面，无需编码即可创建复杂AI工作流。核心功能包括提示词编排、工作流设计、变量管理和知识库集成。平台支持三种应用类型：聊天机器人、智能代理和工作流。通过示例展示了注册登录、创建聊天机器人应用、配置系统提示词和测试应用的完整流程，帮助用户快速上手。Dify降低了AI应用开发门槛，使业务人员也能轻松部署智能解决方案。
Dify从入门到精通：第4天 从提示词到完整应用：零基础创建你的第一个AI邮件助手
IT深耕十余载，大道之简
09-28 1033
本文介绍了如何利用Dify平台开发AI文本生成应用，重点讲解了邮件助手的创建过程。首先解析了提示词（Prompt）的核心作用与设计原则，强调明确性、上下文丰富度、结构化和示例引导的重要性。随后详细演示了从创建应用到发布的全流程，包括提示词模板设计、输入参数配置等关键步骤。文章还提供了提示词优化技巧和高级功能拓展建议，如知识库集成和工作流设计，帮助开发者将基础应用升级为更智能的工具。通过本教程，读者可以快速掌握开发实用AI应用的核心方法，显著提升邮件撰写效率和质量。
小白向：如何使用dify官方市场“ECharts图表生成”工具插件——dify入门案例
热门推荐
初始阶段。长文本博客做模型上下文。新书《千界明彻录》（故事形式构建元思维）——胡说小说。更多思辨内容在公众号。
03-03 1万+
dify小白使用echarts组件教程
Dify自定义工具例子
NLP工程化
07-02 5926
Dify自定义工具例子。
零基础教程：Dify安装与入门指南
GoldenleafLynx28的博客
11-28 338
通过这次体验，我发现Dify真的让AI开发变得触手可及。不需要复杂的配置，不需要深厚的编程基础，任何人都能快速创建自己的AI项目。如果你也想尝试AI开发，不妨从Dify开始。在探索过程中，我还发现InsCode(快马)平台提供了类似的便捷体验，特别是它的一键部署功能，让项目分享和演示变得特别简单。作为一个新手，这种低门槛的工具真的帮了大忙。
DIfy入门指南：从零开始掌握AI应用开发
gshlc的博客
05-24 1276
DIfy是一款面向AI应用开发的低代码/无代码平台，旨在简化人工智能技术的应用过程。它通过可视化界面和预置功能模块，让开发者无需深入掌握复杂编程知识即可构建实用的AI解决方案。
Dify 零代码 AI 应用开发：快速入门与实战
FrenzyTechAI的博客
07-27 1万+
Dify 支持 OpenAI 的 GPT 系列和 Anthropic 的 Claude 系列等主要模型提供商。每个模型的功能和参数各不相同，请选择适合您应用程序需求的模型提供商。您需要在使用模型提供商的 API 密钥之前，从模型提供商的官方网站获取。以下以 OpenAI 的 API 密钥为例进行说明。使用 API 密钥可以使用更多模型。如果您需要集成开源模型，Dify 也支持。例如，您可以通过 Hugging Face 或 Ollama 集成开源模型。
2025最好的Dify入门到精通教程（上）
虽非技冠群英首，愿与同道共长歌； 大鹏一日同风起，扶摇直上九万里；
08-04 1625
2025最好的Dify入门到精通教程（上）
【大模型实战】利用Dify和大模型构建股票分析系统：零基础入门到实战应用
2401_84495872的博客
09-23 1280
本文详细介绍了如何基于Dify平台和大模型构建智能股票分析系统。通过部署Dify、获取硅基流动API并安装相关插件，实现了技术分析、风险管理、盘后分析和智能选股功能。系统分为Dify工作流和自定义Server端两部分，能够分析股票走势、计算技术指标并生成报告，最终借助大模型能力提供趋势分析、风险评估、目标价位和交易建议等决策参考。
从0到1开发一个商用 Agent（智能体），Agent零基础入门到精通！_零基础开发aiagent 用dify从0到1做智能体
python123456_的博客
09-08 723
这个节点就是大模型的配置，在这里我们需要大模型帮我总结文章内容，提炼文章关键词。红框 1：此处可以选择不同的模型来处理，不同的提示词在不同的模型下表现有时候是不一致的，所以这里需要注意的是在当前这个场景下根据大模型的特点，选定模型后，再去写系统提示词和用户提示词。红框 2：输入，可以将上个节点输出的参数标题和内容传到这里。
Dify小白入门指南：通过官方文档学习工作流编排和API调用
2401_87322981的博客
05-23 2180
平台支持市面上几乎所有主流的大语言模型(LLM)，包括OpenAI、Azure OpenAI Service、Anthropic、Hugging Face Hub等供应商的模型，这意味着开发者可以根据自己的需求和预算选择最适合的基础模型。作为一个强大的LLMOps平台，Dify已成为众多开发者构建AI应用的首选工具，尤其适合想要快速开发AI应用但缺乏专业技术背景的小白用户。除了可视化的工作流编排，Dify还提供了强大的API系统，允许开发者将创建的AI应用集成到自己的项目中。
Dify 从入门到精通（1/100 篇）：Dify 究竟是什么？真能开启低代码 AI 应用开发的未来？
haolove527的专栏
07-29 2707
本文作为 Dify 博客系列：从入门到精通（100 篇） 的开篇，将为您全面介绍 Dify 的定位、核心特点、应用场景以及与传统开发的对比，带您走进这个低代码 AI 应用开发平台的未来世界。无论您是初学者、开发者还是企业决策者，本文都将为您提供清晰的入门指引，并为后续文章铺垫基础。让我们开始探索 Dify 的魅力！
time881_MoviesRatings_38512_1765304997088.zip
12-11
time881_MoviesRatings_38512_1765304997088.zip
YunShu 2.9.12.11211_2025-12-11T16-34-48-047.exe
12-11
YunShu 2.9.12.11211_2025-12-11T16-34-48-047.exe
支持语音功能的模拟计算器
12-11
基于模拟退火的计算器 在线运行 访问run.bcjh.xyz。 先展示下效果 https://pan.quark.cn/s/cc95c98c3760 参见此仓库。 使用方法（本地安装包） 前往Releases · hjenryin/BCJH-Metropolis下载最新 ，解压后输入游戏内校验码即可使用。 配置厨具 已在2.0.0弃用。 直接使用白菜菊花代码，保留高级厨具，新手池厨具可变。 更改迭代次数 如有需要，可以更改 中39行的数字来设置迭代次数。 本地编译 如果在windows平台，需要使用MSBuild编译，并将 改为ANSI编码。 如有条件，强烈建议这种本地运行（运行可加速、可多次重复）。 在 下运行 ，是游戏中的白菜菊花校验码。 编译、运行： - 在根目录新建 文件夹并 至build - - 使用 (linux) 或 (windows) 运行。 最后在命令行就可以得到输出结果了！ （注意顺序）（得到厨师-技法，表示对应新手池厨具） 注：linux下不支持多任务选择 云端编译已在2.0.0弃用。 局限性 已知的问题： - 无法得到最优解！ 只能得到一个比较好的解，有助于开阔思路。 - 无法选择菜品数量（默认拉满）。 可能有一定门槛。 （这可能有助于防止这类辅助工具的滥用导致分数膨胀？ ）（你问我为什么不用其他语言写？ python一个晚上就写好了，结果因为有涉及json读写很多类型没法推断，jit用不了，算这个太慢了，所以就用c++写了） 工作原理 采用两层模拟退火来最大化总能量。 第一层为三个厨师，其能量用第二层模拟退火来估计。 也就是说，这套方法理论上也能算厨神（只要能够在非常快的时间内，算出一个厨神面板的得分），但是加上厨神的食材限制工作量有点大……以后再说吧。 （...
NavRL-main.zip
12-11
NavRL-main.zip
运维-函数-14-常用的系统函数和自己如何通过书籍学习系统函数的用法.mp4
最新发布
12-11
运维-函数_14_常用的系统函数和自己如何通过书籍学习系统函数的用法.mp4
自用备份数据11111
12-11
自用备份数据11111
电脑文件自动复制至U盘并退出
12-11
代码转载自：https://pan.quark.cn/s/7cd1f4636e97 Genshin-Auto-Skip-Cutscenes 自动跳过原神剧情动画，并随机选择一个非退出选项。 9-剧情不会真的有人喜欢看吧 前置条件 因为是自己用，所以就不做适配了。 必须满足以下前提才能正常使用本脚本程序： 电脑分辨率为1920*1080，缩放为100%，且全屏运行原神 设置 -> 其他 -> 自动播放剧情（打开） 使用 从Releases下载脚本程序，并将、放到脚本程序的所在目录下，最后以管理员权限运行。 快捷键
零基础dify+deepseek
02-12
### 关于Dify和DeepSeek的入门资料 对于希望了解如何使用Dify以及本地部署DeepSeek R1的人来说，存在一些资源可以作为起点。为了帮助初学者理解这些工具的工作原理及其应用方式，下面提供了一些指导性的建议。 #### 零基础学习路径 针对完全没有经验的学习者来说，可以从官方文档入手来熟悉这两个平台的基础概念和技术栈。通常情况下，官方网站会提供详尽的手册说明安装配置过程[^1]。此外，在线社区论坛也是获取支持的好地方；这里聚集了许多开发者愿意解答疑问并分享个人见解。 #### 实践操作指南 具体到实践层面，则推荐按照如下方式进行探索： - **环境搭建**：依据提供的教程完成必要的软件环境设置工作，比如Python版本的选择、依赖库的安装等。 - **功能体验**：通过简单的例子测试核心特性是否正常运作，这有助于建立直观认识。 - **案例研究**：深入分析现成的应用实例可以帮助加深对整个流程的理解程度。 - **持续跟进**：关注项目更新日志以便及时掌握新特性和改进之处。 ```python # 示例代码用于展示如何初始化一个基本的服务端口监听程序 import socket def start_server(host='localhost', port=8080): server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM) server_socket.bind((host, port)) server_socket.listen(5) while True: client_conn, addr = server_socket.accept() print(f'Connection from {addr}') message = "Welcome to the demo service!" client_conn.sendall(message.encode()) client_conn.close() if __name__ == '__main__': start_server() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值