一文读懂！DeepSeek 与 Dify 打造 AI 应用实战指南

最新推荐文章于 2025-04-25 18:04:04 发布
最新推荐文章于 2025-04-25 18:04:04 发布
阅读量1.4k 收藏 23
点赞数 27
文章标签： 人工智能 python 开发语言 agi pycharm
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。
本文链接：https://blog.youkuaiyun.com/weixin_58753619/article/details/145897138
版权

在人工智能飞速发展的今天，大模型和相关工具层出不穷，极大地便利了我们的工作与生活。DeepSeek 作为备受瞩目的语言模型，凭借出色性能和广阔应用潜力，深受开发者喜爱。Dify 则是极具创新性的低代码 AI 应用开发平台，打破技术壁垒，让非专业开发者也能轻松构建强大 AI 应用。当 DeepSeek 与 Dify 结合，会碰撞出怎样的火花？今天，我们聚焦 Dify，深入探讨其特性、安装部署流程、与 DeepSeek 的集成方式及丰富应用实践。

一、Dify 是什么？

Dify 是一款低代码人工智能应用开发平台，它以 “低代码” 特性打破了技术壁垒，让普通开发者甚至非技术人员，也能轻松搭建强大的 AI 应用。通过简单的配置和操作，Dify 能够接入各类大模型，包括我们即将与之集成的 DeepSeek。

不仅如此，Dify还能融合用户自有数据，实现智能对话、知识问答、文本生成等多元功能。无论是企业打造智能客服，还是个人构建知识管理助手，Dify 都能凭借其强大的功能和易用性，成为你的得力工具。

Dify官网：http://difyai.com/

使用文档：https://docs.dify.ai/

二、Dify 的安装与部署

1. 环境准备

在安装 Dify 之前，确保你的服务器环境满足以下要求：

  • 操作系统

    推荐使用 Linux 系统，比如 Ubuntu 20.04，其稳定性和开源特性更适合 Dify 的运行。

  • 软件依赖

    需要提前安装好 Docker 和 Docker Compose。Docker 可以将 Dify 及其依赖打包成一个独立的容器，方便部署和管理；Docker Compose 则用于定义和运行多个 Docker 容器的应用，让 Dify 的部署更加便捷。

2. 获取 Dify 代码

通过 Git 命令将 Dify 的代码仓库克隆到本地服务器：

git clone https://github.com/dify-ai/dify.git

耐心等待代码下载完成，这一步是获取 Dify 程序的基础。

3.启动 Dify

完成配置后，进入 Dify 源代码的 Docker 目录，执行以下命令启动 Dify 服务：

cd dify/docker``# 复制环境配置文件cp .env.example .env``docker-compose up -d

Docker Compose 会根据配置文件自动拉取所需镜像并启动 Dify 服务。这个过程可能需要一些时间，耐心等待，直到看到服务启动成功的提示，就意味着 Dify 已经在你的服务器上运行起来。

注意：在此阶段可能会遇到下载失败的情况，可以尝试切换源解决。

三、Dify 的配置

当 Dify 成功安装完毕，在浏览器地址栏输入http://localhost/（默认端口为 80）即可访问 Dify。首次进入时，系统会提示进行初始化操作，在此处设置好账号和密码。完成设置后，使用刚刚设定的账号密码登录系统，开启 Dify 的使用之旅。

在 Dify 中，轻点右上角头像，在弹出的菜单中选择 “设置”，接着在设置页面里找到 “模型供应商”，从下拉选项中选定 “Ollama”，最后点击 “添加模型” 即可。

模型选择之前搭建的DeepSeek-R1模型，基础URL为本地DeepSeek的地址。配置完成后我们就在Dify中创建了模型供应商。接下来将会探索Dify具体的应用实践。

四、Dify 的应用实践

1. 创建聊天应用

在Dify主页选择 全部 -> 创建空白应用->选择聊天助手 -> 填写应用名称和描述，方便后续管理和识别。然后选择我们之前集成的 DeepSeek 模型，这样应用就具备了强大的 AI 能力。

然后，进入编排页面，“提示词” 起着关键作用，它能够对 AI 的回复内容加以限定和约束，并且这部分内容不会展示给用户。提示词可以借助生成器自动生成，不过本次暂不使用，后续会详细介绍其使用方法 。

创建好应用后，进行测试。向应用提问，检查回答是否准确、符合预期。如果发现问题，及时调整对话流程和模型参数，不断优化应用的表现，让它更好地满足我们的需求。

2. 创建知识库

知识库是专门用来存储企业或个人的各类资料的智能数据仓库。它能协助 AI 准确回答专业问题，其原理是先把文档拆解成小块，转化为向量形式存储起来。当用户提问时，系统会进行检索，找出匹配的内容，再结合大模型生成可靠的答案。

Step 1：准备知识数据

将你想要存入知识库的文档、资料进行整理，Dify 支持多种格式，如 PDF、TXT 等。确保数据的准确性和完整性，这是构建高质量知识库的基础。

Step 2：数据导入

在 Dify 应用中 选择 知识库 -> 创建知识库 -> 上传知识 -> 等待处理完成，找到数据导入功能。选择准备好的知识数据，设置好导入参数，如数据分类、关键词提取等。

文件上传后，Dify 会自动对数据进行处理和索引，将这些知识转化为可以快速检索和利用的形式。

Step 3：知识问答

完成数据导入后，本地知识库就搭建好了，进入聊天应用，选择刚才创建的知识库，即可开始带有私域知识的沟通。

用户在与应用对话时，Dify 会结合知识库中的内容和 DeepSeek 的语言理解能力，给出准确的回答，实现高效的知识检索和应用。无论是工作中的资料查询，还是学习中的知识复习，都能轻松应对。

3. 创建Agent智能体

Agent 是一种智能 AI 助手，它能自动处理复杂任务，像查询数据、操作其他软件都不在话下。其工作原理是通过预设规则，或是学习用户目标，把任务拆解后调用搜索工具、API 等，自主完成任务，你只需输入应用名称即可 。

首先，在Dify中，点击创建空白应用 - > 选择Agent，输入应用名称和描述等信息构建智能体应用。

接下来，我们构建一个名为“图表制作助手”的智能体应用。在编排页面，首先设置提示词“你是一个各类图表制作的小助手”，然后添加“工具”，这里添加“chart_pie_chart等工具，并根据需求对工具进行配置，注意部分工具需要先获得授权才能应用。

完成配置后，进入调试与预览环节，对 “图表制作助手” 这一智能体应用的功能展开验证。如上图所示，该应用成功读取了知识库中的数据，并顺利生成了柱状图与饼状图，各项功能运行正常 。

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。

在这里插入图片描述

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】

在这里插入图片描述

DeepSeek+Dify之一安装部署
yilvyangguang520的博客
02-07 1111
DeepSeek添加知识库
【AI】HR必看！DeepSeek-R1+Dify打造AI简历筛选神器，3步提效300%！
德仔
03-06 1780
目前，我采用的是dify+deepseek（本地部署）搭建实现了一个AI筛选简历工作流，通过LLM评分模型完成初步的筛选；简历筛选缩短分钟级！通常公司在招聘时的流程：把简历录入到系统，招聘系统中设置多个标签，然后逐一查看系统筛选出的候选人简历进行初步筛选。首先，输入我们要招聘的岗位，职责和要求；AI应用可以帮助我们把简历和我们提前设定好的一些要求，进行匹配，并输出初步的结论。可以看到，应用会帮助我们把简历的关键信息提取出来，并且和我们提前设定好的一些要求，进行匹配，并输出初步的结论。
DeepSeek + Dify ：零成本搭建企业级本地私有化知识库保姆级喂饭教程
apo0625的博客
02-16 2427
DeepSeek作为可以私有化本地部署的大模型，加上Dify这个组合，我们还可以有很多其他应用场景，比如：智能客服，智能题库。也可以把自己的个人资料，过往输出文章，日记等所有个人信息上传到本地知识库，打造自己的私人助理。Dify还有很多其他功能，有了deepseek这样的优秀国产AI大模型加持，我们可以做更多智能体应用。当然，Dify也可以像coze一样，发布为对外服务的api，这样，它就可以结合cursor快速做出更多的AI应用。帮你推演，思考，总结，非常方便。
DeepSeek+dify 本地知识库：高级应用Agent+工作流
yxkong的专栏
03-05 3154
工作流通过将复杂的任务分解成较小的步骤（节点）降低系统复杂度，减少了对提示词技术和模型推理能力的依赖，提高了 LLM 应用面向复杂任务的性能，提升了系统的可解释性、稳定性和容错性。一个完整的工作流，必须具备开始和结束两个节点。Chatflow：面向对话类情景，包括客户服务、语义搜索、以及其他需要在构建响应时进行多步逻辑的对话式应用程序。Workflow：面向自动化和批处理情景，适合高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。
AI平台搭建指南：手把手教你创建Dify，利用Agent工作流实现AI微信消息发送！
最新发布
m0_65555479的博客
04-25 981
最近在研究复杂的AI工作流来处理一些复杂的问题，想自建一个类似coze这样的AI应用开发平台，coze 海外版平台目前开始收费了，免费额度非常的少。据我了解目前只有两个开源项目支持复杂的AI工作流，一个是fastgpt ,一个是Dify，根据网上的资料，个人觉得Dify的操作体验更好，支持的模型更全。Dify 官方地址：https://dify.ai/官方介绍：Dify 是一款开源的大语言模型(LLM) 应用开发平台。
DeepSeek + Dify ：零成本搭建企业级本地私有化知识库保姆级教程
python1222_的博客
02-14 5692
DeepSeek作为可以私有化本地部署的大模型，加上Dify这个组合，我们还可以有很多其他应用场景，比如：智能客服，智能题库。也可以把自己的个人资料，过往输出文章，日记等所有个人信息上传到本地知识库，打造自己的私人助理。Dify还有很多其他功能，有了deepseek这样的优秀国产AI大模型加持，我们可以做更多智能体应用。当然，Dify也可以像coze一样，发布为对外服务的api，这样，它就可以结合cursor快速做出更多的AI应用。何以破局，唯有行动！
DeepSeek大模型与Dify AI应用平台整合入门
liu_xp2003的博客
02-05 9657
边看边用边学将Dify LLM应用开发平台在NAS端部署，再结合DeepSeek-R1大模型对接构建私有的AI平台服务。构建属于自己的AI平台聊天助手，工作流，知识库和智能体。
DeepSeek + Dify部署本地大模型和知识库
huang9604的博客
02-06 7006
DeepSeek + Dify部署本地大模型和知识库
Dify+DeepSeek-R1: 我的超强AI工作流,详细的部署与使用实录
热门推荐
2401_85375186的博客
02-04 6万+
上面演示的只是Dify最简单的聊天应用知识库和工作流的使用,还有更多的功能和工作流值得您挖掘，更多高级的用法玩Dify的工作流本身就像搭积木一样，用它来搭建各种有趣的 AI 应用。比如做一个智能客服，帮你自动回答客户的问题；或者做个私人助理，帮你整理文档、写邮件、做会议记录；甚至可以做个创意助手，帮你写文案、做营销策划、设计广告语。你不需要写复杂的代码，只要像拖拽积木一样，把不同的功能模块组合在一起，就能做出你想要的应用。它就像是给你一套 AI 魔法工具，让你能轻松地把脑子里的想法变成现实。
本地 AI 知识库秒搭！DeepSeek + Dify 打造你的智能问答助手
a543768773的博客
04-02 1190
想让 AI 记住你的知识库，能秒回精准答案？本教程教你 零成本 在本地部署 DeepSeek + Dify，打造 专属 AI 知识库！💡 你将学会： ✅ DeepSeek 本地大模型部署，让 AI 随时在线 🖥️ ✅ Dify 知识库集成，支持 PDF / Markdown / 网页数据 📚 ✅ 无缝连接 AI 与知识库，打造超强 检索增强生成（RAG）系统 🔍 ✅ API 接口调用，让你的 AI 轻松接入各类应用 🚀 🚀 完全离线运行！无隐私泄露风险！ 快来试试，打造你的智能 AI 知识管
DeepSeek+Dify极速集成：3小时搭建企业级AI知识库.pdf
02-19
在日常的工作和学习中，你...该文档【DeepSeek+Dify极速集成：3小时搭建企业级AI知识库】共计 20 页，文档内容完整、条理清晰。文档内所有文字、图表、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。
搭建AI工作流：DeepSeek+Dify自动化实战指南
沧海之巅的专栏
03-23 1639
（或者使用本地搭建的模型也可以，往期文章里也有部署教程，本文尽量让无编程经验的文科生也可以实现自动化处理日常任务，所以使用api更加简单）简介API 可以简单理解成某个功能，为了开放给其他人使用，所以指定了一个网络地址，用户只需要请求这个地址，就可以使用该功能，并得到该功能处理后返回的数据。API申请指引DeepSeek | 深度求索点击右上角的API开放平台，进行注册账号进来后就会发现送了10元额度点击左侧菜单的API keys，点击创建API key，输入任意名字，点击创建。
超实用！用 Ollama + DeepSeek + Dify 搭建本地知识库，提升企业效率
Happiness is everywhere
02-13 3480
本文介绍了如何使用 Ollama + DeepSeek + Dify 搭建本地知识库，帮助企业高效管理信息。通过简单配置，可实现智能问答、文档检索等功能，提升效率并保障数据安全。
【AI】DeepSeek+Dify构建知识库、Agent（智能体）、工作流、聊天助手
python1234567_的博客
02-18 8093
昨天看到一个网友说"不会使用DeepSeek，那么这东西到普通人手里，就是百度Plus版"，这么说也不无道理。为什么DeepSeek会掀起这么大的浪潮，是因为过去我们想实现的很多事情都要基于机器对自然语言的理解，比如机器人发展了很久，现在有了机器狗、人形机器人，但还是需要遥控去控制，而不具备自主思维。再比如刚出来的Gpt、文心一言，更像是拼凑起来的文字，具有浓重的程序化风格。
社区版Dify + Ollama + DeepSeek-R1（14b）实现私有化LLM推理
weixin_44119512的博客
01-24 5049
大模型本身就具备推理能力，为什么还需要推理模型，深度思考？简单地说 ，就是推理能力相对较低，只能处理相对简单的问题，而不会深入思考更加复杂的问题，所以 OpenAI 发布了o1 ，可以做各种考试的题目。但是 o1 并不开源 ，价格看起来遥不可及。值此，一个国内不怎么出名的公司，Deepseek ，发布了V3，用一种低成本实现的高水准的LLM。（557万美元训练出671B的模型）开源免费可商用噢，随后不久就发布了一个初代的推理模型：DeepSeek-R1 和DeepSeek-R1-Zero。
大模型（deepseek）之运用Dify构建智能体和工作流应用
qq_31400983的博客
11-17 4万+
完成设置后回到主页面，可以看到顶部的4个页面。“探索”页面提供了模板应用程序，用户可参考模板定制自己的应用程序。“工作室”页面用户可创建自己的应用，包括聊天助手、智能体、工作流。“知识库”页面用户可以通过上传自己的文本数据创建知识库增强 LLM 的上下文。“工具”页面是Dify本身集成第三方工具，用户也可自定义工具。
DeepSeek+Dify炸场！本地知识库「私有化核弹」：效率飙涨300%，企业数据安全从此躺赢！
wind1_rain的博客
02-25 2426
操作系统： mac在使用docker进行镜像拉取的时候，存在拉取不下来，或者超时的问题，就会报docker: Error response from daemon: Get “https://registry-1.docker.io/v2/“: net/http: request canc的错误，导致无法开心的使用docker。
DeepSeek+dify 本地知识库：真的太香了
大华的程序人生
02-21 5472
哪里我们说了，我们可以通过提示词临时注入知识，给大模型，但是大模型的上下文是有长度限制的，我们通过各种技术把最合适的内容挑选出来，然后给大模型。由于我的dify安装的比较早，是0.7.x版本，为了给大家演示，就把原来的铲了。点击工作室，我们可以看到有很多丰富的应用，包括聊天助手、agent、工作流等 我们选择最简单的应用，聊天助手，点击5，创建空白应用。默认占用的是80和443端口，如果你本机已经部署了其他的应用，占了该端口，修改.env文件中的下面两个变量。需要注意的是dify，上传文件是有大小限制的。
当下热点：DeepSeek+Dify 本地知识库，用了都说太香了！
优快云_224022的博客
02-22 2465
之前我做了个AnythingLLM+DeepSeek去搭建本地知识库的教程，我发现阅读数挺高的，说明大家挺喜欢这个系列。但是我最近又发现 Dify+DeepSeek 去搭建本地知识库才是最牛的，，比德芙还要丝滑~今天这篇文章，纯小白也可以跟着做，不需要有计算机技术基础哦，一起来动手搭建本地最强知识库吧！
linux部署deepseek与dify
03-14
<think>好的，我现在需要帮助用户在Linux系统上安装和配置DeepSeek和Dify。首先，我得理清楚用户的需求。用户提到了参考站内引用中的几个步骤，特别是引用[1]、[2]、[3]、[4]。这些引用内容涉及Ollama的安装、Dify的部署以及一些系统依赖项的安装。 首先，安装Ollama。根据引用[1]和[3]，在Linux上安装Ollama可以通过运行curl命令来执行安装脚本。用户需要确认系统是否满足要求，比如是否已经安装了curl。然后，运行安装脚本，可能需要管理员权限，所以需要sudo。安装完成后，启动Ollama服务，并设置为开机自启。这部分步骤应该没问题，但需要注意权限问题，比如用户是否有权限执行这些命令。 接下来是安装DeepSeek模型。用户需要下载模型文件，这里可能需要先确认模型的具体名称和版本，比如是否使用deepseek-llm或其他的。使用ollama pull命令来获取模型，然后运行它。这里可能需要检查模型名称是否正确，以及网络连接是否正常，确保能顺利下载模型。 然后是部署Dify。根据引用[2]和[4]，Dify可以通过Docker来部署。用户需要先安装Docker和Docker Compose。引用[4]提到安装yum-utils等依赖，这可能是在CentOS或RHEL系统上，而如果是其他Linux发行版，安装步骤可能不同。例如，在Ubuntu上安装Docker可能需要使用apt而不是yum。所以需要用户确认系统类型，或者给出通用的安装方法。安装完成后，克隆Dify的仓库，进入目录，修改配置文件，比如.env文件中的API密钥和模型路径。这里可能需要用户生成API密钥，并正确指向Ollama的服务地址和端口。 配置完成后，启动Dify服务，并验证是否正常运行。可能需要检查端口是否开放，服务是否监听正确端口，以及日志是否有错误。例如，Dify的Web界面是否可以通过浏览器访问，或者使用curl命令测试API。 最后，测试整个系统，确保Dify能够调用DeepSeek模型处理请求。可能需要创建知识库，上传文档，测试问答功能是否正常。如果出现问题，可能需要检查Ollama服务是否运行，模型是否加载正确，以及网络连接是否畅通。 在过程中可能会遇到的问题包括：安装依赖项时缺少权限，模型下载失败，Docker安装问题，环境变量配置错误，端口冲突等。需要提醒用户注意这些点，并提供相应的解决方法，比如使用sudo，检查网络，查看日志等。 此外，用户的问题中引用了不同的安装步骤，比如引用[3]中的安装路径是/app，而引用[4]提到了yum安装依赖。需要整合这些步骤，确保用户按照正确的顺序执行，并适应他们的特定系统环境。可能需要分步骤详细说明，确保用户不会遗漏任何环节。 总结一下，安装流程大致分为：安装Ollama -> 配置和启动Ollama -> 下载DeepSeek模型 -> 安装Docker和依赖 -> 部署Dify -> 配置Dify连接Ollama -> 测试整个系统。每个步骤都需要详细说明，并指出可能的错误点。同时，引用相关的参考资料，帮助用户理解每一步的依据。</think>### Linux系统部署DeepSeek与Dify完整指南 #### 一、安装Ollama框架（DeepSeek运行环境） 1. 通过官方脚本安装Ollama（适用于大多数Linux发行版） ```bash curl -fsSL https://ollama.com/install.sh | sudo sh ``` 安装完成后会自动创建ollama用户组，建议将当前用户加入该组[^3]： ```bash sudo usermod -aG ollama $USER ``` 2. 验证安装（需重新登录生效） ```bash ollama --version # 应显示版本号如0.1.26 ``` 3. 配置服务（以Ubuntu/Debian为例） ```bash sudo systemctl enable ollama # 设置开机自启 sudo systemctl start ollama # 立即启动服务 ``` #### 二、部署DeepSeek模型 1. 下载预训练模型（以7B参数版本为例） ```bash ollama pull deepseek-llm:7b ``` 2. 运行模型服务 ```bash ollama run deepseek-llm:7b # 默认使用GPU加速（需NVIDIA驱动） ``` 3. 验证模型响应 ```python import requests response = requests.post("http://localhost:11434/api/generate", json={ "model": "deepseek-llm:7b", "prompt": "你好，DeepSeek！" }) print(response.json()["response"]) ``` #### 三、安装Dify知识库平台 1. 安装系统依赖（CentOS/RHEL） ```bash sudo yum install -y yum-utils device-mapper-persistent-data lvm2 # 存储驱动支持[^4] ``` 2. 安装Docker环境 ```bash curl -fsSL https://get.docker.com | sudo sh sudo systemctl enable docker && sudo systemctl start docker ``` 3. 部署Dify服务 ```bash git clone https://github.com/langgenius/dify.git cd dify/docker echo "OPENAI_API_KEY=ollama://deepseek-llm:7b" >> .env # 关联本地模型[^2] docker-compose up -d ``` #### 四、配置验证 1. 检查服务状态 ```bash docker ps # 应显示5个运行中的容器 curl http://localhost:8080/api/health # 应返回{"status":"ok"} ``` 2. 访问Web界面 浏览器打开`http://服务器IP:8080`，首次登录需设置管理员账号 3. 创建知识库测试 - 上传示例文档（建议PDF/TXT格式） - 提问验证模型响应 ```text 测试问题："文档中提到的关键技术指标是什么？" 期望响应应包含文档相关内容 ``` #### 五、常见问题解决 1. GPU加速异常 ```bash nvidia-smi # 验证驱动状态 docker run --gpus all nvidia/cuda:11.0-base nvidia-smi # 测试容器GPU支持 ``` 2. 端口冲突处理 修改`docker-compose.yml`中的端口映射： ```yaml services: web: ports: - "8080:8080" → "新端口:8080" ``` 3. 模型加载优化 ```bash # 设置模型缓存路径 export OLLAMA_MODELS="/path/to/large/disk" ollama serve # 重启服务生效 ```
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