Dify部署教程（超详细）

在大模型技术日益成熟的今天，如何将强大的语言模型能力转化为稳定、可维护、可扩展的生产级应用，已成为开发者和企业面临的核心挑战。正是在这一背景下，Dify 作为一款开源的 LLMOps（Large Language Model Operations）平台，迅速崛起并成为全球开发者社区的焦点。其GitHub仓库星标数已突破 117,000，不仅印证了其技术影响力，更标志着它正在重塑AI应用开发的范式。

一、技术架构解析：三层解耦，灵活可扩展

Dify采用模块化设计，整体架构分为三层，实现了清晰的职责分离：

1. 模型层（Model Abstraction Layer）

Dify支持多模型接入，包括：

• 商业API：OpenAI、Anthropic、Azure OpenAI、Google Gemini
• 开源模型：通过本地部署的vLLM、TGI（Text Generation Inference）或Ollama运行Llama 3、Qwen、ChatGLM等
• 国产模型：通义千问、百川、讯飞星火等

平台通过统一的模型适配器（Model Adapter） 抽象不同后端的接口差异，实现“一次配置，自由切换”，有效避免厂商锁定（Vendor Lock-in）。

2. 应用层（Application Orchestration Engine）

这是Dify的核心引擎，支持三种主要应用模式：

• 文本生成应用（Completion App）
  提供可视化Prompt编辑器，支持变量注入（如{{input}}）、上下文记忆（Conversation History）、输出格式定义（JSON Schema），适用于内容生成、翻译、摘要等场景。

• 聊天助手（Chatbot）
  内置多轮对话管理机制，支持自定义开场白、语气设定、敏感词过滤，并可结合知识库实现精准问答。

• 智能体应用（Agent App）
  基于ReAct框架，允许开发者定义工具集（Tools），如天气查询、数据库检索、代码执行等。Dify的Agent具备自主规划（Planning）与反思（Reflection）能力，能根据环境反馈调整策略。

3. 数据层（Knowledge & Storage Layer）

• 向量数据库集成：支持Weaviate、Milvus、PGVector等主流向量数据库，自动完成文档分块、嵌入（Embedding）与索引。
• RAG流程自动化：用户上传PDF、Word、TXT等文件后，Dify可自动构建知识库，并在推理时动态检索相关信息，显著提升回答准确性。
• 结构化数据支持：可通过插件连接MySQL、PostgreSQL等关系型数据库，实现自然语言到SQL的转换（Text-to-SQL）。

二、关键技术亮点

1. Workflow 编排引擎

Dify引入类似Airflow的DAG（有向无环图）工作流系统，允许将复杂逻辑分解为多个节点：

• LLM调用
• 条件判断（If/Else）
• 工具调用（Function Call）
• 数据处理

这种设计使得构建复杂的Agent或自动化流程变得直观且可维护。

2. 完整的可观测性（Observability）

Dify内置强大的调试与监控系统：

• 调用链追踪（Tracing）：可查看每个节点的输入输出、Token消耗、延迟。
• 性能分析：统计每轮对话的prompt token与completion token，帮助优化成本。
• 日志审计：记录所有用户交互，满足合规需求。

3. OpenAPI 导出与SDK支持

所有应用均可一键导出为标准RESTful API，支持cURL、Python、JavaScript等多种调用方式。同时提供SDK，便于集成到现有系统中。

4. 私有化部署与安全性

Dify支持Docker、Kubernetes部署，可完全运行在企业内网环境中，保障数据隐私。支持OAuth 2.0、RBAC权限控制，适合企业级应用场景。

三、安装部署

环境准备：服务器先安装好docker

1、克隆 Dify 源代码至本地

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

或者直接下载后导入并解压

下载地址：https://github.com/langgenius/dify/tree/main

2、修改环境变量

# cd dify-main/docker

# cp .env.example  .env

# vim .env    （防止默认的80端口与已有服务冲突）

    将EXPOSE_NGINX_PORT=80改成8080

    将EXPOSE_NGINX_SSL_PORT=443改成8443  

3、拉取并启动容器

# docker compose up -d

4、浏览器登陆服务器IP地址+端口访问：http://192.168.2.187:8080

5、接入大模型

安装完模型供应商后，使用deepseek的api配置模型

7、安装所需工具，如vanna