用 Dify 搭建个人 AI Agent 实战指南

Dify Cloud·Self-hosting·Documentation·Dify edition overview

图 1

文章分类：Agent 与智能体
文章子分类：应用实践

Dify 是一款开源的 LLM 应用开发平台，它将 AI Workflow、RAG Pipeline、Agent、模型管理、可观测性以及 Backend-as-a-Service（BaaS）能力整合在一个直观的界面中，帮助开发者快速把原型推进到生产环境。无论是想零配置体验的 Cloud 版本、需要私有化部署的 Community Edition，还是需要企业级支持的组织，都能找到合适的使用形态。

1. Dify 平台定位与技术概览

图 2 图 2

Dify 的核心定位是面向 LLM 应用的开源开发平台，覆盖从原型到生产的完整生命周期。平台把构建 AI 应用所需的多种能力做了模块化封装：

AI Workflow：在可视化画布上编排复杂流程；
RAG Pipeline：从文档解析、文本提取到检索召回的完整链路；
Agent：支持基于 LLM Function Calling 与 ReAct 范式的智能体；
模型管理：统一接入 GPT、Mistral、Llama3 以及 OpenAI API 兼容模型；
可观测性：集成 Opik、Langfuse、Arize Phoenix 等工具；
BaaS：所有能力都对应 API，方便嵌入现有业务。

使用形态上，Dify 提供 Dify Cloud、Community Edition（社区版，可自托管）、企业版，以及面向 AWS 用户的 AWS Marketplace 镜像。

2. 核心能力：工作流、RAG 与 Agent

图 3 图 3

在明确平台定位之后，下面来看 Dify 最常被使用的三大核心能力：可视化工作流、RAG 与 Agent。

2.1 可视化 AI Workflow

Dify 提供了一个可视化画布（Visual Canvas），开发者可以在上面拖拽节点、连接逻辑，快速构建并调试复杂的 AI 工作流。它适合把大模型调用、条件分支、知识检索、工具调用等环节组合成可复用的 Pipeline。

2.2 完整的 RAG Pipeline

RAG（Retrieval-Augmented Generation，检索增强生成）能力覆盖了从文档接入到最终检索的全流程，开箱即支持 PDF、PPT 等常见文档格式的文本提取。典型流程包括：

上传文档；
文档解析与文本提取；
文本分块与向量化；
检索召回并注入 Prompt；
由 LLM 生成最终回答。

2.3 Agent 与工具生态

在 Dify 中，Agent 可以基于 LLM Function Calling 或 ReAct 范式构建。平台内置了 50 余种工具，例如 Google Search、DALL·E、Stable Diffusion、WolframAlpha 等，也支持接入自定义工具，满足个人或企业的差异化需求。

3. 模型管理与 Prompt 工程

3.1 广泛的模型支持

Dify 支持接入数十家推理服务商与自托管方案中的专有或开源 LLM，包括：

GPT 系列
Mistral
Llama3
任意 OpenAI API 兼容模型

完整模型提供商列表可参考 Dify 官方文档中的 Model Providers。

3.2 Prompt IDE

Dify 的 Prompt IDE 提供了直观的提示开发界面，支持：

快速编写与迭代 Prompt；
多模型性能对比；
为聊天类应用添加文本转语音（Text-to-Speech）等附加功能。

4. LLMOps 与可观测性

Dify 内置了 LLMOps 能力，帮助开发者持续监控和分析应用日志、性能指标与生产数据。基于标注数据，可以不断迭代优化 Prompt、数据集和模型。

在可观测性集成方面，Dify 支持与以下工具对接：

Opik
Langfuse
Arize Phoenix

这些工具可以用于追踪调用链路、评估输出质量、定位线上问题。

5. 部署与运维实践

从核心能力过渡到实际落地，下面介绍如何快速启动 Dify、通过 API 调用，以及面向生产环境的部署方案。

5.1 最小本地启动步骤

Dify 官方推荐通过 Docker Compose 快速启动。最小系统要求为：

CPU ≥ 2 核
RAM ≥ 4 GiB

执行步骤如下：

# 1. 进入 Dify 代码仓库的 docker 目录
cd dify/docker

# 2. 复制默认环境变量文件
cp .env.example .env

# 3. 后台启动所有服务
#    -d 表示以 detached 模式运行，容器在后台执行
docker compose up -d

启动完成后，访问 http://localhost/install 完成初始化即可进入 Dify 控制台。

注：若需要自定义配置，可编辑 docker/.env，修改后重新执行 docker compose up -d。高级环境变量按主题拆分在 docker/envs/ 目录下。

5.2 通过 Python 调用 Dify API

Dify 的所有能力都提供了对应的 API。下面是一个最小可运行的 Python 示例，用于向一个 Dify Chat 应用发送消息并流式读取回复。

import requests
import json
import os

# 1. 配置
API_BASE = "https://your-dify-instance.com/v1"  # 自托管时替换为 http://localhost/v1
API_KEY = os.environ.get("DIFY_API_KEY", "your-app-api-key")
USER_ID = "user-001"  # 业务侧用户唯一标识

# 2. 请求体
payload = {
    "inputs": {"topic": "AI Agent"},  # 应用定义的输入变量
    "query": "如何用 Dify 搭建一个个人 AI Agent？",  # 用户当前问题
    "response_mode": "streaming",     # 流式返回
    "conversation_id": "",            # 首次对话留空
    "user": USER_ID,
}

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json",
}

# 3. 发起请求
response = requests.post(
    f"{API_BASE}/chat-messages",
    headers=headers,
    json=payload,
    stream=True,
)

# 4. 处理流式输出
for line in response.iter_lines():
    if line:
        text = line.decode("utf-8")
        # SSE 格式以 "data:" 开头
        if text.startswith("data:"):
            data = json.loads(text[5:])
            event = data.get("event")
            if event == "message":
                print(data.get("answer", ""), end="", flush=True)
            elif event == "error":
                print(f"\n[Error] {data}")

关键参数说明：

API_BASE：Dify 实例地址，Cloud 版为 https://api.dify.ai/v1，自托管默认本地为 http://localhost/v1；
API_KEY：在 Dify 应用详情页获取的 API Secret Key；
response_mode：blocking 表示一次性返回完整结果，streaming 表示流式返回；
user：业务侧用户唯一标识，用于会话隔离与审计。

5.3 高可用与生产部署

对于需要高可用的场景，Dify 社区提供了多种部署方案：

方案	说明
Kubernetes / Helm Chart	社区贡献的 Helm Chart，支持在 K8s 上部署
Terraform	一键部署到 Azure、Google Cloud 等云平台
AWS CDK	基于 EKS 或 ECS 的 AWS 部署示例
阿里云计算巢 / DMS	阿里云一键部署方案
Grafana + PostgreSQL	将 Dify 的 PostgreSQL 作为数据源接入 Grafana，监控应用、租户、消息等维度指标

例如，通过社区贡献的 Grafana Dashboard，可以监控应用维度的请求量、延迟、消息数等指标。

6. Backend-as-a-Service 与开源生态

6.1 BaaS 能力

Dify 的每项功能都对应一组 API，开发者无需从头搭建 LLM 应用后端，即可将 Dify 嵌入现有业务逻辑。典型场景包括：

在自有产品中集成 Chatbot；
通过 API 触发工作流或 Agent；
将 RAG 能力接入客服、知识库系统。

6.2 版本与使用场景

Dify Cloud：零配置体验，Sandbox 计划包含 200 次免费 GPT-4 调用；
Community Edition：自托管开源版本，源码可定制；
企业版：面向组织的额外功能与商业支持；
AWS Marketplace：Dify Premium 镜像，可在 AWS VPC 中一键部署。

6.3 社区与贡献

Dify 拥有活跃的开源社区，主要参与渠道包括：

GitHub Discussions：反馈与提问；
GitHub Issues：Bug 反馈与功能提案；
Discord：与社区交流应用实践；
i18n 翻译项目：帮助将 Dify 翻译成更多语言。

总结

Dify 通过整合 Workflow、RAG、Agent、模型管理、LLMOps 与 BaaS，为个人开发者和团队提供了一个从原型到生产的 LLM 应用开发平台。借助 Docker Compose 可以快速本地启动，结合官方 API 又能方便地嵌入自有系统。对于需要生产化部署的团队，Kubernetes、Terraform、AWS CDK 以及阿里云等方案也提供了灵活的扩展路径。

原文来源：langgenius/dify GitHub README

原文链接

https://github.com/langgenius/dify

用 Dify 搭建个人 AI Agent 实战指南

用 Dify 搭建个人 AI Agent 实战指南

1. Dify 平台定位与技术概览

2. 核心能力：工作流、RAG 与 Agent

2.1 可视化 AI Workflow

2.2 完整的 RAG Pipeline

2.3 Agent 与工具生态

3. 模型管理与 Prompt 工程

3.1 广泛的模型支持

3.2 Prompt IDE

4. LLMOps 与可观测性

5. 部署与运维实践

5.1 最小本地启动步骤

5.2 通过 Python 调用 Dify API

5.3 高可用与生产部署

6. Backend-as-a-Service 与开源生态

6.1 BaaS 能力

6.2 版本与使用场景

6.3 社区与贡献

总结

原文链接

相关文章

AI Agent 完整指南：从概念到生产级系统

AutoGen 多 Agent 协作架构解析