当前位置：首页 > ai >正文

Dify动手实践教程1

ai 2025/6/17 1:06:43

课程参考链接：https://www.datawhale.cn/learn/content/168/4036

官方下载：Releases · langgenius/dify · GitHub

官方文档：产品简介 - Dify Docs

课程第一节是有关dify的使用或搭建的。使用方案有俩种

1.可以在dify的云服务上建账号+自己的模型api key去实现。

2.如果你比较注重隐私或长期调试，也可以选择本地搭建，注意本地搭建的一般是社区版，建议使用docker安装。

选择本地搭建的话，恭喜你进入dify应用的深度使用体验环节。搭建过程可以查看第一行的链接教程，写的比较详细了，碰到困难多找助教或bing一下大概率都可以解决。本文就是按作者使用的经验或踩过的坑来简单说下dify的作用和预告其它几节的内容，希望帮助大家在使用过程中可以更清楚的知道dify对你有什么用：

一，dify有哪些应用，这些应用的作用点是什么。

1 聊天助手-以对话形式与用户交互，支持多轮聊天。---智能客服、AI 顾问、问答机器人
2 Agent应用-通过配置 Agent 特性（如工具调用、记忆机制等），让应用具备更强的自主决策与执行能。---自动化任务执行、智能助理
3 文本生成应用-输入文本提示，输出高质量内容，偏向单轮生成。---内容创作、文案撰写、新闻摘要
4 Chatflow-基于流程图可视化方式设计对话逻辑，适合有多个分支、条件判断的应用。---复杂对话流程设计、多节点跳转
5 Workflow-支持多步骤节点编排（如模型调用、插件调用、条件判断等），实现复杂的数据流转和处理。---信息提取、数据处理、自动化流程

此外，dify还支持RAG检索增强生成（Retrieval Augmented Generation，RAG）是一种强大的工具，它通过将外部知识整合到生成过程中，增强了大型语言模型（LLM）的性能。个人理解RAG在dify中主要支持以上应用类型的使用。

这里主要说下Agent和Workflow：

• Agent智能体则更像是一个能够自主思考的伙伴，它凭借强大的模型能力，独立分析任务并动态规划执行路径（取决于工具的调用能力）。

• Workflow工作流采取的是“分解复杂”的策略，由专家精心规划任务分解，确保每个步骤都经过精细优化和严格验证。这就像一个经验老到的项目经理，提前安排好每个工作节点，确保项目按部就班的进行。

这两种应用各有所长，其选择取决于具体的应用场景和需求。工作流更适合那些需要高度控制和标准化的场合，而智能体则更擅长处理需要灵活应对的任务。不过教程里没有Agent中涉及Fuction calling或MCP的内容，希望后续可以补上。

Chatflow可以看做是支持记忆复杂多轮对话的工作流，如购物助手，根据用户选择（售前咨询，售后支持，技术支持）来更针对性的解决问题。

二，课程预告

第二，三节是聊天助手类的，主要涉及prompt与模型的应用。本地的话可以用ollama下载qwen3或deepseek-r1来玩下。在线的可以选OpenRounter,glm4-flash这类。好处是free。缺点是本地模型响应和能力需要更好的显卡资源，但更隐私安全。在线的话响应或效果会更好，缺点是并发速率或有次数限制。

第四节是RAG的应用，这里要说下dify的RAG效果只能说还可以，比anythingllm直接扔文档稍微强那么一丢丢。一个准确率达到90%以上RAG需要关注但不限于以下方向--- 1.模型配置。2.高效的prompt。3.数据萃取。4.配置优化。5.动态更新。6.领域微调。7.评估模型。应用层面的话有条件上Ragflow，Reranker模型吧。

第五节是工作流，目前教程写了一半。工作流个人认为是比较实用的：通过prompt对llm进行一定的指导或约束让其完成固定的工作流程，你可以思考下把你工作过程中分分用工作流的形式实现，如总结文档中的数据，形成图表形式或者解析文件，生成xml,md,json的格式输出。

第六节感觉和第四节雷同，不知这个综合的点在哪。希望后续文档有更新。另外知识库中元数据的概念也可以介绍一下。