团队里有两个产品经理总找我：“能不能帮我搭一个XX的AI机器人？“每次都要写代码、部署、调接口，烦不胜烦。后来发现了Dify，一个开源的LLM应用开发平台，让他们自己去拖拽搭建，我终于清静了；
Dify的核心卖点是可视化编排。不需要写代码，通过拖拽节点就能构建聊天机器人、知识库问答、自动化工作流。支持对接多种模型后端（OpenAI、Ollama、Anthropic等），也支持接入自己部署的本地模型。今天把部署和使用过程整理出来；
Docker Compose部署
Dify官方推荐Docker Compose，这也是最省心的方式：
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
.env里需要改几个关键配置。SECRET_KEY要改成一个随机字符串，用于会话加密；CONSOLE_URL改成你的实际访问地址；数据库密码如果需要的话也一并改掉。
docker compose up -d
Dify会启动一整套微服务：api（核心API）、worker（异步任务处理，文档向量化等）、web（前端界面）、db（PostgreSQL）、redis（缓存）、weaviate（向量数据库）、nginx（反向代理）；
首次启动需要几分钟下载镜像。用docker compose ps确认所有服务都是running状态，然后访问http://localhost就能看到登录界面了。
接入本地Ollama模型
进入"设置→模型供应商”，选择Ollama，配置模型信息：
模型名称: deepseek-r1:7b
基础URL: http://host.docker.internal:11434
模型类型: 大语言模型
上下文长度: 4096
最大Token: 2048
这里有个坑：基础URL必须用host.docker.internal而不是localhost。因为Dify运行在Docker容器内，localhost指向的是容器自己，不是宿主机。Linux系统可能需要额外配置，在docker-compose.yml里给api服务加extra_hosts: ["host.docker.internal:host-gateway"]。
搭建知识库问答
创建知识库
“知识库→创建知识库”，上传你的文档。支持PDF、Word、Markdown、TXT、CSV等格式。
上传后Dify会自动执行文档解析→文本分块→向量化→索引存储的流水线。分块设置很关键：技术文档建议chunk_size=800、重叠=200；对话记录建议chunk_size=300、重叠=50。检索模式推荐"混合检索”，同时用向量检索和关键词检索，召回率比单一方式高不少。
创建应用
“工作室→创建应用”，选"聊天助手"类型。在编排界面里配置系统提示词：
你是公司内部的技术文档助手。请基于以下参考文档回答问题。
参考文档：
{{#context#}}
要求：
1. 严格基于参考文档回答，不编造
2. 文档中没有相关信息时，明确告知
3. 引用具体文档段落
上下文设置选刚才创建的知识库，Top-K设3-5，相似度阈值建议从0.5开始调。
搭建Agent应用
Dify的Agent功能让AI能自主调用工具。在"工作室→创建应用"选"Agent"类型；
内置工具包括搜索引擎、HTTP请求、代码执行器等。也可以添加自定义API工具——只需配置URL、参数、返回格式，Dify自动生成调用节点；
一个实用的Agent场景：内部运维助手，能查日志、查监控、重启服务。配置三个工具（日志查询API、监控查询API、运维命令API），Agent会根据用户问题自动选择调用哪个。
和其他方案的对比
Dify vs LangChain：Dify是产品，开箱即用；LangChain是框架，需要写代码。如果你的团队有开发能力且需求复杂，LangChain更灵活。如果需求相对标准且希望非技术人员也能用，Dify更合适；
Dify vs N8N：Dify专注AI应用，提示词编排和RAG管理做得好；N8N专注工作流自动化，服务集成能力强。两者可以配合使用。
写在最后
Dify真正解决的问题不是"能不能搭AI应用"，而是"谁来搭"。让产品经理和运营人员自己动手搭原型验证想法，开发团队专注在真正需要编码的复杂场景上。这才是效率最大化的分工方式。