当前位置： 首页 > news >正文

Dify 开源 AI 平台入门：从账号开通到核心界面与功能详解

news 2026/7/4 15:05:39

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

Dify 是一个开源的 AI 应用开发平台，它让开发者、产品经理甚至业务人员能够通过可视化的工作流编排，快速构建和部署基于大语言模型的智能应用。对于刚接触 Dify 的用户来说，第一步往往不是直接开始构建复杂的智能体，而是需要先完成账号开通，并熟悉其核心界面与功能模块。这一步看似简单，却决定了后续能否高效地使用平台。一个清晰的界面导览能帮助你快速定位到“工作流”、“知识库”、“模型配置”等关键区域，避免在后续开发中迷失方向。本文将带你从零开始，完成 Dify 的账号开通，并详细解析其管理后台的每一个核心界面与功能，为你后续构建 RAG 应用、智能体工作流打下坚实基础。

1. 开通 Dify 账号：云端与本地部署的选择

在开始使用 Dify 之前，你需要先获得一个可访问的 Dify 实例。这通常有两种方式：使用官方提供的云端 SaaS 服务，或者在本地或自己的服务器上进行私有化部署。选择哪种方式取决于你的使用场景、数据安全要求和开发需求。

1.1 云端 SaaS 服务：快速开始体验

对于大多数初次体验和快速原型验证的用户，直接使用 Dify 官方提供的云端服务是最便捷的选择。它无需你准备服务器、安装 Docker 或配置环境，注册即用。

操作步骤：

  1. 访问 Dify 官方网站。
  2. 在首页找到并点击 “Get Started” 或 “Sign Up” 按钮。
  3. 通常支持使用 GitHub 账号、Google 账号或邮箱进行注册。选择你熟悉的方式完成注册流程。
  4. 注册成功后，系统会自动为你创建一个工作空间（Workspace），并引导你进入 Dify 的管理后台。

云端服务的优势与局限：

  • 优势：开箱即用，免运维，自动升级，可以快速体验 Dify 的全部功能。
  • 局限：存在使用限制（如 API 调用次数、知识库文档数量等），数据存储在云端，对于高度敏感的业务数据可能不够安全。高级功能和企业级支持可能需要付费订阅。

注意：使用云端服务时，请务必仔细阅读其服务条款和隐私政策，了解数据存储和处理的相关规定。

1.2 本地/私有化部署：掌握完全控制权

如果你需要将 Dify 用于企业内网、处理敏感数据，或者希望进行深度定制和集成，私有化部署是更合适的选择。Dify 官方推荐使用 Docker Compose 进行部署，这能最大程度地保证环境一致性。

部署前环境准备：在部署之前，请确保你的服务器或本地开发机满足以下基本要求：

  • 操作系统：Linux (如 Ubuntu 20.04+， CentOS 7+)， macOS， 或 Windows (通过 WSL2 或 Docker Desktop)。
  • Docker：版本 20.10.0 或更高。
  • Docker Compose：版本 2.0.0 或更高。
  • 硬件资源：建议至少 4GB 内存，2核 CPU。运行知识库索引或复杂工作流时需要更多资源。
  • 网络：能够访问 Docker Hub 或配置了国内镜像源，以拉取必要的镜像。

使用 Docker Compose 一键部署：这是最常用的部署方式。首先，创建一个项目目录并下载官方提供的docker-compose.yaml文件。

# 创建一个目录用于存放 Dify 相关文件 mkdir dify && cd dify # 从 GitHub 仓库下载最新的 docker-compose 配置文件 # 注意：请始终从官方仓库获取最新版本，以下链接仅为示例，版本号可能变化 curl -o docker-compose.yaml https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml # 如果你在国内，下载速度慢，可以尝试使用代理或从 Gitee 镜像获取 # curl -o docker-compose.yaml https://gitee.com/langgenius/dify/raw/main/docker/docker-compose.yaml

下载完成后，你可以直接启动所有服务：

# 在后台启动所有容器 docker-compose up -d

这个命令会拉取 PostgreSQL、Redis、Web 服务、API 服务等所有必需的 Docker 镜像，并启动容器。首次启动可能需要几分钟时间。

验证部署是否成功：启动完成后，在浏览器中访问http://你的服务器IP:3000（默认前端端口是 3000）。如果看到 Dify 的登录/注册界面，说明部署成功。

初始账号设置：首次访问部署好的 Dify 实例，你需要创建一个管理员账号。

  1. 在登录界面点击“注册”。
  2. 输入你的邮箱、用户名和密码，完成管理员账号的注册。
  3. 登录后，你就进入了 Dify 的管理后台。这个环境完全由你掌控，数据也存储在你自己的服务器上。

2. Dify 管理后台核心界面导览

成功登录 Dify 后，你会进入其管理后台。整个界面可以划分为几个核心功能区：顶部导航栏、左侧主菜单、中央工作区。理解每个区域的作用，是高效使用 Dify 的关键。

2.1 顶部导航栏：全局控制与切换

顶部导航栏通常包含以下元素：

  • 工作空间切换器：如果你有多个团队或项目，可以在这里切换不同的工作空间。每个工作空间的应用、知识库、对话记录等数据是隔离的。
  • 用户菜单：点击你的头像或用户名，可以下拉菜单，进行个人设置、查看系统状态、切换主题（深色/浅色模式）以及退出登录。
  • 系统状态/通知：有时会显示系统消息或通知图标。

2.2 左侧主菜单：功能入口矩阵

左侧菜单是 Dify 所有核心功能的入口，也是我们重点讲解的部分。菜单项可能因版本略有不同，但核心模块如下：

1. 应用（Applications）这是 Dify 的核心。你创建的所有 AI 应用（智能体、聊天机器人、工作流应用）都在这里管理。

  • 我的应用：列出你创建的所有应用。你可以在这里创建新应用、编辑已有应用、查看应用的分析数据。
  • 创建应用：点击后进入应用创建向导，可以选择创建“对话型应用”（基于提示词工程）或“工作流应用”（基于可视化编排）。

2. 工作流（Workflow）这是 Dify 最具特色的功能模块，采用可视化、拖拽式的节点编排来构建复杂的 AI 处理逻辑。

  • 工作流画布：进入后是一个空白的画布，你可以从左侧的节点库中拖拽各种节点（如 LLM、知识库检索、代码执行、条件判断、HTTP 请求等）到画布上，并用连线定义它们的执行顺序和数据流。
  • 工作流列表：管理所有已创建的工作流，可以复制、导出、导入或删除。

3. 知识库（Knowledge Base）用于管理提供给 AI 模型进行检索增强生成（RAG）的文档数据。

  • 知识库列表：显示所有已创建的知识库。每个知识库可以包含多个文档。
  • 创建/管理知识库：可以上传文本、PDF、Word、Excel、PPT、TXT 等多种格式的文件。Dify 会自动进行文本提取、分块、向量化并存入向量数据库。
  • 文档处理状态：上传后可以查看文档的索引状态（处理中、成功、失败），并支持重新索引或删除文档。

4. 模型供应商（Model Providers）配置 Dify 可以调用的各种大语言模型。这是让 Dify “动起来”的关键配置。

  • 供应商列表：显示已配置的模型供应商，如 OpenAI、Azure OpenAI、Anthropic、Ollama（本地模型）、通义千问、DeepSeek 等。
  • 添加供应商：点击后，选择供应商类型，然后填入对应的 API Key、Base URL（如果需要）等认证信息。例如，配置 OpenAI 需要填入OPENAI_API_KEY。

5. 插件（Plugins）与工具（Tools）用于扩展 AI 应用的能力，使其能够执行特定操作，如查询天气、搜索网页、操作数据库等。

  • 可用插件：展示从 Dify 市场或社区获取的插件。
  • 自定义工具：你可以通过编写 API 或配置 HTTP 请求来创建自己的工具，供工作流中的“工具调用”节点使用。

6. 日志与审计（Logging & Audit）用于监控和调试应用运行情况。

  • 应用日志：查看每个应用被调用时的详细输入、输出、所用模型、消耗的 Token 数以及耗时。这是排查“为什么 AI 回答不对”或“为什么响应慢”的首要位置。
  • 工作流运行记录：对于工作流应用，可以查看每一次执行的完整链路，包括每个节点的输入输出，便于调试复杂的流程逻辑。

7. 数据集（Datasets）与标注（Annotations）部分版本中，用于管理更结构化的训练或评估数据。

8. 成员与权限（Team & Members）在团队版或企业版中，用于管理团队成员，并分配不同的角色和权限（如管理员、开发者、运营者）。

2.3 中央工作区：核心操作面板

根据你在左侧菜单选择的不同功能，中央工作区会呈现不同的界面：

  • 应用配置页：当你创建或编辑一个“对话型应用”时，这里会显示提示词编排、对话开场白、上下文长度、模型选择等配置项。
  • 工作流画布：当你编辑工作流时，这里就是进行拖拽编排的舞台。
  • 知识库详情页：显示某个知识库中的所有文档，支持上传、预览、设置检索参数等。
  • 数据表格/列表：如应用列表、日志列表，提供搜索、筛选和分页功能。

3. 创建你的第一个应用：从对话型应用开始

为了将界面知识与实际操作结合，我们通过创建一个最简单的“对话型应用”来串联核心功能。

3.1 创建应用并配置基础信息

  1. 在左侧菜单点击“应用”->“创建应用”。
  2. 选择“对话型应用”。给它起一个名字，例如“我的第一个助手”，并选择一张图标。
  3. 点击创建，进入应用配置界面。

3.2 配置提示词与模型

这是对话型应用的核心。

  • 提示词编排：在“提示词”选项卡中，系统会提供一个默认的提示词模板。你可以修改它来定义 AI 的角色和行为。例如：
    你是一个乐于助人的AI助手。请用中文，以友好、清晰的方式回答用户的问题。如果问题涉及你不知道的信息，请如实告知。
  • 模型选择：在“模型”区域，点击下拉框。如果你之前已经在“模型供应商”中配置了 OpenAI，这里就能看到可选的模型（如 gpt-3.5-turbo, gpt-4）。选择一个模型。
  • 对话开场白：你可以设置一段话，在用户第一次进入对话时自动发送，引导用户。例如：“你好！我是你的AI助手，有什么可以帮你的？”

3.3 发布与测试应用

  1. 完成基础配置后，点击右上角的“发布”按钮。
  2. 发布后，页面会刷新，右侧会出现一个“预览”窗口。
  3. 在预览窗口的输入框里，尝试问一个问题，比如“你好，介绍一下你自己”。如果配置正确，AI 会基于你的提示词进行回复。
  4. 同时，你可以点击顶部的“访问地址”或“分享”，获得一个独立的 URL，其他人可以通过这个链接直接与你的 AI 应用对话。

4. 关键配置详解：模型供应商与知识库

要让 Dify 应用真正发挥能力，两个外部资源的配置至关重要：大语言模型和知识库。

4.1 配置模型供应商：以 OpenAI 和 Ollama 为例

没有模型，Dify 只是一个空壳。你必须至少配置一个可用的模型供应商。

配置 OpenAI / Azure OpenAI：

  1. 进入“模型供应商”->“添加模型供应商”。
  2. 在列表中找到“OpenAI”或“Azure OpenAI”。
  3. 对于 OpenAI：
    • API Key：填入你在 OpenAI 平台申请的密钥。
    • 组织ID：可选，如果你属于某个组织。
  4. 对于 Azure OpenAI：
    • API Key：填入 Azure 门户中获取的密钥。
    • API Base：填入你的 Azure OpenAI 终结点，格式如https://your-resource.openai.azure.com。
    • API Version：填入 API 版本号，如2024-02-15-preview。
    • 部署名称：填入你在 Azure 上部署的模型名称。
  5. 点击“保存”，系统会测试连接是否成功。

配置 Ollama（本地模型）：如果你希望在本地或内网运行开源模型（如 Llama 3, Qwen2.5），Ollama 是一个优秀的选择。

  1. 确保你已在运行 Dify 的同一台机器或同一网络内安装并启动了 Ollama，并拉取了模型（例如ollama pull qwen2.5:7b）。
  2. 在 Dify 的模型供应商页面，点击“添加模型供应商”。
  3. 找到“Ollama”。
  4. 通常只需要配置Ollama 服务地址，默认为http://host.docker.internal:11434。如果 Dify 和 Ollama 不在同一台机器，需要填写 Ollama 服务的实际 IP 和端口。
  5. 保存后，在创建应用选择模型时，就能看到从 Ollama 拉取到的本地模型列表了。

4.2 创建与使用知识库：构建专属知识大脑

知识库是实现 RAG 的关键，它让 AI 能够回答你提供的特定领域知识。

创建并填充知识库：

  1. 进入“知识库”->“创建知识库”。
  2. 输入知识库名称，如“公司产品手册”。
  3. 创建后，进入该知识库，点击“上传文件”或“同步”（支持从网站抓取）。
  4. 上传一个 PDF 或 Word 文档。系统会开始异步处理文档，包括文本提取、分块、向量化。
  5. 在“文档处理方式”中，注意两个关键参数：
    • 分段处理规则：决定文档如何被切分成片段（chunks）。通常按字符数或段落分割。
    • 文本清洗规则：是否移除冗余的换行符、URL 等。

在应用或工作流中调用知识库：

  • 对于对话型应用：在应用配置的“提示词”区域，可以添加一个“上下文”区块，并关联上一步创建的知识库。这样，用户提问时，系统会先从知识库检索相关片段，再连同问题和片段一起发送给 LLM 生成答案。
  • 对于工作流应用：可以直接从节点库拖拽一个“知识库检索”节点到画布上，在节点配置中选择目标知识库，并将其连接到 LLM 节点之前。

5. 常见问题排查与配置清单

在实际使用中，你可能会遇到一些典型问题。以下是一些常见问题的排查思路和一份部署配置检查清单。

5.1 常见问题排查表

问题现象可能原因检查与解决步骤
应用无法回答，提示“模型未配置”或“LLM 提供者的密钥未设置”1. 未配置任何模型供应商。
2. 配置的模型供应商 API Key 错误或过期。
3. 在应用中没有选择已配置的模型。		1. 进入“模型供应商”检查是否已添加并成功连接。
2. 重新核对 API Key、Base URL 等配置信息。
3. 编辑应用，在模型选择下拉框中确认已选中一个可用模型。
知识库上传文档后，应用检索不到相关信息1. 文档仍处于“索引中”状态。
2. 检索参数（如 Top K）设置过小。
3. 文档分块方式不合理，导致检索不到关键信息。
4. 应用未正确关联知识库。		1. 在知识库文档列表查看处理状态，等待完成或重新索引。
2. 在应用或检索节点配置中调大“最大召回数量”。
3. 尝试调整知识库的分段规则（如减小分块大小）。
4. 确认应用提示词上下文或工作流中已添加并连接了知识库检索节点。
Docker 部署后，访问localhost:3000无法连接1. Docker 容器启动失败。
2. 端口被占用。
3. 防火墙或安全组策略阻止。		1. 运行docker-compose ps查看容器状态，运行docker-compose logs查看具体错误日志。
2. 运行netstat -tlnp | grep :3000检查端口占用，修改docker-compose.yaml中的端口映射（如3001:3000）。
3. 检查服务器防火墙是否放行了 3000 端口。
工作流运行失败，某个节点报错1. 节点配置参数错误（如 API 地址、请求格式）。
2. 节点之间的输入输出变量名不匹配。
3. 前置节点执行失败，导致后续节点无输入。		1. 双击报错节点，仔细检查所有必填参数。
2. 检查节点间连线的变量映射，确保上游节点的输出变量名在下游节点的输入框中被正确引用。
3. 查看工作流运行日志，定位第一个出错的节点。
应用响应速度非常慢1. 使用的云端模型 API 延迟高。
2. 知识库检索的文档块过多或向量数据库慢。
3. 工作流过于复杂，串行节点多。		1. 尝试切换其他模型或供应商。
2. 优化知识库分块，减少单次检索的 Top K 值。
3. 审查工作流，将可以并行的分支改为并行执行。

5.2 首次部署与配置检查清单

在完成 Dify 部署和初步配置后，建议按照以下清单进行检查，确保基础环境就绪：

  1. 部署检查：

    • [ ] 所有 Docker 容器状态均为Up(docker-compose ps)。
    • [ ] 能通过http://<IP>:3000正常访问登录页面。
    • [ ] 能成功注册管理员账号并登录。

  2. 模型供应商检查：

    • [ ] 至少成功配置一个模型供应商（如 OpenAI/Ollama）。
    • [ ] 在“模型供应商”页面，该供应商状态显示为“正常”或测试连接成功。
    • [ ] 在创建应用时，可以在模型下拉列表中看到该供应商的模型。

  3. 知识库功能检查：

    • [ ] 能成功创建一个知识库。
    • [ ] 能上传一个测试文档（如 TXT 文件）并成功完成索引（状态为“已完成”）。
    • [ ] 在知识库详情页能预览到提取的文本内容。

  4. 应用创建与测试检查：

    • [ ] 能成功创建一个“对话型应用”。
    • [ ] 能为该应用配置提示词并选择一个可用模型。
    • [ ] 能成功发布应用，并在右侧预览窗格中进行对话测试，获得正常回复。

完成以上四点检查，说明你的 Dify 平台已经基本就绪，可以开始探索更高级的工作流编排、插件集成等功能了。

6. 下一步：从界面熟悉到深度实践

熟悉界面和完成基础配置只是第一步。要真正利用 Dify 构建有价值的 AI 应用，建议你按以下路径深入：

  1. 深入工作流：尝试构建一个包含“条件判断”、“HTTP 请求”（调用外部 API）、“代码执行”节点的复杂工作流。例如，创建一个根据用户输入城市，先查询天气，再根据天气情况生成穿衣建议的智能体。
  2. 探索插件市场：访问 Dify 插件市场，将一些现成的插件（如网页搜索、学术搜索）安装到你的工作空间，并在工作流中调用它们，扩展 AI 的能力边界。
  3. 优化 RAG 效果：知识库的效果直接影响答案质量。实践不同的文本分段策略、尝试使用“重排序”模型来优化检索结果、给知识库文档添加元数据（如标题、来源）进行过滤。
  4. 关注日志与迭代：养成查看应用日志和工作流运行记录的习惯。通过分析实际交互中的输入输出，不断优化你的提示词、工作流逻辑和知识库内容。

Dify 的强大之处在于它将 AI 应用开发的复杂性封装在了直观的界面之后。当你掌握了其界面布局和核心模块的联动关系后，剩下的就是将你的业务逻辑，通过拖拽和配置，转化为可运行的智能应用。从开通账号、认识界面开始，你已经走上了这条低代码构建 AI 能力的快速通道。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

http://www.gsyq.cn/news/1634368.html

相关文章：

  • MLFlow实战指南：构建可复现、可审计、可回滚的模型交付流程
  • 2026–2028大模型技术拐点：8个产线验证的工程突破
  • Si5351A与TM4C129ENCPDT构建可编程时钟系统
  • 基于YOLO的智能口罩检测系统开发实战
  • OpenClaw AI智能体Windows部署与安全实践指南
  • 终极免费重复文件清理神器：dupeGuru完整使用指南
  • 三阶段掌握evbunpack：Enigma Virtual Box解包终极指南
  • Android系统级证书信任：三步实现Burp Suite HTTPS流量全局拦截
  • 基于YOLOv8n的沥青路面裂缝智能检测系统开发
  • 纳米无人机自主导航：技术挑战与轻量化解决方案
  • 基于YOLOv11的桥梁裂缝智能检测系统设计与实现
  • 学生党AI工具选择指南：GPT-4 Turbo与Grok的场景化决策逻辑
  • 基于YOLOv10的昆虫检测系统开发与实践
  • 基于YOLOv10的电子元器件自动识别系统开发
  • 基于CBAM-YOLOv7的交通信号灯识别系统设计与实现
  • SQL注入实战：基于PHPStudy与SQLi-Labs的本地靶场搭建与手工注入全解析
  • Postman便携版实战指南：原理、配置与高级应用场景
  • 大模型后Scaling Law时代：8个关键技术拐点解析
  • VLA高效化陷阱：模型压缩不是万能解，数据管道才是真瓶颈
  • Prompt与Finetune如何选：基于任务结构强度的工程决策指南
  • KNN算法超参数调优实战与鸢尾花分类应用
  • 2022年8月AI趋势：大模型轻量化与生成式AI工业化落地
  • AI工具助力研究生开题报告写作：9款实用工具与技巧
  • 深度学习算法速查表：类型、应用与典型示例
  • C语言实现SM3国密算法：从原理到工程实践完整指南
  • 国产大模型写代码实战指南：GLM、Kimi、Minimax、豆包四大引擎选型对比
  • DCT与小波变换结合的图像压缩技术实践
  • Mac Mouse Fix终极指南：让你的普通鼠标在macOS上超越苹果触控板体验
  • 零代码AI智能体创建工具实战指南
  • 告别链接失效！5分钟搭建网易云音乐永久解析服务