Dify上手指南3步搭出你的第一个AI工作流应用【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify如果你写过哪怕几行调用大模型 API 的代码大概率被这三件事折磨过提示词调好了换一个模型就变脸、想让 AI 回答公司文档里的问题却得自己搭检索、演示时一切正常上线后却不知道哪一步出了错。Dify就是一个把这三件事都打包解决的开源平台——用可视化画布编排 AI 工作流、内置 RAG 知识库管道、接入数百种模型从原型验证到生产部署不需要重写一遍技术栈。它替你解决了哪些事很多团队的 AI 应用死在最后一公里Demo 用 Python 脚本写出来要给客户用就得重新搭接口、加日志、管模型密钥。Dify 的定位就是把这一整段工程化工作变成平台能力而不是你自己造的轮子。具体来说它把四件高频工作变成了点选操作编排LLM 调用、条件分支、代码执行、HTTP 请求全部是画布上的节点拖出来连线即可知识接入PDF、PPT、网页、Notion 的抓取、切分、向量化有现成管道模型管理数十家推理服务商、几百个 LLM 和 Embedding 模型统一接入随时切换对比运维可见每次运行的 token 消耗、耗时、输入输出都有记录配合 Langfuse 等工具做观测对新手最友好的地方在于不用先读懂任何一行源码浏览器打开控制台就能干活。四大核心能力拆解可视化 Workflow 画布像搭积木一样编排逻辑工作流是 Dify 的主战场。画布左侧是节点面板分为逻辑IF/ELSE、循环、迭代、转换代码、模板、变量聚合器、工具HTTP 请求、列表操作等类别把 LLM 节点、条件节点、结束节点依次连线右侧面板立刻可以单步试运行看到每个节点的输入、输出和耗时。一个典型的三段式流程START → LLM → ANSWER从新建到跑通通常不超过 5 分钟。调试面板会显示状态、耗时、token 总数哪个节点慢、哪一步吐错了一目了然。RAG 管道从文档喂入到检索召回的全链路知识库不是上传 PDF 就完事的黑盒。Dify 把 RAG 拆成一条可编辑的流水线数据源本地文件、Notion、Jina Reader、Firecrawl 网页抓取→ 文档抽取 → 通用切分 → 向量化入库。每一步都可以单独配置参数右侧还能实时测试这一批文档切分得干不干净。这意味着你可以针对自己的文档类型换切分策略、换抽取器而不是被默认参数绑死。Agent 能力给模型装上 50 多个现成工具基于 Function Calling 或 ReAct 模式定义 Agent 后从工具面板里勾选即可Bing 和 Google 搜索、DuckDuckGo、DALL·E 绘图、Notion 同步、WolframAlpha……50 多个内置工具开箱即用也支持通过自定义 API 接入自己的工具。下面这张图里一个旅行规划 Agent 正在实时调用 Google Search 来回答巴厘岛有什么推荐酒店。Prompt 与多模型对比换模型不用换应用同一套提示词可以在 GPT-4o、Llama 3 等不同模型之间一键切换对比效果对话类应用还能叠加开场白、语音转文字、文件上传、内容审核、引用溯源等开关。你调好的提示词绑定的是应用而不是某一家 API换模型只是一次点击的事。5 分钟上手路径前提一台 2 核 CPU、4 GiB 内存的机器装好 Docker 和 Compose v2.24.0。第 1 步一条命令拉起服务在仓库根目录的docker/下复制一份环境文件并启动cd docker cp .env.example .env docker compose up -dCompose 会把 Web 前端、API、Worker、Postgres、Redis、向量库、沙箱等服务一起拉起来本地架构长这样第 2 步浏览器初始化打开http://localhost/install注册第一个账号并创建 Workspace整个初始化流程就是填几个表单。第 3 步接入第一个模型在模型供应商里选一家你已有 Key 的服务商任何兼容 OpenAI API 的端点都可以填把 API Key 粘进去模型列表立刻可用。第 4 步建应用、调试、发布新建一个 Chatflow 或 Workflow拖几个节点连线点 Run 看到预期输出后右上角 Publish 即可对外提供服务所有能力同时暴露为 API可以直接嵌进你自己的业务系统。谁在真实场景里用它客服团队做企业问答机器人把产品手册、FAQ 灌进知识库用 Chatflow 应用接入回答自动附带引用出处用户问保修多久时能直接定位到对应文档段落而不是模型一本正经地编。产品团队做内部效率工具市场同事把竞品分析流程写成 Workflow——LLM 节点抓取要点、代码节点整理成表、HTTP 节点写回数据库——不写一行后端代码一个下午就能让每周人工整理变成一键跑完。独立开发者给游戏和网站配乐配内容把 DALL·E、Stable Diffusion 等生图工具挂到 Agent 上配合文本生成节点做出内容批量生成的流水线发布后通过 API 调用即可。技术底座与参与社区后端是 Pythonapi/前端是 TypeScriptweb/部署编排见docker/还有独立的 Agent 运行时dify-agent/和命令行工具cli/目录边界清晰想深入某一层都有明确的入口。项目欢迎所有形式的贡献读一下 CONTRIBUTING.md 就能找到适合新手的 issue翻译、文档、功能建议同样受欢迎。平台不神秘神秘的是你还没动手。找一个一直想自动化的小流程按上面四步跑起来——第一个应用发布的那一刻你才会真正感受到从原型到生产这句话的分量。【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/28 15:03:16 · 阅读 1.2k Dify上手指南：3步搭出你的第一个AI工作流应用
Dify上手指南3步搭出你的第一个AI工作流应用【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify如果你写过哪怕几行调用大模型 API 的代码大概率被这三件事折磨过提示词调好了换一个模型就变脸、想让 AI 回答公司文档里的问题却得自己搭检索、演示时一切正常上线后却不知道哪一步出了错。Dify就是一个把这三件事都打包解决的开源平台——用可视化画布编排 AI 工作流、内置 RAG 知识库管道、接入数百种模型从原型验证到生产部署不需要重写一遍技术栈。它替你解决了哪些事很多团队的 AI 应用死在最后一公里Demo 用 Python 脚本写出来要给客户用就得重新搭接口、加日志、管模型密钥。Dify 的定位就是把这一整段工程化工作变成平台能力而不是你自己造的轮子。具体来说它把四件高频工作变成了点选操作编排LLM 调用、条件分支、代码执行、HTTP 请求全部是画布上的节点拖出来连线即可知识接入PDF、PPT、网页、Notion 的抓取、切分、向量化有现成管道模型管理数十家推理服务商、几百个 LLM 和 Embedding 模型统一接入随时切换对比运维可见每次运行的 token 消耗、耗时、输入输出都有记录配合 Langfuse 等工具做观测对新手最友好的地方在于不用先读懂任何一行源码浏览器打开控制台就能干活。四大核心能力拆解可视化 Workflow 画布像搭积木一样编排逻辑工作流是 Dify 的主战场。画布左侧是节点面板分为逻辑IF/ELSE、循环、迭代、转换代码、模板、变量聚合器、工具HTTP 请求、列表操作等类别把 LLM 节点、条件节点、结束节点依次连线右侧面板立刻可以单步试运行看到每个节点的输入、输出和耗时。一个典型的三段式流程START → LLM → ANSWER从新建到跑通通常不超过 5 分钟。调试面板会显示状态、耗时、token 总数哪个节点慢、哪一步吐错了一目了然。RAG 管道从文档喂入到检索召回的全链路知识库不是上传 PDF 就完事的黑盒。Dify 把 RAG 拆成一条可编辑的流水线数据源本地文件、Notion、Jina Reader、Firecrawl 网页抓取→ 文档抽取 → 通用切分 → 向量化入库。每一步都可以单独配置参数右侧还能实时测试这一批文档切分得干不干净。这意味着你可以针对自己的文档类型换切分策略、换抽取器而不是被默认参数绑死。Agent 能力给模型装上 50 多个现成工具基于 Function Calling 或 ReAct 模式定义 Agent 后从工具面板里勾选即可Bing 和 Google 搜索、DuckDuckGo、DALL·E 绘图、Notion 同步、WolframAlpha……50 多个内置工具开箱即用也支持通过自定义 API 接入自己的工具。下面这张图里一个旅行规划 Agent 正在实时调用 Google Search 来回答巴厘岛有什么推荐酒店。Prompt 与多模型对比换模型不用换应用同一套提示词可以在 GPT-4o、Llama 3 等不同模型之间一键切换对比效果对话类应用还能叠加开场白、语音转文字、文件上传、内容审核、引用溯源等开关。你调好的提示词绑定的是应用而不是某一家 API换模型只是一次点击的事。5 分钟上手路径前提一台 2 核 CPU、4 GiB 内存的机器装好 Docker 和 Compose v2.24.0。第 1 步一条命令拉起服务在仓库根目录的docker/下复制一份环境文件并启动cd docker cp .env.example .env docker compose up -dCompose 会把 Web 前端、API、Worker、Postgres、Redis、向量库、沙箱等服务一起拉起来本地架构长这样第 2 步浏览器初始化打开http://localhost/install注册第一个账号并创建 Workspace整个初始化流程就是填几个表单。第 3 步接入第一个模型在模型供应商里选一家你已有 Key 的服务商任何兼容 OpenAI API 的端点都可以填把 API Key 粘进去模型列表立刻可用。第 4 步建应用、调试、发布新建一个 Chatflow 或 Workflow拖几个节点连线点 Run 看到预期输出后右上角 Publish 即可对外提供服务所有能力同时暴露为 API可以直接嵌进你自己的业务系统。谁在真实场景里用它客服团队做企业问答机器人把产品手册、FAQ 灌进知识库用 Chatflow 应用接入回答自动附带引用出处用户问保修多久时能直接定位到对应文档段落而不是模型一本正经地编。产品团队做内部效率工具市场同事把竞品分析流程写成 Workflow——LLM 节点抓取要点、代码节点整理成表、HTTP 节点写回数据库——不写一行后端代码一个下午就能让每周人工整理变成一键跑完。独立开发者给游戏和网站配乐配内容把 DALL·E、Stable Diffusion 等生图工具挂到 Agent 上配合文本生成节点做出内容批量生成的流水线发布后通过 API 调用即可。技术底座与参与社区后端是 Pythonapi/前端是 TypeScriptweb/部署编排见docker/还有独立的 Agent 运行时dify-agent/和命令行工具cli/目录边界清晰想深入某一层都有明确的入口。项目欢迎所有形式的贡献读一下 CONTRIBUTING.md 就能找到适合新手的 issue翻译、文档、功能建议同样受欢迎。平台不神秘神秘的是你还没动手。找一个一直想自动化的小流程按上面四步跑起来——第一个应用发布的那一刻你才会真正感受到从原型到生产这句话的分量。【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考