Dify 平台实践
学习目标：掌握 Dify 的部署方式和核心功能，能用工作流编排器搭建多步骤 Agent，理解 Dify 与 Coze 的架构差异
预计时间：40 分钟
难度等级：⭐⭐⭐☆☆
一、Dify 是什么
先说结论：Dify 是 Coze 的"高配版"。更灵活，但也更复杂。
Coze 像自动挡汽车——踩油门就走。Dify 像手动挡——你可以控制每一个齿轮，但需要更多学习。
Dify 的核心卖点有三个：
- 开源：代码在 GitHub 上，可以自己部署，数据完全可控
- 工作流编排：可视化的流程设计器，比 Coze 更灵活
- 模型无关：OpenAI、Claude、豆包、DeepSeek 随意切换
二、部署方式
Dify 提供两种部署方式，适合不同场景：
2.1 云端版（最快上手）
直接访问 https://cloud.dify.ai 注册使用。
| 优点 | 缺点 |
|---|---|
| 零部署，注册即用 | 数据存在 Dify 服务器上 |
| 免费额度够个人学习 | 高级功能需要付费 |
| 自动更新 | 国内访问可能偏慢 |
适合谁？
先用云端版学习。等你真的要在企业里用，再考虑本地部署。
2.2 本地 Docker 部署（数据完全自控）
前置条件：需要安装 Docker 和 Docker Compose。
# 1. 克隆 Dify 仓库
git clone https://github.com/langgenius/dify.git
# 2. 进入 docker 目录
cd dify/docker
# 3. 复制环境变量模板
cp .env.example .env
# 4. 启动（首次会拉取镜像，需要几分钟）
docker compose up -d
# 5. 打开浏览器访问
# http://localhost/install首次访问会进入安装向导，设置管理员账号。整个过程大约 10 分钟。
| 优点 | 缺点 |
|---|---|
| 数据完全在本地 | 需要一台服务器（最低 2 核 4G） |
| 无调用限制（自备模型 API Key） | 需要基础 Docker 知识 |
| 可以接内网服务 | 升级需要手动操作 |
2.3 两种方式对比
| 维度 | 云端版 | 本地部署 |
|---|---|---|
| 上手时间 | 2 分钟 | 10-30 分钟 |
| 数据安全 | 依赖 Dify 云 | 完全自控 |
| 成本 | 免费额度 + 付费升级 | 服务器成本 + 模型 API 费用 |
| 适合场景 | 学习、个人项目 | 企业、敏感数据 |
三、工作流编排器详解
Dify 的核心功能是工作流编排器。这是它和 Coze 最大的区别——Coze 也有工作流，但 Dify 的更灵活、更强大。
3.1 什么是工作流？
工作流就是把 Agent 的行为拆成一串步骤，每一步有明确的输入和输出。
用户提问 → 意图识别 → 知识库检索 → LLM 总结 → 输出回答在 Dify 里，这些步骤是一个个"节点"，你把它们用线连起来，像画流程图一样。
3.2 核心节点类型
| 节点类型 | 功能 | 类比 |
|---|---|---|
| 开始（Start） | 定义工作流的输入变量 | 函数的参数 |
| LLM | 调用大语言模型处理文本 | 大脑 |
| 知识检索 | 从知识库中搜索相关内容 | 查资料 |
| 条件分支（IF/ELSE） | 根据条件走不同路径 | 分岔路口 |
| 代码执行 | 运行 Python/JavaScript 代码 | 计算器 |
| HTTP 请求 | 调用外部 API | 打电话给其他系统 |
| 变量聚合 | 合并多个分支的结果 | 汇总报告 |
| 结束（End） | 定义工作流的输出 | 函数的返回值 |
3.3 搭建一个简单工作流
案例：智能客服工作流
开始 → LLM（意图识别）→ 条件分支 → 三个分支处理 → 变量聚合 → 结束步骤 1：创建工作流
在 Dify 首页点击"创建空白应用" → 选择"工作流"类型 → 命名。
步骤 2：配置开始节点
设置输入变量：
- 变量名：
user_query - 类型：文本（String）
- 说明：用户的问题
步骤 3：添加 LLM 节点（意图识别）
- 模型：选择你配置好的模型（如 GPT-4o 或 DeepSeek）
- System Prompt：
你是一个意图分类器。根据用户的问题，判断意图属于哪一类：
- "product"：产品咨询（价格、功能、对比）
- "support"：售后支持（退货、维修、投诉）
- "general"：一般问题（营业时间、地址、联系方式）
只输出分类标签，不要解释。- 输入：
步骤 4：添加条件分支
根据 LLM 节点的输出，走不同路径：
IF 输出 == "product" → 产品咨询处理
ELSE IF 输出 == "support" → 售后处理
ELSE → 一般问题处理步骤 5：每个分支添加 LLM 节点
分别配置不同的人设和知识库：
- 产品咨询分支：接产品知识库，用销售助手人设
- 售后支持分支：接售后知识库，用客服人设
- 一般问题分支：接公司信息知识库
步骤 6：变量聚合 + 结束
把三个分支的输出汇聚到一个变量，作为最终回答输出。
四、LLM 节点配置
LLM 节点是工作流里最核心的节点。配置好它，Agent 的回答质量就决定了。
4.1 关键配置项
| 配置项 | 说明 | 建议 |
|---|---|---|
| 模型选择 | 用哪个 LLM | 简单任务用便宜模型（GPT-4o-mini），复杂任务用好模型（GPT-4o） |
| System Prompt | LLM 的行为指令 | 越具体越好 |
| Temperature | 回答的创造性/随机性 | 客服场景用 0.1-0.3，创意场景用 0.7-0.9 |
| Max Tokens | 回答的最大长度 | 根据场景设置，避免浪费 |
| 上下文变量 | 从前面的节点传入的变量 | 用 |
4.2 变量传递
工作流的核心优势就是变量在节点间流转。每个节点可以接收前面节点的输出，处理后把结果传给下一个节点。
开始节点输出：user_query
↓
LLM 节点输入：{{user_query}} 输出：intent_type
↓
条件分支判断：intent_type == "product"?
↓ (yes)
知识检索输入：{{user_query}} 输出：search_results
↓
LLM 节点输入：{{user_query}} + {{search_results}} 输出：final_answer这种"数据流"的设计，让你可以精确控制每一步 Agent 拿到什么信息、做出什么决策。
五、与 Coze 的架构差异
5.1 核心差异对比
| 维度 | Coze | Dify |
|---|---|---|
| 设计理念 | 产品驱动，简单好用 | 技术驱动，灵活可定制 |
| 工作流 | 有，但节点类型有限 | 丰富，支持代码节点、HTTP 请求等 |
| 部署 | 纯 SaaS，不能本地部署 | 开源，可本地部署 |
| 模型管理 | 平台内置模型 | 自己配置 API Key，支持所有主流模型 |
| 数据安全 | 数据在字节跳动服务器 | 自部署时数据完全自控 |
| 调试能力 | 基础预览 | 详细日志、节点级别调试 |
| 版本管理 | 基础 | 支持版本回滚 |
| API 集成 | 有，但功能有限 | 完整的 API，支持 Webhook |
5.2 什么时候用 Coze，什么时候用 Dify？
你的场景是什么？
│
├─ 快速验证想法、个人使用 → Coze
├─ 需要发到微信/豆包等国内渠道 → Coze
│
├─ 需要本地部署、数据不能外传 → Dify
├─ 需要复杂的多步骤工作流 → Dify
├─ 需要接大量自定义 API → Dify
├─ 需要精细的调试和日志 → Dify
│
└─ 不确定 → 两个都试试，不花钱花叔的观点
Coze 和 Dify 不是竞争关系，是互补关系。先用 Coze 验证想法，确认需求后再用 Dify 做生产级方案。很多团队的实际工作流就是这样的。
六、适用场景分析
6.1 Dify 最适合的场景
| 场景 | 为什么 Dify 更合适 |
|---|---|
| 企业客服系统 | 数据不能外传，需要本地部署 |
| 数据处理流水线 | 工作流编排 + 代码执行节点 |
| 多模型 A/B 测试 | 同一工作流中切换不同模型对比效果 |
| API 聚合服务 | 多个 HTTP 请求节点串联 |
| 内容审核系统 | 条件分支 + 多级审核工作流 |
6.2 Dify 不太适合的场景
| 场景 | 为什么不合适 | 更好的选择 |
|---|---|---|
| 快速做个 demo 给老板看 | 配置工作流需要时间 | Coze |
| 个人知识库问答 | 杀鸡用牛刀 | Coze 或 FastGPT |
| 不想管服务器 | 需要自己部署和维护 | Coze 云端版 |
七、常见问题
Q1：Dify 自部署需要什么配置？
最低配置：2 核 CPU、4GB 内存、20GB 磁盘。推荐配置：4 核 CPU、8GB 内存、50GB 磁盘。
Q2：Dify 支持哪些模型？
几乎所有主流模型：OpenAI GPT 系列、Claude、Gemini、DeepSeek、Kimi、GLM、Llama、Mistral 等。只要模型提供兼容 OpenAI 格式的 API，就能接入。
Q3：Dify 工作流和 Coze 工作流能互相迁移吗？
不能。两者的工作流格式不同，需要手动重新搭建。
本节小结
回顾要点
✅ Dify 是开源的 Agent 开发平台，核心优势是灵活的工作流编排和可本地部署
✅ 部署分两种：云端版（2 分钟上手）和本地 Docker（10 分钟，数据自控）
✅ 工作流编排器是 Dify 的核心——把 Agent 行为拆成节点，用线连成流程图
✅ 变量在节点间流转，实现精确的信息控制和决策逻辑
✅ Coze 和 Dify 是互补关系，不是竞争关系——先 Coze 验证，再 Dify 深化