2026/8/20 18:50:22
FEATURED · 精选文章 
零基础 3 小时跑通 Dify 工作流搭一个会查知识库的智能客服【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凌晨一点做电商的朋友甩来一段语音换模型要重写一半代码知识库答非所问后天就要上线。Dify 就是治这个场景的开源智能体工作流开发平台核心玩法只有一句用 Dify 工作流把大模型、工具、知识库拖进同一块可视化画布从原型到生产不用重建堆栈。这篇不写功能说明书我带你沿一条主线走先把服务跑起来再逐个攻破四道关卡最后把一个会查知识库的客服机器人亲手推到上线。想边读边点代码的项目里这几个目录值得收藏部署编排看 docker/docker-compose.yaml对话接口源码在 api/controllers/service_api/app/completion.py语音接口在 api/controllers/service_api/app/audio.py。先把服务跑起来30 分钟用 Docker Compose 部署本地 Dify别急着研究架构最快的成就感来自浏览器里能聊上。准备一台 2 核 CPU、4G 内存以上的机器云服务器或自己的电脑都行装好 Docker 和 Docker Compose。拉代码并进入 docker 目录git clone https://gitcode.com/GitHub_Trending/di/dify cd dify/docker cp .env.example .env # 默认配置够用先别动 docker compose up -d等两三分钟浏览器打开http://localhost/install按引导初始化管理员账号。新建一个聊天助手应用在模型供应商页填一个模型密钥右侧调试台立刻就能对话。跑通之后用下面这段最简代码就能在本地验证接口通了没有。它做了一件事往/v1/chat-messages发一句话拿到模型回答。App 的 API 密钥在应用设置里生成。import requests API_KEY app-xxxxxxxx # 换成你自己的应用密钥 resp requests.post( http://localhost/v1/chat-messages, headers{Authorization: fBearer {API_KEY}}, json{ inputs: {}, query: 你好介绍一下你自己, response_mode: blocking, # 关掉流式先求简单 user: demo-user, }, ) print(resp.json()[answer]) # 打印模型回复走到这步你就拥有一个能跑多轮对话的最小 Dify。四步里任何一步卡住九成是端口被占或内存不够docker compose logs api会告诉你真相。第一关让 AI 先会说人话——Dify 多模型接入配置是什么Dify 不绑死任何一家模型。OpenAI、Anthropic、Gemini、ChatGLM、Azure OpenAI 都能接甚至兼容 OpenAI API 的自建模型服务也能用同一套配置塞进来。想换模型时改的是页面里的一个下拉框而不是代码。怎么配设置 → 模型供应商 → 选厂商 → 填 API Key → 把某个模型设为默认。回到应用的提示词编排里选模型、写系统提示词发一条消息测过就行。翻车点别以为填了 Key 就完事——每个厂商要单独配一遍如果报provider_not_initialize多半是没把模型设为默认而不是 Key 写错。拿不准就回模型供应商页点测试它会直接告诉你问题出在哪。第二关把判断变成节点——Dify 工作流节点配置模型能说话了但它只会一口气回答分不清问发货和问退款该用哪种口吻。第二关就是把流程画出来。是什么画布上的每个方块LLM、知识检索、HTTP 请求、代码执行、条件分支都是一个节点节点用线连起来就是你的业务逻辑。你可以先在草稿纸上画流程再到画布上还原它。怎么配新建工作流类型应用拖出 Start → LLM → End 三个节点把用户输入接到 LLM 的输入变量点运行看输出确认无误后点发布。翻车点变量名和节点输出格式对不上是最高频报错另一个坑是测试通过不等于上线生效不点发布外面永远调的是旧版本。很多人在这卡半小时其实只差一次点击。第三关把公司文档变成答案来源——Dify RAG 知识库问答画布能跑通对话了可一问退货运费谁出AI 就开始一本正经地编。它不缺聪明缺的是资料。第三关就是给它补一份内部资料。是什么RAG检索增强生成的完整链路是切文档 → 建索引 → 提问时先检索 → 再让模型基于检索结果回答。Dify 的 RAG 流水线把文档解析、分块、入库全做成了可视化节点你只管拖。怎么配创建知识库 → 上传文档PDF、PPT、Word、网页链接都行→ 选分段大小和索引方式 → 回到应用的提示词编排里添加知识库把检索结果作为上下文变量喂给 LLM。翻车点分段太碎回答缺头缺尾分段太大每次问答都烧一堆 token。先用默认分段跑一轮再根据实际回答微调。检索模式优先选混合检索通常比纯向量更稳。第四关给机器人装上手脚——Dify Agent 智能体搭建知识库让 AI 有据可依但遇到帮我算一下运费差价这种动作它只会说不会做。第四关给它装手脚。是什么Agent 模式下模型能自己决定要不要调用工具、调哪个再拿着工具结果继续推理。Dify 内置了 50 现成工具搜索、绘图、计算等触发方式分 Function Calling 和 ReAct 两种。怎么配应用类型选智能体在工具面板勾选需要的工具。想用自定义工具写一份 OpenAPI 描述就能导入不用写插件。翻车点工具开得越多模型越容易选错先只开两三个必要的报tool not found大多是工具描述写得太含糊给每个工具写清楚什么时候该用它。同一个工作流串到底零代码搭建 AI 客服机器人全流程回到开头那个电商朋友。他的需求很具体用户问订单、退款、发货答案必须从售后 FAQ 里来答不上来的别硬编转人工。我用前面四关攒下的能力给他搭了这么一条流程落地其实就三件事把售后 FAQ 文档建成一个知识库在第二关那个画布里加上知识检索和条件分支节点规定答案只能来自检索结果最后把兜底分支指向人工客服入口。调试时最爽的一点右侧预览面板里每一轮问答都能看到中间节点的输入输出哪个环节答错了一眼定位不用猜。这套东西从需求到能测一个晚上够用上线时把发布后的应用 API 接进小程序就行。上线后别急着庆祝成本 / 性能 / 体验三张勾选清单成本维度简单问题走便宜小模型复杂问题再路由到大模型对话历史从默认 10 轮压到 4~6 轮知识检索 topK 从 5 降到 3少往 prompt 里塞 token高频固定答案用标注回复直接命中根本不走模型性能维度开启流式输出首字延迟能压到 1 秒内索引方式选高质量别用经济模式给 api、worker 容器设资源上限防止互相拖累检索加一层相关度阈值低相关的直接进兜底体验维度兜底话术里留人工入口让用户觉得没白问记忆轮数跟着业务走售后场景少记几轮避免 AI 记错订单有移动端诉求的话顺手接/v1/audio-to-text和/v1/text-to-audio两个语音接口上线后每周翻一次 LLMOps 日志挑差评回答回去修提示词省下的这几秒、这几毛攒到月底就是真金白银。高频问题一句话速查表问题一句话答案最低什么配置能跑2 核 CPU 4G 内存Docker Compose 一条命令启动换模型要重写代码吗不用模型在页面里切应用逻辑一行不动能用自己训练的私有模型吗兼容 OpenAI API 的自建服务可以接入怎么让机器人回答公司内部资料建知识库 → 传文档 → 应用里关联知识库支持语音交互吗有语音转文字和文字转语音两个现成接口单个音频文件多大上限 30MB支持 mp3 / wav / m4a / amrAI 答不上来怎么办条件分支走兜底话术或直接转人工三个还没人做的玩法直播弹幕自动客服把商品卖点和退换政策喂进知识库弹幕里 一下就有答案主播只管念。内网半个值班同事把 SOP、报障流程、排班表全文档化半夜出问题先问它再决定要不要打电话叫醒人。差评分诊台客户评价进来先自动分类归因再生成一版处理建议草稿人工只点确认。今晚就做这一件事别等有空。现在就拉代码、docker compose up -d建一个知识库随便传一份你最熟的业务文档然后问它三个只有你知道答案的问题。看它答对几个你自然就知道接下来该调的是提示词、分段还是检索配置。动手比收藏管用。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
零基础 3 小时跑通 Dify 工作流：搭一个会查知识库的智能客服
零基础 3 小时跑通 Dify 工作流搭一个会查知识库的智能客服【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凌晨一点做电商的朋友甩来一段语音换模型要重写一半代码知识库答非所问后天就要上线。Dify 就是治这个场景的开源智能体工作流开发平台核心玩法只有一句用 Dify 工作流把大模型、工具、知识库拖进同一块可视化画布从原型到生产不用重建堆栈。这篇不写功能说明书我带你沿一条主线走先把服务跑起来再逐个攻破四道关卡最后把一个会查知识库的客服机器人亲手推到上线。想边读边点代码的项目里这几个目录值得收藏部署编排看 docker/docker-compose.yaml对话接口源码在 api/controllers/service_api/app/completion.py语音接口在 api/controllers/service_api/app/audio.py。先把服务跑起来30 分钟用 Docker Compose 部署本地 Dify别急着研究架构最快的成就感来自浏览器里能聊上。准备一台 2 核 CPU、4G 内存以上的机器云服务器或自己的电脑都行装好 Docker 和 Docker Compose。拉代码并进入 docker 目录git clone https://gitcode.com/GitHub_Trending/di/dify cd dify/docker cp .env.example .env # 默认配置够用先别动 docker compose up -d等两三分钟浏览器打开http://localhost/install按引导初始化管理员账号。新建一个聊天助手应用在模型供应商页填一个模型密钥右侧调试台立刻就能对话。跑通之后用下面这段最简代码就能在本地验证接口通了没有。它做了一件事往/v1/chat-messages发一句话拿到模型回答。App 的 API 密钥在应用设置里生成。import requests API_KEY app-xxxxxxxx # 换成你自己的应用密钥 resp requests.post( http://localhost/v1/chat-messages, headers{Authorization: fBearer {API_KEY}}, json{ inputs: {}, query: 你好介绍一下你自己, response_mode: blocking, # 关掉流式先求简单 user: demo-user, }, ) print(resp.json()[answer]) # 打印模型回复走到这步你就拥有一个能跑多轮对话的最小 Dify。四步里任何一步卡住九成是端口被占或内存不够docker compose logs api会告诉你真相。第一关让 AI 先会说人话——Dify 多模型接入配置是什么Dify 不绑死任何一家模型。OpenAI、Anthropic、Gemini、ChatGLM、Azure OpenAI 都能接甚至兼容 OpenAI API 的自建模型服务也能用同一套配置塞进来。想换模型时改的是页面里的一个下拉框而不是代码。怎么配设置 → 模型供应商 → 选厂商 → 填 API Key → 把某个模型设为默认。回到应用的提示词编排里选模型、写系统提示词发一条消息测过就行。翻车点别以为填了 Key 就完事——每个厂商要单独配一遍如果报provider_not_initialize多半是没把模型设为默认而不是 Key 写错。拿不准就回模型供应商页点测试它会直接告诉你问题出在哪。第二关把判断变成节点——Dify 工作流节点配置模型能说话了但它只会一口气回答分不清问发货和问退款该用哪种口吻。第二关就是把流程画出来。是什么画布上的每个方块LLM、知识检索、HTTP 请求、代码执行、条件分支都是一个节点节点用线连起来就是你的业务逻辑。你可以先在草稿纸上画流程再到画布上还原它。怎么配新建工作流类型应用拖出 Start → LLM → End 三个节点把用户输入接到 LLM 的输入变量点运行看输出确认无误后点发布。翻车点变量名和节点输出格式对不上是最高频报错另一个坑是测试通过不等于上线生效不点发布外面永远调的是旧版本。很多人在这卡半小时其实只差一次点击。第三关把公司文档变成答案来源——Dify RAG 知识库问答画布能跑通对话了可一问退货运费谁出AI 就开始一本正经地编。它不缺聪明缺的是资料。第三关就是给它补一份内部资料。是什么RAG检索增强生成的完整链路是切文档 → 建索引 → 提问时先检索 → 再让模型基于检索结果回答。Dify 的 RAG 流水线把文档解析、分块、入库全做成了可视化节点你只管拖。怎么配创建知识库 → 上传文档PDF、PPT、Word、网页链接都行→ 选分段大小和索引方式 → 回到应用的提示词编排里添加知识库把检索结果作为上下文变量喂给 LLM。翻车点分段太碎回答缺头缺尾分段太大每次问答都烧一堆 token。先用默认分段跑一轮再根据实际回答微调。检索模式优先选混合检索通常比纯向量更稳。第四关给机器人装上手脚——Dify Agent 智能体搭建知识库让 AI 有据可依但遇到帮我算一下运费差价这种动作它只会说不会做。第四关给它装手脚。是什么Agent 模式下模型能自己决定要不要调用工具、调哪个再拿着工具结果继续推理。Dify 内置了 50 现成工具搜索、绘图、计算等触发方式分 Function Calling 和 ReAct 两种。怎么配应用类型选智能体在工具面板勾选需要的工具。想用自定义工具写一份 OpenAPI 描述就能导入不用写插件。翻车点工具开得越多模型越容易选错先只开两三个必要的报tool not found大多是工具描述写得太含糊给每个工具写清楚什么时候该用它。同一个工作流串到底零代码搭建 AI 客服机器人全流程回到开头那个电商朋友。他的需求很具体用户问订单、退款、发货答案必须从售后 FAQ 里来答不上来的别硬编转人工。我用前面四关攒下的能力给他搭了这么一条流程落地其实就三件事把售后 FAQ 文档建成一个知识库在第二关那个画布里加上知识检索和条件分支节点规定答案只能来自检索结果最后把兜底分支指向人工客服入口。调试时最爽的一点右侧预览面板里每一轮问答都能看到中间节点的输入输出哪个环节答错了一眼定位不用猜。这套东西从需求到能测一个晚上够用上线时把发布后的应用 API 接进小程序就行。上线后别急着庆祝成本 / 性能 / 体验三张勾选清单成本维度简单问题走便宜小模型复杂问题再路由到大模型对话历史从默认 10 轮压到 4~6 轮知识检索 topK 从 5 降到 3少往 prompt 里塞 token高频固定答案用标注回复直接命中根本不走模型性能维度开启流式输出首字延迟能压到 1 秒内索引方式选高质量别用经济模式给 api、worker 容器设资源上限防止互相拖累检索加一层相关度阈值低相关的直接进兜底体验维度兜底话术里留人工入口让用户觉得没白问记忆轮数跟着业务走售后场景少记几轮避免 AI 记错订单有移动端诉求的话顺手接/v1/audio-to-text和/v1/text-to-audio两个语音接口上线后每周翻一次 LLMOps 日志挑差评回答回去修提示词省下的这几秒、这几毛攒到月底就是真金白银。高频问题一句话速查表问题一句话答案最低什么配置能跑2 核 CPU 4G 内存Docker Compose 一条命令启动换模型要重写代码吗不用模型在页面里切应用逻辑一行不动能用自己训练的私有模型吗兼容 OpenAI API 的自建服务可以接入怎么让机器人回答公司内部资料建知识库 → 传文档 → 应用里关联知识库支持语音交互吗有语音转文字和文字转语音两个现成接口单个音频文件多大上限 30MB支持 mp3 / wav / m4a / amrAI 答不上来怎么办条件分支走兜底话术或直接转人工三个还没人做的玩法直播弹幕自动客服把商品卖点和退换政策喂进知识库弹幕里 一下就有答案主播只管念。内网半个值班同事把 SOP、报障流程、排班表全文档化半夜出问题先问它再决定要不要打电话叫醒人。差评分诊台客户评价进来先自动分类归因再生成一版处理建议草稿人工只点确认。今晚就做这一件事别等有空。现在就拉代码、docker compose up -d建一个知识库随便传一份你最熟的业务文档然后问它三个只有你知道答案的问题。看它答对几个你自然就知道接下来该调的是提示词、分段还是检索配置。动手比收藏管用。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
