跳到主要内容
极客日志极客日志面向AI+效率的开发者社区
首页博客我的书AI学习GitHub 精选镜像AI 生图工具UI配色美学关于
搜索内容 / 工具 / 仓库 / 镜像...⌘K搜索
注册
博客列表
Python

Agent实习模拟面试之Dify + Skill本地部署大模型智能体：从零构建企业级可落地的AI Agent系统

Agent实习模拟面试之Dify + Skill本地部署大模型智能体：从零构建企业级可落地的AI Agent系统 > **摘要**：以一场高度仿真的Agent实习生岗位模拟面试为载体，聚焦当前热门的低代码Agent开发平台 **Dify** 与 **自定义Skill（技能）机制**，深入探讨如何在**完全本地化环境**中部署一个安全、可控、可扩展的大模型智能体（Agent）。通过'面试官提问—…

草莓泡芙发布于 2026/4/6更新于 2026/9/1097K 浏览

Agent实习模拟面试之Dify + Skill本地部署大模型智能体：从零构建企业级可落地的AI Agent系统

摘要：本文以一场高度仿真的Agent实习生岗位模拟面试为载体，聚焦当前热门的低代码Agent开发平台 Dify 与 自定义Skill（技能）机制，深入探讨如何在完全本地化环境中部署一个安全、可控、可扩展的大模型智能体（Agent）。通过'面试官提问—候选人回答—连环追问'的对话形式，系统性地拆解了Dify的核心架构、Skill插件开发、本地大模型集成（如Llama-3、Qwen）、RAG优化、权限控制、监控告警等关键环节，并结合企业实际场景（如内部知识问答、自动化办公）给出完整落地路径。全文超过9500字，适合对AI Agent开发、私有化部署、企业智能化转型感兴趣的工程师、架构师与在校学生阅读。

引言：为什么企业需要'本地部署的Dify + 自定义Skill'？

在2024–2026年的大模型应用浪潮中，一个显著趋势是：企业不再满足于调用公有云API，而是强烈要求数据不出域、模型可审计、能力可定制的私有化Agent解决方案。

然而，从零构建一个生产级Agent系统成本高昂：

  • 需要搭建RAG管道
  • 需要实现工具调用（Tool Calling）
  • 需要设计对话管理与记忆机制
  • 需要集成权限、审计、监控等企业级能力

此时，Dify 凭借其开源、模块化、支持本地部署、提供可视化编排界面等优势，迅速成为企业构建私有Agent的首选平台。而其 Skill（技能）机制 更允许开发者将业务逻辑封装为可复用插件，实现'通用大模型 + 专属能力'的融合。

GitHub Star 超 25k，支持 Llama、Qwen、ChatGLM、Phi 等主流开源模型，提供 Web UI、API、Workflow 编排、多租户管理等企业级功能。

对于希望投身AI工程化的实习生而言，掌握 'Dify + 自定义Skill + 本地大模型' 的全链路部署能力，意味着具备将前沿AI技术转化为企业生产力的关键技能。

本文模拟一场针对'Agent实习生'岗位的真实面试，围绕 '如何用Dify + Skill本地部署大模型智能体' 这一核心命题，通过层层递进的问答，带你从原理到实战，全面掌握这一高价值技术栈。

面试开始：Dify定位与本地部署价值

面试官提问：

你好！今天我们聊聊 Dify。首先，请你说明：Dify 是什么？为什么企业会选择在本地部署 Dify，而不是直接使用公有云大模型 API？

候选人回答：

谢谢面试官！

Dify 是一个开源的 LLM 应用开发平台，它提供了一套完整的工具链，让开发者无需从零造轮子，就能快速构建、部署和管理基于大语言模型的应用，包括：

  • 聊天机器人（Chatbot）
  • 文本生成应用（如报告撰写）
  • 智能体（Agent）——通过 Skill 机制 调用外部工具
  • RAG 知识库问答系统

它的核心价值在于 '降低AI应用开发门槛，同时保障企业级可控性'。

企业选择本地部署 Dify 而非公有云 API，主要出于三大刚需：

1. 数据安全与合规
  • 金融、医疗、制造等行业受 GDPR、等保、行业监管约束，原始数据严禁上传第三方
  • 本地部署确保用户提问、知识库文档、对话历史全部留在内网
2. 模型可控与可审计
  • 公有云模型是黑盒，无法知道其训练数据、是否存在偏见
  • 本地部署可选用 Llama-3-8B、Qwen-Max 等开源模型，甚至微调后的专属模型
  • 所有推理过程可记录、可回溯、可人工审核
3. 能力深度定制
  • 公有云 API 通常只提供基础文本生成
  • 通过 Dify 的 Skill 机制，可无缝集成企业内部系统：
    • 调用 ERP 查询库存
    • 调用 OA 提交请假申请
    • 调用数据库生成报表

一句话总结：
Dify 是 '企业私有大模型的操作系统' —— 它不提供模型，但让任何本地模型都能变成智能生产力工具。

面试官追问：

你说 Dify 支持 Skill 机制。那 Skill 到底是什么？它和 LangChain 的 Tool 有什么区别？

候选人回答：

这是个很好的问题！Skill 在 Dify 中是一个标准化的插件接口，用于封装任意外部服务能力，供 Agent 调用。

Skill 的核心特点：
  1. 声明式定义：通过 YAML 或 UI 表单定义输入/输出参数、描述、示例
  2. 语言无关：Skill 可以是 Python 函数、HTTP API、Shell 脚本，甚至数据库查询
  3. 自动注册：Dify 会自动将 Skill 注入到 LLM 的上下文中，模型根据用户意图决定是否调用
  4. 执行隔离：Skill 在独立沙箱中运行，避免影响主服务
与 LangChain Tool 的对比：
维度Dify SkillLangChain Tool
易用性✅ 可视化配置，非程序员也能定义❌ 需写 Python 代码
部署模式✅ 原生支持分布式 Skill 服务❌ 通常与主程序同进程
权限控制✅ 支持按用户/角色授权 Skill❌ 需自行实现
可观测性✅ 自动记录调用日志、耗时、错误❌ 需手动埋点

举个例子：
我们要实现'查询员工剩余年假'功能：LangChain：需编写 @tool 装饰的 Python 函数，集成到 chain 中Dify：在 Web UI 中新建 Skill，填写：名称：get_annual_leave描述：'查询指定员工的剩余年假天数'参数：employee_id (string)后端URL：http://hr-system/api/v1/leave?emp_id={employee_id}

保存后，Agent 自动学会在用户问'我还有几天年假？'时调用该 Skill。

本质区别：
LangChain 是开发者框架，Dify Skill 是产品化能力——后者更贴近企业落地需求。

连环追问一：如何在本地部署 Dify 并接入开源大模型？

面试官追问：

假设我现在有一台 4×A10（共 160GB 显存）的服务器，想部署 Dify 并接入 Llama-3-8B-Instruct。请给出具体步骤。

候选人回答：

好的！我会采用 Docker Compose + vLLM 方案，兼顾易用性与性能。以下是详细步骤：

步骤1：准备环境
# 安装 Docker 和 Docker Composesudoapt update &&sudoaptinstall -y docker.io docker-compose# 克隆 Dify 源码（含本地模型支持）git clone https://github.com/langgenius/dify.git cd dify
步骤2：配置本地模型服务（vLLM）

Dify 本身不包含模型推理引擎，需单独部署。推荐 vLLM（高性能、支持 PagedAttention）：

# docker/docker-compose.override.ymlversion:'3'services:vllm:image: vllm/vllm-openai:latest ports:-"8000:8000"volumes:- ./models:/models # 挂载模型目录command:> --model /models/Llama-3-8B-Instruct --tensor-parallel-size 4 # 4卡并行 --max-model-len 8192 --dtype autodeploy:resources:reservations:devices:-driver: nvidia count:4capabilities:[gpu]

模型下载：
从 Hugging Face 下载 meta-llama/Meta-Llama-3-8B-Instruct 到 ./models/Llama-3-8B-Instruct

步骤3：配置 Dify 连接本地模型

修改 .env 文件：

# 使用 OpenAI 兼容 API 模式 MODEL_PROVIDER=openai OPENAI_API_BASE=http://vllm:8000/v1 OPENAI_API_KEY=EMPTY # vLLM 不需要 key DEFAULT_LLM_MODEL=meta-llama/Llama-3-8B-Instruct
步骤4：启动 Dify
# 构建并启动docker-compose -f docker/docker-compose.yml -f docker/docker-compose.override.yml up -d # 初始化（首次运行）dockerexec -it dify-api python manage.py init
步骤5：验证
  • 访问 http://<server_ip>:3000 进入 Web UI
  • 在 'Settings → Model Provider' 中确认 Llama-3-8B 已激活
  • 创建一个 Chat App，测试基础对话

性能实测：
Llama-3-8B + vLLM + 4×A10，P99 延迟 <1.2s，吞吐量 >80 tokens/s，完全满足企业内部使用。

连环追问二：如何开发一个自定义 Skill 并集成到 Agent？

面试官追问：

现在我们要实现一个'查询公司内部知识库'的Skill，当用户问'差旅报销标准是什么？'，Agent 能自动调用该 Skill 返回答案。请说明开发流程。

候选人回答：

这是一个典型的 RAG + Skill 场景。我会分四步实现：

第一步：准备知识库
  • 将公司制度文档（PDF/Word）转换为文本
  • 使用 Dify 内置的 Dataset 功能 创建向量库：
    • 上传文档
    • 选择 Embedding 模型（如 BAAI/bge-large-zh-v1.5）
    • 自动生成分块与向量化

注意：Embedding 模型也需本地部署（Dify 支持对接 Jina、OpenAI 兼容 API）

第二步：开发 Skill（两种方式）
方式A：使用 Dify 内置 Dataset Skill（推荐）

Dify 0.6+ 版本支持直接将 Dataset 暴露为 Skill：

  • 在 Dataset 页面点击 'Enable as Skill'
  • 系统自动生成 Skill，名称如 query_knowledge_base
  • 描述：'根据用户问题检索内部知识库'
方式B：自定义 HTTP Skill（更灵活）

若需复杂逻辑（如权限过滤），可开发独立服务：

# skill_server.pyfrom flask import Flask, request, jsonify import requests app = Flask(__name__)@app.route('/search', methods=['POST'])defsearch(): query = request.json['query'] user_role = request.json['user_role']# 从 Dify 透传# 调用 Dify Dataset API（需认证） resp = requests.post('http://dify-api/v1/datasets/<dataset_id>/query', json={'query': query}, headers={'Authorization':'Bearer <api_key>'}) results = resp.json()['results']# 权限过滤：仅返回用户有权访问的片段 filtered =[r for r in results if is_authorized(r['doc_id'], user_role)]return jsonify({'answer': filtered[0]['content']if filtered else'无权限或未找到'})defis_authorized(doc_id, role):# 实现 RBAC 逻辑pass

然后在 Dify Web UI 中注册该 Skill：

  • URL: http://skill-server:5000/search
  • 参数: query (string), user_role (string)
第三步：创建 Agent 应用
  • 在 Dify 中新建 'Agent App'
  • 选择 Llama-3-8B 作为模型
  • 在 'Skills' 选项卡中启用 query_knowledge_base

配置 System Prompt：

'你是一个企业知识助手。当用户询问公司政策、流程时，请优先调用 query_knowledge_base 技能获取权威答案。'

第四步：测试与调试
  • 用户提问：'差旅报销标准？'
  • Agent 自动调用 Skill
  • Skill 返回检索结果
  • Agent 生成最终回复，并附带引用来源

关键优势：
通过 Skill 机制，RAG 能力被封装为原子服务，可被多个 Agent 复用，且与模型解耦。

连环追问三：如何确保本地部署的安全性与权限控制？

面试官追问：

企业最关心安全。假设 HR 问'张三的薪资是多少？'，而普通员工无权查看，你的系统如何拦截？

候选人回答：

这是企业级部署的核心挑战。我的安全体系分三层：

第一层：Dify 原生权限控制
  • 多租户隔离：不同部门创建独立 Workspace
  • RBAC（基于角色的访问控制）：
    • 角色：Admin、Editor、Viewer
    • 控制粒度：App 可见性、Dataset 访问、Skill 调用
  • API Key 管理：每个应用生成独立 Key，可设置 IP 白名单
第二层：Skill 级权限校验（关键！）

即使用户能调用 Skill，也要在 Skill 内部做数据级权限过滤：

# 在自定义 Skill 中defhandle_query(query, user_id):# 1. 获取用户角色 user_role = get_user_role(user_id)# 2. 检索知识库 docs = vector_db.search(query)# 3. 过滤无权文档 allowed_docs =[]for doc in docs:if check_permission(doc.meta['acl'], user_role):# acl: ["hr", "finance"] allowed_docs.append(doc)# 4. 若无结果，返回无权限提示ifnot allowed_docs:return"您无权访问此信息。"return generate_answer(allowed_docs)

元数据设计：
每份文档入库时标注 acl（访问控制列表），如：

第三层：审计与监控
  • 操作日志：Dify 自动记录所有对话、Skill 调用
  • 敏感词扫描：在回复生成后，用正则匹配'薪资'、'合同'等关键词，触发告警
  • 异常检测：监控高频查询同一敏感文档的行为，自动封禁账号

安全原则：
权限检查必须下沉到数据访问层，不能依赖 LLM '自觉'不输出敏感信息——因为模型可能被诱导或出错。

连环追问四：如何优化 RAG 效果与降低幻觉？

面试官追问：

即使做了权限控制，模型仍可能基于检索结果'过度发挥'，比如把'报销上限5000元'说成'5000美元'。怎么解决？

候选人回答：

这是 RAG 系统的经典幻觉问题。我的优化策略是'精准召回 + 引用约束 + 置信度校准'：

1. 提升召回精度
  • 混合检索：Dify 支持同时开启向量检索 + 关键词检索（BM25）
  • 重排序（Re-ranking）：在 Dify 设置中启用 Cross-Encoder（如 BGE-reranker）

查询改写：在 Skill 中先用小模型澄清问题：

用户：'报销能报多少？'
改写：'国内出差交通与住宿费用报销上限是多少？'

2. 强制引用与约束生成

在 Agent 的 System Prompt 中明确指令：

'你必须严格遵循以下规则：仅使用下方【检索结果】中的信息回答数字、日期、金额等关键信息必须与原文一致在答案末尾标注引用来源，格式：[来源: 《XX制度》第X条]'

3. 后处理校验（Post-hoc Verification）
  • 若校验失败，替换答案为：'信息可能存在误差，请以官方文件为准。'

开发一个轻量级校验模块，部署在 Dify 的 Webhook 中：

defverify_answer(question, retrieved_docs, answer):# 提取 answer 中的数值 numbers_in_answer = extract_numbers(answer)# 检查是否在 retrieved_docs 中出现for num in numbers_in_answer:ifnotany(str(num)in doc.content for doc in retrieved_docs):returnFalse,f"数字 {num} 未在文档中找到"returnTrue,"OK"
4. 置信度阈值
  • 当检索结果相关性分数 < 0.7 时，直接回复：'未找到明确依据，建议咨询相关部门。'

Dify 配置技巧：
在 Dataset 设置中开启 'Quote Source' 选项，Dify 会自动在 prompt 中插入带编号的引用片段，大幅降低幻觉率。

连环追问五：如何监控与持续迭代这个系统？

面试官追问：

系统上线后，你怎么知道它运行得好不好？有哪些监控指标和迭代机制？

候选人回答：

企业级系统必须可观测、可度量、可优化。我的监控体系如下：

核心监控指标（通过 Dify 内置 + Prometheus）
指标目标监控方式
任务成功率≥90%人工抽样 + LLM-as-Judge
幻觉率≤3%校验模块统计
权限违规次数0审计日志告警
P95 延迟<2sDify 内置监控
Skill 调用失败率<1%Skill 服务日志
迭代机制：
  1. 用户反馈闭环
    • 在聊天界面添加 '👍/👎' 按钮
    • 负反馈自动进入 Bad Case Pool
    • 每周 Review Bad Case，修正知识库或调整 Prompt
  2. 自动化回归测试
    • 构建 200+ 覆盖核心场景的测试集
    • 每次更新模型/Skill 后自动运行
    • 关键指标下降 >5% 则阻断发布
  3. 知识库健康度监控
    • 检测文档过期（如 '有效期至2024'）
    • 检测知识冲突（同一问题多份文档说法不一）
    • 自动邮件通知知识管理员

Dify 实战技巧：
利用 Dify 的 'Logs' 和 'Annotations' 功能，可直接在 UI 中标注 bad case，用于后续微调或 RAG 优化。

连环追问六：未来演进——从问答到自动化工作流

面试官追问：

最后，你认为基于 Dify 的 Agent 未来还能做什么？仅仅是问答吗？

候选人回答：

绝不止于问答！Dify 的终极目标是成为'企业自动化操作系统'。未来方向包括：

1. 多 Skill 协同工作流
  • 用户：'帮我完成 Q3 销售分析报告'
  • Agent 自动编排：
    1. 调用 query_database 获取销售数据
    2. 调用 generate_chart 生成可视化
    3. 调用 write_report 撰写分析
    4. 调用 send_email 发送给领导

Dify 0.7+ 已支持 Workflow 编排，可通过拖拽实现。

2. 主动 Agent（Proactive Agent）
  • 监听邮件/日历事件
  • 自动触发任务：如'检测到客户投诉邮件 → 创建工单 + 通知客服'
3. 个性化记忆
  • 为每个用户建立长期记忆向量
  • 回答时结合历史偏好：'上次您偏好简洁版，本次生成简版报告'
4. 与现有系统深度集成
  • 通过 Skill 对接 SAP、用友、钉钉、飞书
  • 实现 '自然语言驱动 ERP' 的终极愿景

关键洞察：
未来的竞争不在模型大小，而在 'Agent 与企业业务流程的融合深度'。Dify + Skill 正是实现这一融合的最佳载体。

结语：本地化不是退步，而是企业AI落地的必经之路

通过这场模拟面试，我们系统性地走通了 'Dify + Skill + 本地大模型' 的全链路：

  • 从 安全可控的部署架构
  • 到 灵活强大的 Skill 开发
  • 再到 企业级的权限、监控、迭代机制

这不仅是技术方案，更是一种务实的AI落地哲学：

不追求炫技，而追求可用；不依赖云端，而扎根业务。

对于实习生而言，掌握这套能力，意味着你能真正为企业创造价值，而非停留在 Demo 层面。

在这个 AI 重塑生产力的时代，愿你不仅能调通模型，更能构建安全、可靠、可信赖的企业智能体。

附录：常用命令与配置速查

1. 启动本地 Dify + vLLM
# 启动 vLLMdocker run --gpus all -v ./models:/models -p 8000:8000 \ vllm/vllm-openai --model /models/Llama-3-8B-Instruct --tensor-parallel-size 4# 启动 Difycd dify &&docker-compose up -d
2. Dify 环境变量关键配置
# .env MODEL_PROVIDER=openai OPENAI_API_BASE=http://host.docker.internal:8000/v1 # Docker 内访问宿主机 OPENAI_API_KEY=EMPTY DEFAULT_LLM_MODEL=meta-llama/Llama-3-8B-Instruct # Embedding 模型（本地） EMBEDDING_MODEL=BAAI/bge-large-zh-v1.5 EMBEDDING_ENDPOINT=http://jina-embedder:8080/embeddings
3. 自定义 Skill 示例（HTTP）
# Skill 配置（Dify UI 中填写）Name: query_hr_policy Description: 查询人力资源政策 URL: http://skill-service:5000/hr Method: POST Parameters:-name: query type: string required:true-name: user_role type: string required:true

参考资料

  1. Dify 官方文档: https://docs.dify.ai
  2. vLLM: https://vllm.readthedocs.io
  3. BGE Embedding: https://huggingface.co/BAAI/bge-large-zh-v1.5
  4. OPA 权限控制: https://www.openpolicyagent.org

目录

  1. Agent实习模拟面试之Dify + Skill本地部署大模型智能体：从零构建企业级可落地的AI Agent系统
  2. 引言：为什么企业需要“本地部署的Dify + 自定义Skill”？
  3. 面试开始：Dify定位与本地部署价值
  4. 面试官提问：
  5. 候选人回答：
  6. 1\. 数据安全与合规
  7. 2\. 模型可控与可审计
  8. 3\. 能力深度定制
  9. 面试官追问：
  10. 候选人回答：
  11. Skill 的核心特点：
  12. 与 LangChain Tool 的对比：
  13. 连环追问一：如何在本地部署 Dify 并接入开源大模型？
  14. 面试官追问：
  15. 候选人回答：
  16. 步骤1：准备环境
  17. 安装 Docker 和 Docker Composesudoapt update &&sudoaptinstall -y docker.io docker-compose# 克隆 Dify 源码（含本地模型支持）git clone https://github.com/langgenius/dify.git cd dify
  18. 步骤2：配置本地模型服务（vLLM）
  19. docker/docker-compose.override.ymlversion:'3'services:vllm:image: vllm/vllm-openai:latest ports:-"8000:8000"volumes:- ./models:/models # 挂载模型目录command:> --model /models/Llama-3-8B-Instruct --tensor-parallel-size 4 # 4卡并行 --max-model-len 8192 --dtype autodeploy:resources:reservations:devices:-driver: nvidia count:4capabilities:[gpu]
  20. 步骤3：配置 Dify 连接本地模型
  21. 使用 OpenAI 兼容 API 模式 MODELPROVIDER=openai OPENAIAPIBASE=http://vllm:8000/v1 OPENAIAPIKEY=EMPTY # vLLM 不需要 key DEFAULTLLM_MODEL=meta-llama/Llama-3-8B-Instruct
  22. 步骤4：启动 Dify
  23. 构建并启动docker-compose -f docker/docker-compose.yml -f docker/docker-compose.override.yml up -d # 初始化（首次运行）dockerexec -it dify-api python manage.py init
  24. 步骤5：验证
  25. 连环追问二：如何开发一个自定义 Skill 并集成到 Agent？
  26. 面试官追问：
  27. 候选人回答：
  28. 第一步：准备知识库
  29. 第二步：开发 Skill（两种方式）
  30. 方式A：使用 Dify 内置 Dataset Skill（推荐）
  31. 方式B：自定义 HTTP Skill（更灵活）
  32. skillserver.pyfrom flask import Flask, request, jsonify import requests app = Flask(name)@app.route('/search', methods=['POST'])defsearch(): query = request.json['query'] userrole = request.json['userrole']# 从 Dify 透传# 调用 Dify Dataset API（需认证） resp = requests.post('http://dify-api/v1/datasets/<datasetid>/query', json={'query': query}, headers={'Authorization':'Bearer <apikey>'}) results = resp.json()['results']# 权限过滤：仅返回用户有权访问的片段 filtered =[r for r in results if isauthorized(r['docid'], userrole)]return jsonify({'answer': filtered[0]['content']if filtered else'无权限或未找到'})defisauthorized(docid, role):# 实现 RBAC 逻辑pass
  33. 第三步：创建 Agent 应用
  34. 第四步：测试与调试
  35. 连环追问三：如何确保本地部署的安全性与权限控制？
  36. 面试官追问：
  37. 候选人回答：
  38. 第一层：Dify 原生权限控制
  39. 第二层：Skill 级权限校验（关键！）
  40. 在自定义 Skill 中defhandlequery(query, userid):# 1. 获取用户角色 userrole = getuserrole(userid)# 2. 检索知识库 docs = vectordb.search(query)# 3. 过滤无权文档 alloweddocs =[]for doc in docs:if checkpermission(doc.meta['acl'], userrole):# acl: ["hr", "finance"] alloweddocs.append(doc)# 4. 若无结果，返回无权限提示ifnot alloweddocs:return"您无权访问此信息。"return generateanswer(alloweddocs)
  41. 第三层：审计与监控
  42. 连环追问四：如何优化 RAG 效果与降低幻觉？
  43. 面试官追问：
  44. 候选人回答：
  45. 1\. 提升召回精度
  46. 2\. 强制引用与约束生成
  47. 3\. 后处理校验（Post-hoc Verification）
  48. 4\. 置信度阈值
  49. 连环追问五：如何监控与持续迭代这个系统？
  50. 面试官追问：
  51. 候选人回答：
  52. 核心监控指标（通过 Dify 内置 + Prometheus）
  53. 迭代机制：
  54. 连环追问六：未来演进——从问答到自动化工作流
  55. 面试官追问：
  56. 候选人回答：
  57. 1\. 多 Skill 协同工作流
  58. 2\. 主动 Agent（Proactive Agent）
  59. 3\. 个性化记忆
  60. 4\. 与现有系统深度集成
  61. 结语：本地化不是退步，而是企业AI落地的必经之路
  62. 附录：常用命令与配置速查
  63. 1\. 启动本地 Dify + vLLM
  64. 启动 vLLMdocker run --gpus all -v ./models:/models -p 8000:8000 \ vllm/vllm-openai --model /models/Llama-3-8B-Instruct --tensor-parallel-size 4# 启动 Difycd dify &&docker-compose up -d
  65. 2\. Dify 环境变量关键配置
  66. .env MODELPROVIDER=openai OPENAIAPIBASE=http://host.docker.internal:8000/v1 # Docker 内访问宿主机 OPENAIAPIKEY=EMPTY DEFAULTLLMMODEL=meta-llama/Llama-3-8B-Instruct # Embedding 模型（本地） EMBEDDINGMODEL=BAAI/bge-large-zh-v1.5 EMBEDDING_ENDPOINT=http://jina-embedder:8080/embeddings
  67. 3\. 自定义 Skill 示例（HTTP）
  68. Skill 配置（Dify UI 中填写）Name: queryhrpolicy Description: 查询人力资源政策 URL: http://skill-service:5000/hr Method: POST Parameters:-name: query type: string required:true-name: user_role type: string required:true
  69. 参考资料

更多推荐文章

查看全部
  • Python 基础语法入门：常量、变量与运算符详解
  • 结构化思维：ChatGPT 如何实现高效信息管理
  • GitHub Copilot 版本差异详解及课程适配建议
  • LLaMA Factory 多模态微调实践
  • VSCode 本地运行 DeepSeek 模型配置教程
  • Midreal AI 工具深度解析：交互式小说生成与插图创作实践
  • Cloudflare AI Gateway 接入 Google AI Studio 配置与 API Key 安全
  • 医疗 AI 场景下的逻辑回归算法实战
  • Java 泛型与通配符：原理与实战应用
  • C++ 异常处理机制详解：抛出、捕获与安全规范
  • 通义万相 2.1 文生图与文本生成 API 调用实战
  • AIGC 个性化与定制化内容生成：技术原理与应用实践
  • Linux 侵入式链表详解
  • Solidity 函数修饰符 (Modifier) 详解与实战
  • OpenClaw 搭配本地千问模型实现电脑 AI 助理
  • Prompt 逆向工程：从错误答案回溯优化思路
  • Ubuntu 22.04/24.04 安装 Docker 及配置 Java、MySQL、Tomcat
  • OpenClaw 大龙虾机器人：跨平台安装与飞书对接指南
  • 前端核心面试题深度解析：从原理到实战
  • DeepSeek 深度使用指南：提示词技巧与本地知识库搭建

相关免费在线工具

  • curl 转代码

    解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online

  • Base64 字符串编码/解码

    将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online

  • Base64 文件转换器

    将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online

  • Markdown转HTML

    将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online

  • HTML转Markdown

    将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online

  • JSON 压缩

    通过删除不必要的空白来缩小和压缩JSON。 在线工具，JSON 压缩在线工具，online