PythonSaaSAI算法

基于 Dify 低代码平台开发 AI 应用：从入门到生产部署

介绍基于 Dify 低代码平台开发 AI 应用的完整流程，包括环境搭建、文本摘要、私有知识库问答（RAG）、多模态图片分析及工作流插件开发。内容涵盖 Docker 部署步骤、Prompt 设计技巧、API 集成方法及生产环境优化方案，帮助开发者快速构建企业级 AI 应用。

神经兮兮发布于 2026/2/28更新于 2026/6/339 浏览

引言

在人工智能技术飞速发展的今天，企业和开发者对 AI 应用的需求日益增长。然而，传统 AI 应用开发面临着诸多痛点：一是技术门槛高，需要掌握大模型 API 调用、prompt 工程、知识库构建等多领域知识；二是开发周期长，从需求分析到功能落地往往需要数周甚至数月；三是维护成本高，模型迭代、数据更新、权限管理等工作繁琐；四是集成难度大，不同模型、工具、数据源的整合需要大量定制化开发。

Dify 作为一款开源低代码 AI 应用开发平台，恰好解决了这些痛点。它具备以下核心优势：

低代码可视化开发：通过拖拽式界面设计应用流程，无需复杂编码即可快速搭建 AI 应用；
多模型无缝集成：支持 OpenAI、Anthropic、阿里云通义千问、字节跳动火山大模型等主流 API 模型，同时兼容 Llama 3、Qwen、Mistral 等开源模型的本地部署；
内置检索增强生成（RAG）：一键创建私有知识库，解决大模型 "幻觉" 问题，提升回答准确性；
灵活的工作流引擎：支持复杂业务逻辑设计，可串联模型调用、数据处理、第三方工具集成等步骤；
完善的插件生态：提供天气查询、数据库连接、邮件发送等常用插件，同时支持自定义插件开发；
全流程管理能力：涵盖应用开发、测试、部署、监控、迭代的完整生命周期。

本文将以 "理论 + 实战" 的形式，带领读者从 Dify 环境搭建开始，逐步开发文本摘要、私有知识库问答、多模态图片分析三类典型 AI 应用，并讲解工作流设计、插件开发、生产部署与优化等高级内容，最终帮助读者掌握基于 Dify 快速构建企业级 AI 应用的能力。

1. Dify 核心概念与架构解析

在开始开发前，我们需要先理解 Dify 的核心概念与架构设计，这将帮助我们更高效地使用平台。

1.1 核心概念

应用（Application）：Dify 的开发成果载体，根据功能可分为文本生成、问答、多模态交互等类型，每个应用包含 prompt 配置、模型选择、功能模块等核心组件。
Prompt 工程：Dify 提供可视化 prompt 编辑器，支持变量注入、条件判断、模板管理，帮助开发者设计高质量的模型指令，提升 AI 响应效果。
知识库（Knowledge Base）：用于存储私有数据（如 PDF、Word、TXT 文档），通过 RAG 技术将知识库内容与大模型结合，实现基于私有数据的精准问答。
工作流（Workflow）：可视化流程设计工具，支持拖拽式添加 "模型调用"、" 数据检索 "、"工具执行"、" 条件分支 " 等节点，实现复杂业务逻辑。
插件（Plugin）：扩展 Dify 功能的组件，分为 "工具插件"（如天气查询、地图服务）和 "数据源插件"（如 MySQL、Elasticsearch），支持自定义开发。
API 密钥（API Key）：应用对外提供服务的认证凭证，通过 API 密钥可将 Dify 应用集成到自有系统（如网站、APP、小程序）。

1.2 架构设计

Dify 采用分层架构设计，确保系统的灵活性、可扩展性和稳定性，架构分为四层：

前端层：基于 React 开发的可视化界面，包含应用管理、知识库管理、工作流设计、插件配置等模块，提供直观的操作体验。
后端服务层：采用 Python FastAPI 框架开发，负责处理业务逻辑，包括用户认证、应用配置管理、模型调用调度、知识库检索等核心功能。
模型集成层：提供统一的模型调用接口，兼容 API 模型（如 OpenAI GPT-4）和本地部署模型（如 Llama 3），支持模型负载均衡、超时重试、缓存管理。
数据存储层：采用多数据库协同存储，PostgreSQL 存储应用配置、用户数据，Redis 存储缓存数据，MinIO 存储知识库文档、图片等文件数据。

1.3 支持的模型类型

Dify 支持两类模型，满足不同场景需求：

API 模型：无需本地部署，通过 API 调用的模型，如 OpenAI GPT-3.5/4、Anthropic Claude 3、阿里云通义千问 Plus、百度文心一言 4.0。
开源模型：可本地部署的模型，支持通过 Ollama、vLLM、LangChain 等框架集成，如 Meta Llama 3（70B）、阿里 Qwen（14B）、Mistral（8x7B）、智谱清言 GLM-4。

# 更新软件源
sudo apt update && sudo apt upgrade -y
# 安装 Docker
sudo apt install -y apt-transport-https ca-certificates curl software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt update && sudo apt install -y docker-ce docker-ce-cli containerd.io
# 安装 Docker Compose
sudo curl -L "https://github.com/docker/compose/releases/download/v2.24.5/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
# 验证安装
docker --version
docker-compose --version

# 创建 Dify 目录
mkdir -p /opt/dify && cd /opt/dify
# 下载 docker-compose.yml 文件
wget https://raw.githubusercontent.com/langgenius/dify/main/docker-compose.yml
# 下载环境变量配置文件
wget https://raw.githubusercontent.com/langgenius/dify/main/.env.example -O .env

vim .env

# 后台启动所有服务
docker-compose up -d
# 查看服务启动状态
docker-compose ps

git clone https://github.com/langgenius/dify.git
cd dify

# 进入后端目录
cd api
# 创建虚拟环境
python -m venv venv
source venv/bin/activate # Linux/macOS
# venv\Scripts\activate # Windows
# 安装依赖
pip install -r requirements.txt
# 初始化数据库
cp .env.example .env
# 编辑.env 文件，配置数据库、Redis 连接信息
vim .env
# 执行数据库迁移
flask db upgrade
# 启动后端服务
flask run --host=0.0.0.0 --port=5001

# 进入前端目录
cd ../web
# 安装依赖
npm install
# 配置环境变量
cp .env.example .env
# 编辑.env 文件，设置 REACT_APP_API_URL 为后端服务地址
vim .env
# 启动前端开发服务
npm start

你是一名专业的文本摘要工程师，擅长提取文本核心信息并生成简洁、准确的摘要。请按照以下规则处理用户提供的文本：
1. 摘要需包含文本的核心主题、关键人物/事件、主要结论（若有）；
2. 避免遗漏重要信息，同时不添加文本中没有的内容；
3. 根据用户选择的摘要长度调整内容详略：
   - 短摘要（100 字以内）：仅保留核心主题和关键结论；
   - 中摘要（100-300 字）：包含核心主题、关键事件、主要结论；
   - 长摘要（300 字以上）：详细描述文本结构、核心内容、关键细节、主要结论；
4. 摘要语言需与用户输入文本语言一致（如用户输入中文，摘要也为中文）；
5. 输出格式：先说明摘要长度类型，再输出摘要内容，示例：
【短摘要】本文介绍了人工智能技术在医疗领域的应用现状，包括疾病诊断、药物研发等场景，指出当前技术面临的数据安全和伦理问题，建议加强行业监管。

需要摘要的文本：{{text}}
摘要长度要求：{{summary_length}}

2024 年以来，人工智能技术进入高速发展阶段，尤其是生成式 AI 的应用场景不断拓展。在医疗领域，AI 辅助诊断系统的准确率已达到 95% 以上，可帮助医生快速识别肺癌、糖尿病等疾病；在教育领域，AI 助教能够根据学生的学习数据制定个性化学习计划，提升学习效率；在工业领域，AI 质检系统可实现 24 小时不间断检测，将产品缺陷率降低 30%。然而，AI 技术的快速发展也带来了一系列挑战，如数据隐私泄露、算法偏见、就业结构变化等问题。为此，全球多个国家已开始制定 AI 监管政策，欧盟的《人工智能法案》于 2024 年 5 月正式生效，对高风险 AI 应用实施严格监管；美国也推出了《AI 风险管理框架》，指导企业规范 AI 应用。专家预测，未来 5 年，AI 技术将与各行业深度融合，形成新的产业生态，同时监管体系将逐步完善，推动 AI 技术健康发展。

【中摘要】2024 年生成式 AI 应用场景持续拓展，医疗领域 AI 辅助诊断准确率超 95%，可快速识别多种疾病；教育领域 AI 助教能制定个性化学习计划；工业领域 AI 质检系统可 24 小时检测，降低产品缺陷率 30%。但 AI 发展面临数据隐私泄露、算法偏见、就业结构变化等挑战，欧盟《人工智能法案》已生效，美国推出《AI 风险管理框架》。专家预测未来 5 年 AI 将与各行业深度融合，监管体系也将完善，推动 AI 健康发展。

import requests
import json

# 配置 API 信息
API_KEY = "你的 Dify 应用 API 密钥"
API_URL = "http://192.168.1.100:8000/v1/applications/65f8a7b2-3c4d-4e5f-8a9b-0c1d2e3f4a5b/completions"
HEADERS = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def generate_summary(text, summary_length):
    """
    调用 Dify 文本摘要 API 生成摘要
    :param text: 需要摘要的文本内容
    :param summary_length: 摘要长度（短/中/长）
    :return: 摘要结果或错误信息
    """
    # 构造请求体
    payload = {
        "inputs": {
            "text": text,
            "summary_length": summary_length
        },
        "query": text,  # 用于 Dify 日志跟踪，可与 text 一致
        "user": "user_001"  # 用户名，用于区分不同用户的请求
    }
    try:
        # 发送 POST 请求
        response = requests.post(API_URL, headers=HEADERS, data=json.dumps(payload), timeout=30)
        # 检查响应状态码
        response.raise_for_status()
        # 若状态码非 200，抛出异常
        # 解析响应结果
        result = response.json()
        return result["output"]["text"]
    except requests.exceptions.RequestException as e:
        return f"API 调用失败：{str(e)}"

# 测试代码
if __name__ == "__main__":
    # 测试文本 "2024 年以来，人工智能技术进入高速发展阶段，尤其是生成式 AI 的应用场景不断拓展...（同 4.2.4 中的测试文本）"
    # 调用函数生成摘要
    summary = generate_summary(test_text, "中摘要（100-300 字）")
    # 打印结果
    print("文本摘要结果：")
    print(summary)

const axios = require('axios');

// 配置 API 信息
const API_KEY = "你的 Dify 应用 API 密钥";
const API_URL = "http://192.168.1.100:8000/v1/applications/65f8a7b2-3c4d-4e5f-8a9b-0c1d2e3f4a5b/completions";

async function generateSummary(text, summaryLength) {
    try {
        const response = await axios.post(
            API_URL,
            {
                inputs: {
                    text,
                    summary_length: summaryLength
                },
                query: text,
                user: "user_001"
            },
            {
                headers: {
                    "Authorization": `Bearer ${API_KEY}`,
                    "Content-Type": "application/json"
                },
                timeout: 30000
            }
        );
        return response.data.output.text;
    } catch (error) {
        return `API 调用失败：${error.message}`;
    }
}

// 测试
generateSummary("测试文本...", "中摘要（100-300 字）")
    .then(summary => console.log("文本摘要结果：", summary))
    .catch(err => console.error(err));

你是一款产品手册问答 AI，负责基于用户上传的产品手册内容回答问题。请按照以下规则处理：
1. 仅基于知识库中的产品手册内容回答，不添加外部知识；
2. 若问题超出手册范围，明确告知用户"该问题不在产品手册范围内，无法回答"；
3. 回答需引用手册内容，在回答末尾标注引用来源（格式：【引用：文档名称，页码 X】）；
4. 语言需简洁、准确，避免使用专业术语堆砌，确保用户易懂。

- **用户提示**：

这款智能手机支持快充功能，其快充功率为 66W。根据产品手册描述，使用原装充电器时，30 分钟可充电至 80%，完全充满需约 45 分钟。
【引用：智能手机产品手册，页码 12】

import requests
import json

# 配置 API 信息
API_KEY = "你的产品问答应用 API 密钥"
API_URL = "http://192.168.1.100:8000/v1/applications/78a9b0c1-2d3e-4f5a-6b7c-8d9e0f1a2b3c/chat-messages"
HEADERS = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def product_qa(question, user_id):
    """
    调用产品手册问答 API
    :param question: 用户问题
    :param user_id: 用户 ID（区分不同用户）
    :return: 回答结果、引用来源
    """
    payload = {
        "inputs": {
            "question": question
        },
        "query": question,
        "user": user_id,
        "knowledge_base_id": "89c0d1e2-3f4a-5b6c-7d8e-9f0a1b2c3d4e"  # 知识库 ID
    }
    try:
        response = requests.post(API_URL, headers=HEADERS, data=json.dumps(payload), timeout=60)
        response.raise_for_status()
        result = response.json()
        # 提取回答和引用来源
        answer = result["output"]["text"]
        sources = [f"【{source['document_name']}，页码{source['page']}】" for source in result["retrieval_contexts"][0]["sources"]]
        return f"{answer}\n{' '.join(sources)}"
    except requests.exceptions.RequestException as e:
        return f"API 调用失败：{str(e)}"

# 测试
if __name__ == "__main__":
    question = "这款智能手机的电池容量是多少？支持无线充电吗？"
    result = product_qa(question, "user_002")
    print("问答结果：")
    print(result)

你是一名专业的图片内容分析师，擅长分析图片中的场景、物体、文字、颜色、人物等元素。请按照以下规则处理：
1. 首先生成图片详细描述，包含：
   - 场景（如室内/室外、家庭/办公/自然）；
   - 主要物体（名称、数量、颜色、位置）；
   - 人物（数量、动作、穿着、表情，若有）；
   - 文字（图片中的文字内容，若有）；
   - 整体氛围（如明亮/昏暗、温馨/严肃）；
2. 若用户有提问，结合图片内容回答问题，确保回答基于图片实际内容；
3. 若图片内容不清晰或无法识别，明确告知用户；
4. 语言需简洁、有条理，分点描述（使用 1.2.3.格式）。

上传的图片：{{image}}
用户问题（可选）：{{question}}

一、图片详细描述
1. 场景：室内静物场景，背景为白色桌面，无其他装饰元素；
2. 主要物体：
   - 苹果：1 个，红色，位于图片左侧；
   - 香蕉：2 根，黄色，位于图片中间，呈弯曲状；
   - 橙子：1 个，绿色（未完全成熟），位于图片右侧；
3. 人物：无；
4. 文字：无；
5. 整体氛围：明亮、简洁，突出水果主体。
二、问题回答
图片中的水果及颜色如下：
1. 苹果：红色；
2. 香蕉：黄色；
3. 橙子：绿色。

import requests
import json
import base64

# 配置 API 信息
API_KEY = "你的图片分析应用 API 密钥"
API_URL = "http://192.168.1.100:8000/v1/applications/90a1b2c3-4d5e-6f7a-8b9c-0d1e2f3a4b5c/multimodal-completions"
HEADERS = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def image_analysis(image_path, question=None):
    """
    调用图片内容分析 API
    :param image_path: 图片本地路径
    :param question: 用户问题（可选）
    :return: 分析结果
    """
    # 将图片转换为 Base64 编码
    with open(image_path, "rb") as image_file:
        image_base64 = base64.b64encode(image_file.read()).decode("utf-8")
    
    # 构造请求体
    payload = {
        "inputs": {
            "image": {
                "type": "base64",
                "data": image_base64,
                "filename": image_path.split("/")[-1]  # 图片文件名
            },
            "question": question or "请分析图片内容"
        },
        "query": question or "图片分析请求",
        "user": "user_003"
    }
    try:
        response = requests.post(API_URL, headers=HEADERS, data=json.dumps(payload), timeout=60)
        response.raise_for_status()
        result = response.json()
        return result["output"]["text"]
    except requests.exceptions.RequestException as e:
        return f"API 调用失败：{str(e)}"

# 测试
if __name__ == "__main__":
    # 图片本地路径
    image_path = "/home/user/test_images/fruits.jpg"
    # 用户问题
    question = "图片中有几种水果？每种水果的数量是多少？"
    # 调用函数
    analysis_result = image_analysis(image_path, question)
    # 打印结果
    print("图片分析结果：")
    print(analysis_result)

weather_plugin/
├── __init__.py
├── main.py # 插件核心逻辑
├── config.py # 配置文件
└── manifest.json # 插件描述文件

{
  "name": "天气查询插件",
  "description": "根据城市名称查询实时天气",
  "version": "1.0.0",
  "author": "Dify 开发者",
  "type": "tool",
  "parameters": [
    {
      "name": "city",
      "type": "string",
      "required": true,
      "description": "城市名称（如北京、上海）"
    }
  ],
  "outputs": [
    {
      "name": "weather_info",
      "type": "string",
      "description": "实时天气信息（包含温度、湿度、风力、天气状况）"
    }
  ]
}

import requests
from config import AMAP_API_KEY

class WeatherPlugin:
    def __init__(self):
        self.base_url = "https://restapi.amap.com/v3/weather/weatherInfo"
        self.api_key = AMAP_API_KEY

    def run(self, parameters):
        """
        插件执行入口
        :param parameters: 输入参数（包含 city）
        :return: 天气信息
        """
        # 获取城市名称
        city = parameters.get("city")
        if not city:
            raise ValueError("城市名称不能为空")
        
        # 调用高德天气 API
        params = {
            "key": self.api_key,
            "city": city,
            "extensions": "base",  # 基础天气信息
            "output": "json"
        }
        try:
            response = requests.get(self.base_url, params=params, timeout=10)
            response.raise_for_status()
            data = response.json()
            
            # 解析天气数据
            if data["status"] != "1":
                raise Exception(f"天气查询失败：{data.get('info', '未知错误')}")
            
            weather_data = data["lives"][0]
            weather_info = (
                f"城市：{weather_data['city']}\n"
                f"天气状况：{weather_data['weather']}\n"
                f"温度：{weather_data['temperature']}℃\n"
                f"湿度：{weather_data['humidity']}%\n"
                f"风力：{weather_data['winddirection']}{weather_data['windpower']}\n"
                f"更新时间：{weather_data['reporttime']}"
            )
            return {"weather_info": weather_info}
        except Exception as e:
            raise Exception(f"天气查询异常：{str(e)}")

# 高德天气 API 密钥（需在高德开放平台申请：https://lbs.amap.com/）
AMAP_API_KEY = "你的高德天气 API 密钥"

# 在管理节点执行
docker swarm init --advertise-addr 管理节点 IP

version: '3.8'
services:
  api:
    image: langgenius/dify-api:latest
    deploy:
      replicas: 2  # 部署 2 个副本，实现负载均衡
    restart_policy:
      condition: on-failure
    environment:
      - PORT=5000
      - DB_HOST=db
      - DB_PORT=5432
      - DB_USER=dify
      - DB_PASSWORD=你的复杂密码
      - DB_NAME=dify
      - REDIS_HOST=redis
      - REDIS_PORT=6379
      - REDIS_PASSWORD=你的 Redis 密码
      - OPENAI_API_KEY=你的 OpenAI API 密钥
      - STORAGE_TYPE=s3  # 生产环境推荐使用 S3 存储文件
      - S3_ACCESS_KEY=你的 S3 Access Key
      - S3_SECRET_KEY=你的 S3 Secret Key
      - S3_BUCKET=dify-storage
      - S3_REGION=ap-southeast-1
    depends_on:
      - db
      - redis
  web:
    image: langgenius/dify-web:latest
    deploy:
      replicas: 2
    restart_policy:
      condition: on-failure
    environment:
      - REACT_APP_API_URL=https://api.your-dify-domain.com
    depends_on:
      - api
  db:
    image: postgres:14
    deploy:
      replicas: 1
    restart_policy:
      condition: on-failure
    environment:
      - POSTGRES_USER=dify
      - POSTGRES_PASSWORD=你的复杂密码
      - POSTGRES_DB=dify
    volumes:
      - postgres-data:/var/lib/postgresql/data
  redis:
    image: redis:6
    deploy:
      replicas: 1
    restart_policy:
      condition: on-failure
    command: redis-server --requirepass 你的 Redis 密码
    volumes:
      - redis-data:/data
  nginx:
    image: nginx:latest
    deploy:
      replicas: 1
    restart_policy:
      condition: on-failure
    ports:
      - "80:80"
      - "443:443"
    volumes:
      - ./nginx/conf:/etc/nginx/conf.d
      - ./nginx/ssl:/etc/nginx/ssl
    depends_on:
      - api
      - web
volumes:
  postgres-data:
  redis-data:

# 安装 Certbot
sudo apt install certbot python3-certbot-nginx
# 获取证书
sudo certbot --nginx -d your-dify-domain.com -d api.your-dify-domain.com
# 配置 Nginx，将 HTTP 请求重定向到 HTTPS

docker stack deploy -c docker-compose.prod.yml

基于 Dify 低代码平台开发 AI 应用：从入门到生产部署

1. Dify 核心概念与架构解析

1.1 核心概念

1.2 架构设计

1.3 支持的模型类型

基于 Dify 低代码平台开发 AI 应用：从入门到生产部署

1. Dify 核心概念与架构解析

1.1 核心概念

1.2 架构设计

1.3 支持的模型类型

微信扫一扫，关注极客日志

更多推荐文章

2. Dify 环境准备：部署与初始化

2.1 Docker Compose 快速部署（推荐）

2.1.1 前置条件

2.1.2 部署步骤

2.2 本地源码部署（适合二次开发）

2.2.1 前置条件

2.2.2 部署步骤

2.3 常见部署问题解决

3. 实战一：开发文本摘要 AI 应用（基础应用）

3.1 需求分析与设计

3.1.1 功能需求

3.1.2 技术选型

3.2 开发步骤

3.2.1 1. 创建应用

3.2.2 2. 设计 prompt（核心步骤）

3.2.3 3. 配置模型

3.2.4 4. 测试应用

3.2.5 5. 集成 API（对接第三方系统）

3.2.6 6. 前端界面定制（可选）

3.3 应用发布与分享

4. 实战二：开发私有知识库问答 AI 应用（RAG 应用）

4.1 需求分析与设计

4.1.1 功能需求

4.1.2 技术原理

4.2 开发步骤

4.2.1 1. 创建知识库

4.2.2 2. 创建问答应用

4.2.3 3. 配置 RAG（关联知识库）

4.2.4 4. 配置模型

4.2.5 5. 测试应用

4.2.6 6. API 集成（带 RAG 的 API 调用）

4.2.7 7. 知识库管理

4.3 高级配置：优化 RAG 效果

5. 实战三：开发多模态图片内容分析 AI 应用

5.1 需求分析与设计

5.1.1 功能需求

5.1.2 技术选型

5.2 开发步骤

5.2.1 1. 配置多模态模型

5.2.2 2. 创建多模态应用

5.2.3 3. 设计 prompt

5.2.4 4. 测试应用

5.2.5 5. API 集成（多模态 API 调用）

6. Dify 高级功能：工作流与插件开发

6.1 工作流设计：可视化流程编排

6.1.1 工作流设计步骤

6.1.2 工作流应用场景

6.2 自定义插件开发：扩展 Dify 功能

6.2.1 插件开发步骤

7. Dify 应用部署与生产优化

7.1 生产环境部署

7.1.1 Docker Swarm 部署（适合多节点集群）

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具