Dify这个工具最近在AI圈子里热度不低，但很多朋友还不太清楚它到底能干什么。简单说，Dify就像AI应用开发领域的低代码平台——你只需要拖拖拽拽、配置几下，就能快速搭出一个具备RAG、工具调用、多轮对话能力的AI Agent。
一、Dify是什么？为什么选它？
1.1 一句话定位
Dify = AI应用开发的“低代码平台”，让你通过拖拽+配置，快速搭建具备RAG、工具调用、多轮对话能力的AI Agent。
1.2 为什么是Dify？（与其他方案对比）
| 方案 | 优势 | 劣势 | 适合谁 |
|---|---|---|---|
| 手写Agent（上一轮） | 完全可控，理解深 | 开发周期长 | 想深入理解原理的人 |
| LangChain | 生态丰富，灵活 | 学习曲线陡峭，抽象层级多 | 有一定经验的开发者 |
| Dify | 可视化，上手快，有API | 极端定制场景需二次开发 | 零基础/快速验证 |
| Coze（扣子） | 字节出品，中文友好 | 数据存云端，企业合规风险 | 个人/轻量场景 |
二、本地部署Dify（3种方式，按需选择）
方式一：Docker Compose（推荐，最省心）
前置要求：Docker已安装，内存≥4GB
# 1. 克隆项目
git clone https://github.com/langgenius/dify.git
cd dify/docker
# 2. 启动所有服务（包含PostgreSQL、Redis、Wea viate等）
docker-compose up -d
# 3. 访问 https://localhost:3000
# 默认账号: admin@dify.ai / password: 123456
方式二：源码本地运行（适合二次开发）
# 后端（Python）
cd api
cp .env.example .env
# 修改.env中的数据库配置
pip install -r requirements.txt
flask db upgrade
python app.py
# 前端（Next.js）
cd web
npm install
npm run dev
方式三：Dify Cloud（最快，数据存云端）
直接访问 https://cloud.dify.ai 注册即可，跳过部署环节。
三、手把手：用Dify搭建第一个本地Agent
场景：一个“智能运维助手”——能查服务器状态、能执行命令、能分析日志
Step 1：创建应用
登录Dify → 点击 “创建应用”
选择 “Agent” 类型（不是“对话应用”）
命名：运维小助手
Step 2：配置模型
进入应用 → “模型配置”
选择模型提供方：
本地模型：用Ollama部署的Qwen/DeepSeek（后面会讲）
云端模型：OpenAI / Azure / 火山引擎 / 通义千问
填入API Key和模型名称
Step 3：设计System Prompt（这是Agent的“人格”）
在 “指令” 框中输入：
你是一个专业的运维助手，负责协助工程师管理服务器。你的能力：
1. 查询服务器状态（CPU、内存、磁盘）
2. 执行预设的安全命令（如查看日志、重启服务）
3. 分析错误日志并给出排查建议
工作原则：
- 执行任何操作前，先向用户确认
- 如果信息不足，主动询问
- 输出结果时，用表格或列表清晰展示
- 涉及敏感操作时，必须再次确认
Step 4：添加工具（核心！这是Agent的“手脚”）
点击 “工具” → “添加工具”
内置工具（可直接勾选）：
Web Scraper：抓取网页内容Current Time：获取当前时间Wikipedia：搜索维基百科
自定义工具（重点）：
点击 “自定义工具” → “创建”，填写：
工具名称: query_server_status
工具描述: 查询指定服务器的CPU、内存、磁盘使用率
输入参数:
- server_ip (string): 服务器IP地址
- metric (string, 可选): cpu/mem/disk/all，默认all
关联执行逻辑（两种方式）：
| 方式 | 说明 | 难度 |
|---|---|---|
| 代码节点（Code Node） | 在Dify内写Python代码 | ⭐⭐ |
| API调用 | 调用外部HTTP服务（你已有的Go运维API） | ⭐ |
代码节点示例（直接在Dify里写）：
import subprocess
import json
def main(server_ip: str, metric: str = "all"):
# 这里用模拟数据，实际可通过SSH或Agent API获取
result = {
"cpu": "23.5%",
"memory": "67.2%",
"disk": "45.8%"
}
return {
"status": "success",
"data": result
}
Step 5：配置记忆（让Agent“记住”上下文）
在 “上下文” 选项卡中：
- 开启记忆：让Agent记住历史对话
- 记忆窗口大小：设置保留最近N轮对话（建议10-20轮）
- 长期记忆：对接向量库（如Qdrant/Pinecone），让Agent记住用户偏好
Step 6：测试与调试
在右侧 “调试” 面板输入：
请帮我查一下 192.168.1.100 这台服务器的整体状态
观察Agent的执行轨迹：
- 是否理解你的意图
- 是否正确调用了
query_server_status工具 - 返回结果是否清晰
四、本地模型接入（零成本方案）
不想花钱买API？用 Ollama + Dify 本地跑模型：
4.1 安装Ollama
# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh
# 下载中文模型（推荐Qwen2.5）
ollama pull qwen2.5:7b
4.2 Dify接入Ollama
在Dify的 “模型提供商” → “Ollama” 中配置：
API地址: https://localhost:11434
模型名称: qwen2.5:7b
上下文长度: 8192
五、Dify Agent进阶功能
当你跑通基础Agent后，可以逐步解锁以下能力：
5.1 知识库（RAG）接入
点击 “知识库” → “创建” → 上传你的运维文档、操作手册、故障案例库
Agent在回答问题时，会自动检索知识库，让回答更精准。
5.2 工作流编排（Workflow）
对于复杂任务，可以脱离纯Agent模式，使用 “工作流” 模式——用可视化节点编排固定流程，比纯Agent更可控、更稳定。
5.3 API发布
创建好的Agent可以：
- 嵌入到网页：复制iframe代码
- 发布为API：获得RESTful API端点，供其他系统调用
- 发布到Slack/微信/钉钉：接入企业IM
5.4 日志与可观测性
Dify内置了完整的运行日志：
- 每次对话的完整追踪
- Token消耗统计
- 工具调用记录
- 用户反馈收集
六、新手常见踩坑 & 解决方案
| 问题 | 原因 | 解决方案 |
|---|---|---|
| Agent不调用工具 | System Prompt没写清楚“何时调用工具” | 在Prompt中明确：“当用户问及XX时，你必须调用YY工具” |
| 工具参数解析错误 | LLM生成的参数格式不对 | 在工具描述中写清楚参数示例，如{"ip": "192.168.1.1"} |
| 本地模型太慢 | 7B模型在CPU上运行较慢 | 1) 用GPU加速；2) 换更小的模型（如qwen2.5:1.5b） |
| Docker容器启动失败 | 端口被占用 | 修改docker-compose.yml中的端口映射 |
七、30分钟实战Checklist
按照这个清单，今天就能跑通第一个本地Agent：
- 用Docker或Cloud版启动Dify
- 创建第一个Agent应用
- 配置模型（云端或本地Ollama）
- 编写System Prompt
- 添加1个内置工具（如Current Time）
- 添加1个自定义工具（Python代码）
- 在调试面板测试至少3种不同问题
- 观察并记录Agent的思考-行动-观察轨迹
- 将Agent发布为API并调用
