第 7 章：Dify 低代码可视化平台¶

Dify 是目前 GitHub 上星标最多的 AI 应用开发平台（130K+ ⭐），适合快速原型开发和非技术人员使用。

7.1 Dify 是什么？¶

核心特性¶

特性	说明
可视化编排	拖拽式构建 AI 工作流
多模型支持	OpenAI、Claude、国产模型等
内置 RAG	文档上传自动向量化
API First	所有功能都有 API 接口
自托管	数据完全掌握在自己手中

7.2 本地部署¶

7.2.1 Docker 部署（推荐）¶

# 1. 克隆仓库
git clone https://github.com/langgenius/dify.git
cd dify

# 2. 配置环境变量
cp .env.example .env

# 3. 启动服务
docker compose up -d

# 4. 访问
# http://localhost/install

7.2.2 配置 Ollama 本地模型¶

编辑 .env 文件：

# 启用自定义模型
CUSTOM_MODEL_ENABLED=true

# Ollama API 地址
OLLAMA_API_BASE_URL=http://host.docker.internal:11434

在 Dify 界面中添加模型： 1. 点击右上角头像 → 设置 2. 模型供应商 → 安装 Ollama 3. 添加模型：名称为 qwen2.5:7b，基础 URL 为 http://host.docker.internal:11434

7.3 创建第一个 Agent 应用¶

7.3.1 聊天助手¶

进入「工作室」→ 点击「创建应用」
选择「聊天助手」
配置：
应用名称：我的 AI 助手
模型：选择 GPT-4o 或本地模型
提示词：填写 System Prompt

7.3.2 智能体（Agent）¶

选择「智能体」类型
配置工具：
添加搜索工具
添加代码执行工具
添加自定义 API 工具
设置 Agent 策略：Function Calling

7.4 知识库配置¶

7.4.1 创建知识库¶

步骤：
1. 左侧菜单 → 知识库
2. 点击「创建知识库」
3. 上传文档（支持 PDF、Word、TXT、Markdown）
4. 配置分段设置：
   - 分段标识符：\n\n（段落分隔）
   - 最大分段长度：500 字符
   - 分段重叠：50 字符
   - 索引方式：高质量
5. 点击「保存并处理」

7.4.2 RAG 检索优化¶

# 检索参数配置
{
    "search_method": "hybrid_search",  # 混合搜索
    "reranking_enable": true,           # 启用重排序
    "reranking_model": {
        "reranking_provider_name": "bailian",
        "reranking_model_name": "gte-rerank"
    },
    "top_k": 5,                        # 返回前5个片段
    "score_threshold": 0.5,            # 最低相关性阈值
    "weights": {
        "vector_weight": 0.5,
        "keyword_weight": 0.5
    }
}

7.5 ChatFlow 工作流编排¶

7.5.1 基础工作流¶

[开始] → [LLM节点] → [条件分支] → [工具节点] → [结束]
                    ↓
              [知识库检索]
                    ↓
              [LLM节点]

7.5.2 条件分支示例¶

# 变量定义
变量名: type
默认值: "general"

# 条件分支逻辑
if type == "1":
    → 病虫害防治流程
elif type == "2":
    → 生长预测流程
else:
    → 用户问答流程

7.5.3 Agent 节点配置¶

Agent 节点设置：
1. 选择 Agent 策略：Function Calling
2. 选择模型：GPT-4o
3. 添加工具：
   - 插件：数据库查询
   - 插件：网页搜索
4. 配置指令：{"query": "搜索关于AI的最新新闻"}

7.6 API 调用¶

7.6.1 获取 API Key¶

路径：应用详情 → 访问 API → 创建 API 密钥

7.6.2 对话接口¶

import requests

API_KEY = "app-xxxxxxxx"
BASE_URL = "http://localhost/v1"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

# 发送消息
response = requests.post(
    f"{BASE_URL}/chat-messages",
    headers=headers,
    json={
        "inputs": {},
        "query": "你好，请介绍一下自己",
        "response_mode": "blocking",  # blocking 或 streaming
        "conversation_id": "",
        "user": "user_123"
    }
)

print(response.json())

7.6.3 流式响应¶

import requests

response = requests.post(
    f"{BASE_URL}/chat-messages",
    headers=headers,
    json={
        "query": "请详细介绍 AI Agent",
        "response_mode": "streaming",
        "user": "user_123"
    },
    stream=True
)

# 处理流式响应
for line in response.iter_lines():
    if line:
        line = line.decode('utf-8')
        if line.startswith('data:'):
            data = json.loads(line[5:])
            print(data.get('answer', ''), end='', flush=True)

7.7 实战：农业咨询系统¶

7.7.1 工作流设计¶

用户输入
    ↓
[变量提取] → 提取病虫害/作物/参数
    ↓
[条件分支]
    ├── type=1 → [病虫害防治 Agent] → [数据库查询] → [输出]
    ├── type=2 → [生长预测 Agent] → [知识库检索] → [输出]
    └── else    → [用户问答] → [直接回复]

7.7.2 代码实现¶

# 在 Dify 中配置的工作流变量
变量:
- name: crop_type  # 作物类型
- name: issue_type # 问题类型
- name: symptoms   # 症状描述

# Agent 配置
system_prompt: """你是一位农业专家，擅长病虫害防治和作物生长管理。
请根据用户提供的作物类型和问题，给出专业的建议。"""

7.8 Dify vs 代码方案对比¶

维度	Dify	自研代码
上手难度	⭐ 极低	⭐⭐⭐ 中等
灵活性	中等	高
部署复杂度	低	中高
定制能力	受限	完全控制
适合人群	产品经理、运营	开发者
成本	低（自托管免费）	开发成本高

7.9 本章小结¶

✅ 掌握了 Dify 的本地部署方法

✅ 学会了创建聊天助手和智能体应用

✅ 了解了知识库配置和 RAG 检索优化

✅ 学会了通过 API 调用 Dify 应用

下一章¶

→ 第 8 章：OpenAI Agents SDK