Dify 基础入门：开源 AI 应用开发平台全面解析

前言

在 AI 应用开发领域，如果你关注开源解决方案，Dify 一定是一个绕不开的名字。与扣子这类闭源平台不同，Dify 是一个开源的 LLM 应用开发平台，由 LangGenius 团队开发，在 GitHub 上拥有超过 10 万颗星。它提供了一站式的 AI 应用构建能力——从模型选择、知识库管理、工作流编排到部署发布，全部可以在可视化界面中完成。

更重要的是，Dify 是开源的。这意味着你可以自托管在自己的服务器上，完全掌控数据安全和模型选择，不被任何云厂商锁定。这对于企业用户和对数据隐私有要求的场景来说，是至关重要的优势。

本文从零开始，带你全面认识 Dify 平台的核心概念和基础能力。

为什么选择 Dify？

在聊 Dify 之前，先理解它在 AI 应用开发生态中的定位。

当前 AI 应用开发主要有三种路径：

路径一：纯代码开发。使用 LangChain、LlamaIndex 等框架，从零开始写代码。灵活度最高，但开发成本也最高——你需要处理模型调用、错误处理、状态管理、部署运维等所有细节。

路径二：闭源平台。如扣子、Dify Cloud、Google Vertex AI Agent Builder 等。上手快、功能全，但数据在别人手里，模型选择受限于平台，长期可能面临供应商锁定。

路径三：开源自托管。Dify 正是这条路径上的最佳选择之一。你既获得了平台化开发的效率，又保留了自托管的自由度。Dify 的核心价值可以用一句话概括：在开源的世界里，提供接近闭源平台的开发体验。

Dify 与扣子的定位相似，但哲学不同。扣子追求的是"说清楚需求就行"的极致低门槛，Dify 则在低门槛和灵活性之间寻找平衡——它给你可视化工具，但同时也允许你深入到代码层面做定制。

平台架构：工作空间、应用与资源

理解 Dify，首先要理解它的资源组织方式。

工作空间——顶层资源容器

工作空间（Workspace）是 Dify 中最顶层的资源组织单元。每个资源——应用、知识库、模型配置、插件——都属于一个特定的工作空间。当你创建应用时，它会继承工作空间的模型配置；当你添加团队成员时，他们将根据角色访问工作空间资源。

Dify Cloud 在首次登录时自动创建一个工作空间，你成为所有者并拥有完全权限。自托管版本同样如此。

工作空间的一个关键设计是模型配置的继承关系。你在工作空间级别配置好模型提供商和 API 密钥后，工作空间内的所有应用都可以直接使用这些模型，而不需要每个应用单独配置。这大大减少了重复配置的工作量。

团队管理与权限控制

Dify 的团队管理是围绕工作空间展开的。不同版本支持不同规模的团队：

免费版：1 个成员（独立开发）
专业版：3 个成员（小型团队）
团队版：50 个成员（成长中的公司）
社区/企业版：无限成员（自托管）

工作空间角色分为所有者、管理员、编辑器和成员四个级别，每个级别有不同的权限范围。这种细粒度的权限控制对于企业协作开发非常重要。

应用类型：从简单到复杂

Dify 提供了多种应用类型，满足不同复杂度的需求：

工作流（Workflow）

工作流是 Dify 中最核心的应用类型，也是其他所有应用类型的底层引擎。它通过拖拽节点的方式构建处理流程，适合单轮任务——比如生成报告、批量处理数据、内容审核等。

工作流支持两种启动方式：用户输入触发（直接交互或 API 调用）和触发器自动运行（定时任务或第三方事件）。只有用户输入启动的工作流可以发布为独立的 Web 应用或 MCP 服务器。

聊天流程（Chatflow）

Chatflow 是工作流在对话场景中的特殊形态。它在每次对话轮次时都会被触发，除了工作流的全部功能外，还具有三个独有能力：

对话变量：在多轮对话中持续存在的变量，可以存储和更新动态信息
LLM 记忆功能：在 LLM 节点中启用对话历史记忆
流式输出：在不同节点以不同方式流式传输文本、图片和文件

传统应用类型

除了工作流和聊天流程，Dify 还保留了三种传统应用类型——聊天机器人、代理和文本生成器。这些类型在底层运行相同的流程引擎，但提供了更简洁的传统界面，适合不需要复杂流程编排的简单场景。

Dify 官方推荐优先使用工作流或聊天流程作为应用类型，因为它们功能更强大且更灵活。

模型管理：自由选择的权利

模型管理是 Dify 的核心能力之一，也是它与闭源平台最大的区别所在。

系统提供商 vs 自定义提供商

Dify 将模型提供商分为两类：

系统提供商由 Dify 管理，无需配置即可使用，通过 Dify 订阅计费。适合快速原型开发，新模型可用时自动更新。

自定义提供商使用你自己的 API 密钥直接访问 OpenAI、Anthropic、Google 等模型服务。你拥有完全控制权，直接向模型提供商付费，通常有更高的速率限制。适合生产环境部署。

这种双轨制设计非常实用——你可以用系统提供商快速验证想法，确认可行后切换到自定义提供商进行生产部署。两者可以同时使用，互不冲突。

多模型支持

Dify 支持几乎所有主流模型提供商：OpenAI、Anthropic、Google、AWS Bedrock、Azure OpenAI、Ollama（本地模型）、Hugging Face 等。对于自托管用户来说，Ollama 集成特别有价值——你可以使用本地部署的开源模型，完全避免数据外泄。

Dify DSL：应用的可移植性

所有 Dify 应用都可以导出为 Dify 自身的 DSL（领域特定语言）YAML 文件。这意味着你可以将应用从一个 Dify 实例迁移到另一个实例，或者与团队分享应用配置。这种可移植性是开源生态的重要优势——你不会被锁定在任何一个托管平台上。

变量系统：连接一切的纽带

变量是 Dify 中连接各个节点的纽带。理解变量类型是掌握 Dify 的基础：

输入变量

在用户输入节点中定义，代表终端用户传入的数据。工作流和聊天流程都支持输入变量，同时还有几个内置的系统变量：

sys.user_id：用户唯一标识
sys.app_id：应用唯一标识
sys.workflow_id：工作流标识
sys.timestamp：每次执行的开始时间

输出变量

每个节点生成一个或多个输出，可以在后续节点中通过变量引用。例如 LLM 节点的输出可以直接传给下一个节点作为输入。

环境变量

环境变量用于存储敏感信息，如 API 密钥、数据库密码等。它与 Dify 应用代码分离，确保在分享应用 DSL 时不会泄露敏感配置。环境变量区分开发环境和生产环境，数据完全隔离。

对话变量（仅限 Chatflow）

对话变量是 Chatflow 独有的特性——在单个对话的多轮交互中持续存在。比如可以维护一个待办事项列表，每一轮对话都可以读取和更新它。通过变量分配器节点更新对话变量的值。

知识库：让 AI 基于事实回答

知识库是 Dify 解决大模型幻觉问题的核心能力。上传文档后，Dify 会自动进行分段、索引，当用户提问时从知识库中检索相关内容，让模型基于检索结果生成回答。

Dify 支持多种文档导入方式：直接上传文件、同步网页内容、集成 Notion 等。知识库是构建企业级 AI 应用的基础——没有知识库的智能体，只能基于训练数据回答问题，无法覆盖企业的私有知识。

插件与工具生态

Dify 通过插件系统连接外部世界。插件可以是模型提供商、外部 API 服务、自定义工具，也可以将其他 Dify 工作流封装为工具。

Dify 的工具分为三种类型：插件工具、自定义工具和工作流工具。插件工具来自 Dify 插件市场，自定义工具允许你定义自己的 API 接口，工作流工具则将已有的工作流封装为可复用的工具节点。

发布与集成

应用构建完成后，Dify 提供了多种发布方式：

Web 应用：直接发布为独立的网页应用，支持嵌入 iframe
API 服务：生成 API 凭据，集成到自建应用中
MCP 服务器：将应用发布为 MCP（Model Context Protocol）服务器，让 Claude、Cursor 等外部 AI 工具可以调用

MCP 服务器的发布是 Dify 近期的重要更新——它让 Dify 构建的应用不再局限于 Dify 平台内部使用，而是可以成为整个 AI 工具生态的一部分。

监控与分析

Dify 提供了完整的监控面板，追踪四个核心指标：对话量、活跃用户、Token 消耗和用户反馈。对话日志记录了每次交互的完整输入输出历史、时间数据和系统元数据，支持用户反馈（点赞/踩）和评论。

这些数据对于持续优化应用至关重要——你可以通过分析对话日志发现哪些场景处理得好、哪些需要改进。

开源部署：真正的数据自主权

对于重视数据安全的企业，Dify 提供了完整的自托管方案。通过 Docker Compose 一键部署，所有数据存储在自己的服务器上。Dify 还提供了 AWS AMI 镜像（Dify Premium），支持自定义品牌和一键部署。

部署配置方面，Dify 支持反向代理、自定义域名、OAuth 登录集成等企业级功能。对于位于 Nginx 后面的单域名部署，系统会自动检测 URL 配置；使用自定义域名或分域名部署时，可以手动配置环境变量。

小结

Dify 的核心优势可以总结为三点：开源自由——数据在自己手里，模型自己选，不会被供应商锁定；开发效率——可视化拖拽构建 AI 应用，从想法到部署的周期极短；生态丰富——支持几乎所有主流模型和丰富的插件市场。

对于想认真做 AI 应用但不想被闭源平台绑定的团队来说，Dify 是当前最成熟的选择之一。它的设计哲学是：给你自由，但不让你从零开始。 你可以在开源的世界里享受接近闭源平台的开发体验，同时保留随时深入定制的能力。

下一步，我们将深入 Dify 的工作流系统，看看如何构建复杂的多步骤 AI 应用。