Dify工作流入门：从部署到AI应用搭建全解析

Dify 作为一款开源 AI 应用开发平台，正在成为许多开发者构建智能体、知识库和自动化流程的首选工具。B 站上有一门“保姆级”教程，宣称能带用户从零搭建 30+ AI 应用，覆盖智能体、知识库和自动化场景，并附完整源码。本文基于该教程内容，梳理 Dify 的核心功能、部署路径、模型接入策略以及应用发布方式，帮助你判断它是否适合你的项目。

Dify 是什么：一个快速构建 AI 应用的平台

Dify 可以被理解为一个 AI 应用构建平台。通过它，开发者能比较快捷地搭建企业级或个人使用的 AI 应用。教程作者指出，Dify 的核心价值在于降低 AI 应用的开发门槛——你不需要从零编写前端、后端和模型调用逻辑，而是通过可视化界面组合节点、配置模型和数据库连接，就能生成可用的应用。

从应用类型来看，Dify 官方提供五类创建入口：聊天助手、文本生成、Agent 智能体、ChatFlow 和 WorkFlow。前三种属于基础应用，后两种属于工作流范畴。教程强调，这五类应用基本覆盖了 Dify 的主要使用场景，后续课程也会围绕它们展开案例教学。

RAG（检索增强生成）是 Dify 知识库类应用的核心机制：用户将文档上传后，Dify 会先对文本分段、向量化并存入向量数据库，用户提问时系统先检索出最相关的片段，再把这些片段作为上下文交给大模型生成答案。这一流程能显著缓解模型“胡编乱造”的问题，也让回答可以引用企业私有资料。理解 RAG 的检索—拼接—生成三步，有助于在 Dify 中正确设置分段长度、召回数量和相似度阈值等参数，否则容易出现检索不到或上下文超长的情况。

部署方式：Windows + Docker 是入门首选

教程选择基于 Windows 的 Docker 来部署 Dify。这样做的好处是，Dify 运行在 Docker 容器中，但可以通过网络访问宿主机 Windows 上的 MySQL 数据库或其他环境。对于个人学习和小型团队内部使用，这种部署方式比较方便。

作者也提到另外两种选择：一是基于源码部署，适合需要深度定制的情况；二是直接使用 Dify 官方提供的在线页面。在线版功能与自部署版基本一致，但当应用需要访问本机数据库或本地环境时，可能需要内网穿透工具将本机 IP 暴露到公网。生产环境则建议自行部署到公司内部服务器，以便更好地控制数据和网络。

数据库连接：为什么要在 Windows 上装 MySQL 8

教程专门用一节讲解 MySQL 8 在 Windows 上的安装。原因在于，后续在 Dify 中构建的 AI 应用需要读取数据库数据，完成 AI 交互。将 MySQL 安装在 Windows 宿主机上，Docker 中的 Dify 可以通过网络与它通信；同样，如果 MySQL 部署在 VMware 虚拟机或 Docker 中，Dify 也能连接。关键是要让 Dify 能访问到数据库地址和端口，具体配置会在教程第四部分展开。

对于已经熟悉 MySQL 安装的读者，这一节可以跳过；但如果你是刚接触 Dify 的开发者，理解 Dify 与外部数据库的通信关系，是搭建知识库类应用的基础。

五类应用与工作流节点：ChatFlow 和 WorkFlow 的区别

Dify 的五类应用中，聊天助手、文本生成和 Agent 智能体属于基础应用。聊天助手用于对话交互，文本生成用于文章、文档、小说等内容创作，Agent 智能体则能调用工具完成多步指令，例如先爬取网页再进行分析。

工作流部分包含 ChatFlow 和 WorkFlow。教程用一句话概括区别：ChatFlow 支持与工作流进行聊天式交互，而 WorkFlow 更偏向一次性输入输出。两者在构建时都需要组合“节点”——每个节点是一个功能模块，比如模型调用、条件判断、数据处理等。教程表示会讲解常用节点，并配备十几个案例，帮助理解工作流的构建逻辑。

Dify 中的“节点”是工作流的最小执行单元，常见类型包括 LLM 节点（调用模型生成内容）、知识检索节点（从知识库召回片段）、条件分支节点（按变量值走不同路径）、代码节点（执行 Python/JS 片段做数据清洗）、HTTP 请求节点（调用外部接口）以及变量聚合、迭代等控制类节点。节点之间通过变量传递数据，前一个节点的输出可作为后一个节点的输入。掌握变量作用域与节点连线逻辑，是判断一个工作流能否按预期运行的关键，也是教程中大量案例反复训练的核心技能。

模型接入：付费 API 优先，本地模型量力而行

在接入大模型时，教程建议优先使用付费 API，例如 DeepSeek^广告、ChatGPT，或者百度文心一言、阿里通义千问^广告等提供免费 token 的国内模型。作者算了一笔账：DeepSeek 充值 10 元可以用很久，自己的账户用了不到 1 元。付费模型的效果通常比本地小模型更稳定，适合应用开发初期快速验证。

教程也提到 Dify 可以关联 Ollama 本地模型，并会配案例讲解。如果机器性能足够好，或者企业有集群部署的 Ollama，下载大参数模型（如 DeepSeek 开源的大模型）也能构建企业级应用。但作者提醒，本地小模型效果有限，不建议作为主力开发模型。

Ollama 是一个本地大模型运行工具，提供统一的命令行与 API 接口，可一键拉取并运行 Llama、Qwen、DeepSeek 等开源模型。Dify 通过配置 Ollama 的服务地址（默认 11434 端口）将其作为模型供应商接入。需要注意，本地模型的推理速度与显存、内存强相关，参数量越大对硬件要求越高；量化版本虽能降低显存占用，但精度会有所下降。因此在开发验证阶段用云端 API、在数据敏感或离线场景再切换本地模型，是较为务实的组合策略。

应用发布：从本机到公网站点

构建好的 Dify 应用不局限在 Dify 页面内使用。教程最后会讲解应用发布：可以将应用发布为公开 Web 站点，生成链接供他人访问；也可以嵌入到自己开发的网站，或通过 API 方式集成到其他系统。公网发布同样可能涉及内网穿透，需要根据实际网络环境配置。

对于想快速验证 AI 应用想法的开发者，Dify 提供了一条从部署、建模到发布的完整路径。教程的“30+ 应用”更多是案例数量的承诺，实际价值在于通过反复练习熟悉节点组合和模型配置。如果你正考虑用 Dify 搭建第一个 AI 应用，可以从 Windows + Docker 部署开始，先跑通聊天助手，再逐步尝试工作流和 Agent。