用途
Dify（Do It For You）是一个开源平台，用于构建智能体工作流与 LLM 应用，提供可视化界面设计复杂的 AI 流程，支持与数百种 LLM 模型及现有工具集成。适用于构建 LLM 应用、创建聊天机器人与对话式智能体、实现 RAG 系统、开发带工具调用的智能体、部署生产级 LLM 应用、管理知识库、集成 LLM 与现有工具数据源、监控优化应用性能。
核心能力
可视化工作流引擎：基于节点的界面构建 AI 工作流，拖拽组件快速开发，实时预览与测试，支持工作流迭代的版本控制。
模型支持：集成数百种 LLM（专有与开源），支持数十家提供商（OpenAI、Anthropic、Google、Hugging Face、本地模型等），可在 Prompt IDE 中并排测试对比模型，轻松切换模型提供商。
RAG 流水线：支持 PDF、PPT、TXT、Markdown 等文档处理，创建和管理多个知识源，可配置文本分块策略，支持向量搜索、关键词搜索、混合检索，支持多种嵌入模型提供商。
智能体能力：基于 ReAct 架构的函数调用，50+ 内置工具，可添加自定义 API 和函数工具，支持多步推理与复杂任务分解。
LLMOps：应用监控追踪使用与性能，分析仪表盘展示用户交互与指标，调试工具支持逐步执行检查，变量跟踪监控工作流数据流。
后端即服务：REST API 编程访问，可部署为独立 Web 应用，支持嵌入式组件集成到现有应用，自动生成 API 文档。
安装
前置要求：CPU ≥2 核，RAM ≥4 GB，已安装 Docker 与 Docker Compose。
方式一：Docker Compose（推荐）
git clone https://github.com/langgenius/dify.git
cd dify
cd docker
cp .env.example .env
vim .env
docker compose up -d
open http://localhost/install
方式二：Dify Cloud，在 https://cloud.dify.ai 注册，获得 200 次免费 GPT-4 调用，无需安装。
方式三：部署到云平台。Kubernetes：
helm repo add dify https://langgenius.github.io/dify-helm
helm install dify dify/dify
AWS 使用 AWS CDK：cdk deploy DifyStack。Azure/Google Cloud/阿里云参见官方文档部署指南。
主要环境变量包括 API_URL、WEB_URL、数据库（DB_USERNAME、DB_PASSWORD、DB_HOST、DB_PORT、DB_DATABASE）、Redis（REDIS_HOST、REDIS_PORT、REDIS_PASSWORD）、存储（STORAGE_TYPE、STORAGE_LOCAL_PATH）、向量数据库（VECTOR_STORE，可选 weaviate、pgvector、qdrant、milvus）、以及 LLM 提供商 API Key（OPENAI_API_KEY、ANTHROPIC_API_KEY）。
使用方式
创建应用：安装后访问 http://localhost/install 完成初始化向导并创建工作区。应用类型包括 Chatbot（带记忆的对话式 AI）、Text Generator（单轮文本生成）、Agent（带工具的任务型 AI）、Workflow（自定义多步流程）。
构建聊天机器人：点击 Create Application，选择 Chatbot，选择 LLM 模型，配置系统提示词，在 playground 测试，发布为 API 或 Web 应用。
添加知识库（RAG）：在 Knowledge 区域创建知识库，上传文档（PDF、TXT、Markdown），配置分块设置（如 chunk size 500 tokens，overlap 50 tokens），选择嵌入模型并处理文档。然后在聊天机器人中添加 Knowledge Retrieval 节点，选择知识库，配置检索设置（Top K 3-5，score threshold 0.7，可启用 reranking）。
API 调用：Python 与 Node.js 示例通过 POST 请求调用 /v1/chat-messages 端点，携带 Authorization Bearer 头与 JSON 请求体（inputs、query、response_mode、conversation_id、user）。response_mode 支持 streaming 与 blocking。
工作流节点：包括 LLM 节点、Knowledge Retrieval、Tool 节点、Code 节点（运行自定义 Python/JavaScript）、Conditional 条件分支、Variable Aggregator、HTTP Request、Template Transform。
智能体内置工具：Google Search、Wikipedia、Weather APIs、Calculator、Web Scraper、数据库查询、文件操作、邮件发送。支持自定义工具定义（名称、描述、参数 schema）。
知识库管理：支持 PDF、docx、pptx、txt、md、HTML、CSV 格式。分块策略包括固定大小分块（fixed_size）、段落分块（paragraph）、语义分块（semantic）。检索配置支持向量搜索（vector）与混合检索（hybrid，可设向量权重、关键词权重、reranking）。
API 端点：/v1/chat-messages（聊天消息）、/v1/completion-messages（补全消息）、/v1/messages/{message_id}/feedbacks（反馈）。提供 Python SDK（dify_client）支持 chat、chat_stream 等方法。
适用场景与最佳实践
适用场景包括客户支持工作流（知识检索 → 条件分支 → LLM 生成 → 创建工单）、研究智能体（使用搜索、维基、爬虫工具并引用来源）、对话式客服机器人等。
开发最佳实践：从简单聊天机器人开始，逐步构建复杂工作流；增量测试每个节点后再连接；正确作用域和命名工作流变量；重大更改前保存版本；监控 token 使用与 API 成本。
生产实践：API Key 使用环境变量，实现速率限制，公共端点启用认证，定期安全更新；缓存频繁查询，优化知识库分块，长响应使用流式，实现连接池；监控响应延迟、token 使用、错误率、用户满意度、知识检索准确率；使用负载均衡、水平扩展 worker、分离数据库、异步任务队列。
知识库优化：上传前清理格式化文档，去重与删除过时内容，术语一致；从 500-token 分块开始，根据文档结构调整，使用重叠保留上下文；监控检索准确率，调整分数阈值，关键应用使用 reranking，A/B 测试检索配置。
限制与限制
文档已知的常见问题及排查方向包括：Docker 容器无法启动（检查日志、验证环境变量、确认端口、重置重启）、知识检索无结果（检查文档处理状态、验证嵌入模型、临时降低分数阈值、重建索引）、API 高延迟（启用缓存、使用流式、优化 LLM 设置、检查数据库性能）、模型 API 错误（验证 API Key、检查提供商状态、实现重试逻辑）。调试技巧：使用工作流调试器逐步执行、启用详细日志（LOG_LEVEL=DEBUG）、单独测试各组件、使用 docker stats 监控资源。
高级主题包括自定义模型提供商（继承 ModelProvider）、工作流优化（并行执行、条件缓存）、企业部署（高可用设置、Prometheus/Grafana/Loki/Alertmanager 监控栈）。
官方资源：文档 https://docs.dify.ai/，GitHub https://github.com/langgenius/dify，API 参考 https://docs.dify.ai/api-reference，云平台 https://cloud.dify.ai，Discord https://discord.gg/dify。部署指南包括 Kubernetes、AWS、Azure、Google Cloud 版本。相关工具包括 LangChain、LlamaIndex、Flowise、LangFlow。
关于具体收费、价格与商业条款，资料未提供，暂未说明。