1.1 Dify平台介绍¶
学习目标¶
- 了解什么是Dify以及和Coze的区别
- 掌握Dify基于docker的安装方式
- 掌握Dify添加大模型
- 实现第一个Dify案例
一、Dify平台介绍¶
Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service, Baas） 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。
由于 Dify 内置了构建 LLM 应用所需的关键技术栈，包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agent 框架、灵活的流程编排，并同时提供了一套易用的界面和 API。这为开发者节省了许多重复造轮子的时间，使其可以专注在创新和业务需求上。
拓展：什么是Backend as Service
Backend as a Service（后端即服务，简称 BaaS）是一种云计算服务模式，它为移动应用和 Web 应用的开发者提供预先构建好的后端基础设施和功能服务，让开发者无需从零开始搭建和维护复杂的服务器端系统。
BaaS 平台通过统一的应用程序编程接口（API）和软件开发工具包（SDK），将常见的后端功能封装成即插即用的服务。下表列举了典型 BaaS 提供商通常会包含的核心服务。
BaaS 就像是为应用开发准备的“标准化后端模块工具箱”。它通过将通用的后端功能服务化，让你能像搭积木一样快速构建应用的后端支撑，从而将宝贵的资源集中在创造独特的前端业务逻辑和用户体验上
和前面我们所学过的Coze相似， Dify也是一个基于“工作流”编排的框架，能够以比较低的成本实现一个复杂的Agent。 但在实际工作中，Coze和Dify的定位有所不同，具体细节我在本章的第四小节再进行对比。
二、Dify的安装¶
在安装 Dify 之前，请确保您的机器满足以下最低系统要求：
- CPU >= 2 Core
- RAM >= 4 GiB
1 安装 WSL（Windows Subsystem for Linux）¶
参考learn.microsoft.com/zh-cn/windo…
- 启用 WSL 打开具有管理员权限的 PowerShell，运行以下命令以安装 WSL：
安装完成后，重启电脑以完成配置。
- 选择 Linux 发行版
如果直接运行
wsl.exe --install -d ubuntu报错，可以通过 Microsoft Store 搜索 "Linux" 并选择合适的 Ubuntu 版本进行安装。安装完成后，系统会提示你设置用户名和密码。
2 安装 Docker Desktop¶
- 下载 Docker Desktop 前往 Docker 官方文档 下载适用于 Windows 的 Docker Desktop。
- 安装并配置 Docker 根据安装向导完成 Docker 的安装，并确保启用了 WSL 2 后端支持。这将允许 Docker 在 WSL 环境中无缝运行。
安装完毕，进入设置页面（右上角齿轮）
修改配置，如下：
{
"builder": {
"gc": {
"defaultKeepStorage": "20GB",
"enabled": true
}
},
"dns": [
"8.8.8.8",
"223.5.5.5"
],
"experimental": true,
"registry-mirrors": [
"https://docker.nju.edu.cn",
"https://hub-mirror.c.163.com"
]
}
这里主要需要修改的是registry-mirrors项 ，其他的可以不修改。如下：
这一步的操作主要是为了给docker增加国外的镜像源，以便加快拉取镜像的速度。 这个对比pip更迫切，因为镜像文件往往比python库要大的多。
3 安装dify环境¶
3.1下载dify项目压缩包¶
可以克隆也可以直接下载
克隆命令：
3.2 进入项目根目录找到docker文件夹¶
3.3 env文件重命名¶
3.4 右键打开命令行¶
3.5 运行docker环境¶
这里对网络有一定的要求，需要能访问docker官网。 一次不成功的可以多尝试几次
4 启动dify¶
在浏览器地址栏输入即可安装：
首次登录需进行注册：
dify的主界面如下所示：
三、第一个Dify案例¶
1 大模型接入¶
在 Dify 中，我们按模型的使用场景将模型分为以下3类：
- 系统推理模型。 在创建的应用中，用的是该类型的模型。智聊、对话名称生成、下一步问题建议用的也是推理模型。
- Embedding 模型。在知识库中，将分段过的文档做 Embedding 用的是该类型的模型。在使用了知识库的应用中，将用户的提问做 Embedding 处理也是用的该类型的模型。
- 语音转文字模型。将对话型应用中，将语音转文字用的是该类型的模型。
在 Dify 的 设置 > 模型供应商 中设置要接入的模型。
2 创建一个应用¶
在“工作室”页面创建一个空白应用，如下：
在这里我们可以看到，Dify中“应用”的概念和Coze不同， 这里的应用是工作流或者是对话流， 而不是Coze中完整的智能体或者h5应用。
搭建一个简单的工作流：
首先，第一步，在“开始”工作流增加一个query字段，如下：
添加一个LLM节点，如下：
设置LLM节点中各变量：
系统提示词：
添加一个结束节点，并接收LLM节点的输出作为输入：
3 试运行工作流¶
点击试运行，输入
如下图：
结果如下：
四、 Dify和Coze的对比¶
虽然Dify和Coze看起来都像是基于“工作流”，但是两者的定位略有不同，它们在设计哲学、目标用户和适用场景上有着明显的区别：
| 比较维度 | Coze（扣子） | Dify |
|---|---|---|
| 核心定位 | 面向消费者的AI应用商店/生态，强调快速、易用的对话式AI（Bot）开发 | 面向开发者的LLMOps与BaaS平台，强调生产级AI应用的全生命周期管理 |
| 设计理念 | 模块化套件（Coze Studio用于构建，Coze Loop用于监控优化） | 集成化平台，提供从原型到部署的一体化体验 |
| 目标用户 | 非技术人员、产品/运营、内容创作者，零代码快速上手 | 开发者、AI工程师、企业技术团队，需要一定技术背景 |
| 技术栈 | 后端：Golang；前端：React+TypeScript | 后端：Python/Flask；前端：Next.js+TypeScript |
| 模型支持 | 优先集成字节及国内模型（如豆包），生态相对封闭 | 支持超50个开源与商用模型，强调模型中立与灵活性，避免供应商锁定 |
| 功能重心 | 卓越的对话体验，易于发布到字节系平台（如飞书、抖音） | 复杂工作流编排与RAG，提供精细控制和强大的知识库管理能力 |
| 部署与数据 | 主要以SaaS服务为主；数据由平台托管 | 支持强大的私有化部署，保障数据安全与合规，适合金融、医疗等行业 |
| 开源协议 | 部分组件开源（Apache-2.0） | 开源（Apache-2.0），采用Open-Core模式 |
在实际工作中，我们该如何选择？
在以下情况下，果断选择 Coze：
- 身份是新手、运营或内容创作者，想零代码在几分钟内搭建一个AI聊天机器人。
- 核心需求是快速原型验证，或者为抖音、飞书等平台制作一个营销助手、客服机器人。
- 不关心底层技术细节，追求“开箱即用”的流畅体验。
在以下情况下，Dify 是你的更优选择：
- 身份是开发者或企业技术决策者，需要构建复杂、定制化的生产级AI应用（如企业知识库、智能问答系统）。
- 对数据隐私、安全性和合规性有高要求，必须进行私有化部署。
- 希望拥有对模型、工作流和数据的完全控制权，避免被单一生态绑定。
- 技术团队有能力进行二次开发：团队中有开发者，希望基于开源代码进行定制开发，或将AI能力通过API集成到现有业务系统中
简单来说，求快、求简单、个人/轻量级项目，选Coze；求强、求复杂、企业级/定制化需求，选Dify