30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在探索 AI 应用开发时很多开发者会首先接触到像“扣子”这类在线、托管的 AI 应用构建平台。它们提供了便捷的入口让用户无需关心底层基础设施通过简单的拖拽和配置就能快速搭建一个对话机器人或工作流。然而当你的需求从个人玩具转向企业级应用、从简单对话转向复杂业务流程集成、从公开数据转向私有知识库时本地化部署、数据安全、模型自主权和深度定制化就成为了必须考虑的因素。这时一个像 Dify 这样开源的、可私有化部署的 AI 应用开发平台的价值就凸显出来了。Dify 是一个开源的 LLM 应用开发平台它集成了 Agentic Workflow智能体工作流、RAG检索增强生成管道、多种模型集成和可观测性工具。其核心优势在于它既提供了类似“扣子”的低代码/无代码可视化构建体验又允许你将整个平台部署在自己的服务器上完全掌控数据、模型和流程。这意味着你可以使用本地或私有云上的大语言模型如通过 Ollama 部署的模型连接企业内部数据库和 API构建符合特定业务逻辑的复杂智能体而所有数据都在你的安全边界内流转。本文旨在为那些希望将 AI 能力深度集成到自身业务中并追求数据主权和定制化的开发者或团队提供一份详尽的 Dify 本地部署指南。我们将以 Windows 11 环境为例通过 Docker 这一最主流的方式在四步内完成 Dify 的安装与基础配置并解释每一步背后的原理和常见问题排查方法。完成部署后你将拥有一个完全受控的 AI 应用开发环境可以开始构建你的第一个智能体工作流或知识库问答系统。1. 理解 Dify 的核心价值与部署必要性在动手部署之前我们需要先厘清一个关键问题既然有现成的在线平台为什么还要费时费力地自己部署 Dify这个问题的答案直接决定了后续部署和使用的投入产出比。1.1 Dify 与在线平台的核心差异在线 AI 应用平台如“扣子”的本质是 SaaS软件即服务。你作为租户在服务商提供的多租户环境中创建应用。这种模式的优势是开箱即用、无需运维、迭代快速。但其局限性也非常明显数据安全性你的提示词、知识库文档、对话记录、API 密钥等所有数据都存储在服务商的云端。对于处理敏感信息如客户数据、内部文档、商业机密的企业来说这是一个不可接受的风险。模型自主权你通常只能使用平台预设的、有限的几个云端模型如 GPT-4、文心一言等。你无法接入部署在本地或私有云上的开源模型如 Llama、Qwen、DeepSeek也无法精细控制模型的调用参数和成本。网络与合规所有请求都需要通过公网到达平台服务器。在内部网络环境或对网络出口有严格管控的场景下这可能无法使用。同时某些行业如金融、医疗、政务有明确的合规要求数据必须留在境内或特定区域内。定制化与集成深度SaaS 平台为了保持通用性其功能、界面和集成能力往往是固定的。你很难深度定制工作流的逻辑、修改前端界面、或将其与内部复杂的业务系统如 ERP、CRM进行深度、安全的 API 集成。成本与规模对于高频调用、大规模使用的场景按量付费的 SaaS 模式长期来看可能成本高昂。自建则可以更好地控制硬件和模型推理成本。Dify 作为开源、可私有化部署的平台恰好解决了上述痛点。它把 AI 应用开发的“引擎”交还给你自己。1.2 Dify 的核心功能组件部署 Dify意味着你将获得一个包含以下核心功能的完整开发环境可视化工作流构建器通过拖拽节点LLM调用、条件判断、代码执行、API调用等来设计复杂的、多步骤的 AI 智能体流程。这远不止是简单的对话而是可以实现自动化决策和任务执行。RAG 知识库引擎支持从多种格式文件TXT、PDF、Word、PPT、Markdown中提取文本进行分割、向量化并存入向量数据库如 PostgreSQL with pgvector、Milvus、Weaviate构建属于你自己的、可实时更新的知识问答系统。多模型支持可以同时配置和切换多个 LLM 提供商包括 OpenAI API 兼容接口如 Azure OpenAI、Ollama 本地模型、DeepSeek、通义千问等、Anthropic、Cohere 等。你可以在一个应用内根据不同任务选择性价比或效果最佳的模型。插件与工具集成支持通过插件市场或自定义开发接入搜索引擎、数据库、外部 API 等工具极大扩展了 AI 应用的能力边界。应用发布与监控构建的应用可以发布为 Web API、聊天窗口组件或独立网站。平台还提供了应用使用量、Token 消耗、错误日志等监控面板。理解了“为什么需要部署”以及“部署后能得到什么”我们接下来的环境准备和安装步骤就有了明确的目标。2. 部署前的环境准备与规划Dify 官方推荐使用 Docker Compose 进行部署这是最便捷、可复现且易于管理的方式。在 Windows 11 上我们需要先准备好 Docker 环境并规划好所需的系统资源。2.1 系统与硬件要求在个人电脑或开发服务器上部署 Dify需要满足以下最低要求组件最低要求推荐配置说明操作系统Windows 10/11 (64-bit)Windows 11 (64-bit)需要支持 WSL 2 或 Hyper-V。CPU支持虚拟化的双核处理器四核及以上用于运行 Docker 容器和模型推理如果使用本地模型。内存8 GB16 GB 或更高Dify 基础服务约占用 2-3 GB剩余内存用于运行 LLM如 Ollama。内存不足是部署失败最常见的原因。存储20 GB 可用空间50 GB 或更高用于存放 Docker 镜像、向量数据库数据、上传的文件等。SSD 能显著提升知识库索引和查询速度。网络可访问互联网稳定的网络连接首次部署需要拉取 Docker 镜像部分插件安装也需要联网。注意如果你的目的是进行重度开发或生产环境试用强烈建议使用 Linux 服务器如 Ubuntu 22.04 LTS进行部署其在资源利用率和稳定性上更优。本文以 Windows 为例旨在提供一个快速上手的路径。2.2 安装与配置 Docker DesktopDocker Desktop 是 Windows 和 Mac 上运行 Docker 容器最方便的工具。它内置了 Docker Engine、Docker CLI 和 Docker Compose。下载安装包访问 Docker 官网下载适用于 Windows 的 Docker Desktop 安装程序。启用 WSL 2 或 Hyper-VWSL 2推荐在 PowerShell管理员身份中运行wsl --install命令重启后会自动安装。然后在 Docker Desktop 设置中将Use the WSL 2 based engine选项勾选上。Hyper-V适用于 Windows 专业版/企业版。在“启用或关闭 Windows 功能”中勾选“Hyper-V”和“Windows 虚拟机监控程序平台”重启电脑。安装与启动运行安装程序安装完成后启动 Docker Desktop。首次启动会提示你接受服务条款并可能需要进行一些初始配置。验证安装打开 PowerShell 或命令提示符运行以下命令确认 Docker 和 Docker Compose 已正确安装。docker --version docker-compose --version如果看到版本号输出说明安装成功。Docker Desktop 会在系统托盘运行。2.3 获取 Dify 部署文件Dify 的所有部署配置都托管在 GitHub 仓库中。我们需要获取最新的docker-compose.yaml文件。在任意位置例如D:\dify创建一个用于部署的文件夹。访问 Dify 的 GitHub 仓库发布页面https://github.com/langgenius/dify/releases。找到最新的稳定版本如v0.9.0。在 Assets 部分找到并下载docker-compose.yaml文件将其保存到刚才创建的文件夹中。可选同时下载同目录下的.env.example文件并将其重命名为.env。这个文件包含了所有可配置的环境变量。至此你的部署目录结构应如下所示D:\dify\ ├── docker-compose.yaml # Docker 编排文件 └── .env # 环境变量配置文件可选后续会创建准备工作就绪接下来进入核心的部署环节。3. 四步完成 Dify 的安装与启动我们将严格按照以下四个步骤完成 Dify 的部署、配置和首次启动。每一步都包含操作、解释和验证点。3.1 第一步配置基础环境变量.env文件是 Docker Compose 的灵魂它定义了服务运行所需的所有参数。我们首先创建一个最小化的配置。在D:\dify目录下新建一个名为.env的文本文件。使用文本编辑器如 VS Code、Notepad打开填入以下最基础的配置内容# 设置 Dify 的对外访问地址本地测试用 localhost APP_URLhttp://localhost:3000 # 设置一个强密码用于首次登录后修改超级管理员密码 # 请务必修改为一个复杂的密码 SECRET_KEYyour-strong-secret-key-change-this-please # 数据库配置使用 Docker Compose 内建的 PostgreSQL DB_USERNAMEpostgres DB_PASSWORDdifyai123456 DB_HOSTdb DB_PORT5432 DB_DATABASEdify # Redis 配置使用 Docker Compose 内建的 Redis REDIS_HOSTredis REDIS_PORT6379 REDIS_PASSWORD # 存储配置使用本地目录挂载 STORAGE_TYPElocal STORAGE_LOCAL_PATH/storage关键解释APP_URL这是你访问 Dify 前端的地址。在本地开发时使用localhost即可。如果你希望通过局域网 IP 访问可以改为http://你的IP:3000。SECRET_KEY这是用于加密会话和令牌的密钥。在生产环境中必须使用一个长且随机的字符串。你可以用命令openssl rand -hex 32在 Git Bash 或 WSL 中生成一个。数据库和 Redis 的密码可以按需修改但需要与docker-compose.yaml中的配置保持一致。我们这里使用了示例密码。STORAGE_LOCAL_PATH指向容器内的路径实际文件会通过卷映射保存在宿主机的./storage目录下。3.2 第二步启动 Dify 核心服务有了配置文件现在可以启动 Dify 了。Docker Compose 会一次性拉取镜像并启动所有相关服务。打开 PowerShell并切换到你的部署目录cd D:\dify执行以下命令启动服务docker-compose up -dup创建并启动容器。-d在后台运行detached mode。过程观察首次运行会从 Docker Hub 拉取多个镜像包括 Dify 的 API 服务、前端 Web 服务、PostgreSQL、Redis、Nginx 等这取决于你的网速可能需要几分钟。你可以通过docker-compose logs -f命令实时查看启动日志。验证服务状态运行以下命令查看所有容器是否都处于Up状态。docker-compose ps正常输出应类似Name Command State Ports ------------------------------------------------------------------------ dify-api /bin/bash ./entrypoint.sh Up 5001/tcp dify-db docker-entrypoint.sh postgres Up 5432/tcp dify-redis docker-entrypoint.sh redis-server Up 6379/tcp dify-web /docker-entrypoint.sh nginx -g ... Up 0.0.0.0:80-80/tcp, 0.0.0.0:443-443/tcp dify-worker /bin/bash ./entrypoint.sh Up如果某个容器状态不是Up可以使用docker-compose logs [服务名]查看具体错误日志。3.3 第三步初始化数据库并访问控制台容器启动后还需要进行数据库迁移和初始化。Dify 的 API 服务在启动时会自动完成这部分工作。等待初始化完成通过日志观察初始化进程。执行docker-compose logs -f dify-api你会看到类似Applying migration...、Database setup completed的日志。当看到Uvicorn running on http://0.0.0.0:5001且没有持续的错误输出时说明后端服务已就绪。访问 Dify 控制台打开浏览器访问http://localhost注意Docker Compose 配置中 Nginx 将 80 端口映射到了宿主机的 80 端口所以我们直接访问 localhost 即可而不是:3000。首次登录首次访问会进入初始化设置页面。你需要设置一个超级管理员账号邮箱和密码。这个账号拥有最高权限。点击“完成”后使用刚设置的账号密码登录。3.4 第四步配置 LLM 模型并验证运行登录成功后你会进入 Dify 的工作空间。但此时应用还无法工作因为我们还没有配置最核心的“引擎”——大语言模型。进入模型配置在左侧菜单栏点击“设置” - “模型供应商”。添加模型提供商Dify 支持众多模型。对于本地测试最方便的是使用Ollama。假设你已经在本地安装了 Ollama 并运行了模型例如llama3.2:1b。在模型供应商页面点击“添加模型供应商”选择“Ollama”。在配置页面将“API 端点”填写为http://host.docker.internal:11434。host.docker.internal是 Docker 提供的一个特殊域名指向宿主机的本地网络。点击“验证”如果 Ollama 服务正常运行会显示“连接成功”。保存后Dify 会自动从该端点获取可用的模型列表。创建第一个应用进行测试回到“应用”页面点击“创建新应用”。选择“对话型应用”输入名称例如“测试助手”。在应用配置的“模型”部分选择刚才配置的 Ollama 提供商并选择一个模型如llama3.2:1b。保存后进入应用对话界面输入“你好请介绍一下你自己”点击发送。如果模型配置正确你将收到 LLM 的回复。这标志着你的 Dify 平台已完全部署成功并可以运行 AI 应用。至此一个功能完整的 Dify 平台已经在你的本地 Windows 11 环境上运行起来了。你可以开始探索工作流、知识库等更多高级功能。4. 关键配置详解与生产环境考量基础的“四步安装”是为了让你快速跑通。但要真正用于开发甚至生产还需要理解一些关键配置和进行优化。4.1 核心服务与端口映射解析查看docker-compose.yaml文件我们可以理解其架构version: 3.8 services: db: image: postgres:15-alpine volumes: - postgres_data:/var/lib/postgresql/data environment: POSTGRES_PASSWORD: difyai123456 POSTGRES_DB: dify healthcheck: {...} redis: image: redis:7-alpine volumes: - redis_data:/data command: redis-server --appendonly yes api: image: langgenius/dify-api:latest depends_on: {...} ports: - 5001:5001 environment: - MODEapi - CONSOLE_API_URLhttp://localhost:5001 - CONSOLE_WEB_URLhttp://localhost volumes: - ./storage:/storage env_file: - .env worker: image: langgenius/dify-api:latest depends_on: {...} environment: - MODEworker volumes: - ./storage:/storage env_file: - .env web: image: langgenius/dify-web:latest depends_on: - api ports: - 3000:3000 environment: - CONSOLE_API_URLhttp://api:5001 - APP_API_URLhttp://api:5001 nginx: image: nginx:alpine ports: - 80:80 - 443:443 volumes: - ./nginx/nginx.conf:/etc/nginx/nginx.conf:ro - ./nginx/conf.d:/etc/nginx/conf.d:ro - ./nginx/logs:/var/log/nginx - ./storage:/usr/share/nginx/html/storage depends_on: - web - api服务分工db(PostgreSQL)存储应用配置、知识库元数据、用户信息等结构化数据。redis用作消息队列和缓存处理异步任务如知识库索引、工作流执行。api后端核心服务提供所有 RESTful API。worker后台工作进程处理耗时任务由api服务通过 Redis 队列分发。web前端静态资源服务。nginx反向代理将前端的localhost请求转发到web服务并将 API 请求转发到api服务。对外暴露 80/443 端口。数据持久化通过 Docker 卷postgres_data,redis_data和宿主机目录挂载./storage确保数据在容器重启后不丢失。务必定期备份这些目录。4.2 生产环境关键配置调整对于生产部署仅使用默认配置是远远不够的。以下配置项需要重点调整修改.env文件APP_URL必须改为你的公网域名或 IP如https://ai.yourcompany.com。这是回调地址的基础。SECRET_KEY必须使用强随机字符串。DB_PASSWORD/REDIS_PASSWORD必须修改为强密码并在docker-compose.yaml中对应服务的environment部分同步修改。邮件服务配置MAIL_*系列变量用于用户注册、密码重置等功能。# 示例使用 SMTP 服务如腾讯企业邮、SendGrid MAIL_TYPEsmtp MAIL_HOSTsmtp.yourmail.com MAIL_PORT465 MAIL_USERNAMEyour-emaildomain.com MAIL_PASSWORDyour-smtp-password MAIL_FROMyour-emaildomain.com调整docker-compose.yaml资源限制为api和worker服务添加 CPU 和内存限制防止单个服务耗尽主机资源。services: api: deploy: resources: limits: cpus: 2 memory: 4G reservations: cpus: 0.5 memory: 1G使用特定版本镜像将latest标签替换为具体的稳定版本号如langgenius/dify-api:0.9.0避免自动升级带来的不兼容风险。配置 HTTPS在nginx服务中挂载 SSL 证书和私钥并修改nginx.conf配置以启用 443 端口。4.3 配置外部模型与向量数据库本地部署的优势在于能连接内部资源。除了 Ollama你还可以配置Azure OpenAI / 其他兼容 API在模型供应商中选择“Azure OpenAI”或“OpenAI 兼容”填入你的 Endpoint 和 API Key。本地向量数据库默认使用 PostgreSQL 的pgvector扩展。对于大规模知识库可以考虑配置外部的 Milvus 或 Qdrant。在.env中设置VECTOR_STOREmilvus并配置MILVUS_*相关变量。在docker-compose.yaml中添加 Milvus 服务或指向已有的 Milvus 集群。5. 常见问题排查与维护指南部署和运行过程中难免会遇到问题。以下是基于高频搜索词整理的核心问题排查路径。5.1 部署与启动问题问题现象可能原因检查与解决步骤docker-compose up失败提示端口冲突80、443、5001、5432、6379 等端口被占用。1. 运行 netstat -ano访问localhost显示502 Bad Gateway或无法连接。Nginx、Web 或 API 服务未成功启动。1.docker-compose ps查看容器状态。2.docker-compose logs nginx和docker-compose logs dify-api查看具体错误日志。3. 常见原因数据库连接失败检查.env中 DB 密码是否与docker-compose.yaml一致、内存不足。日志中出现database “dify” does not exist或数据库连接错误。数据库初始化失败或连接配置错误。1. 检查.env中的DB_*变量与docker-compose.yaml中db服务的POSTGRES_*环境变量是否匹配。2. 尝试删除postgres_data卷并重启docker-compose down -v然后docker-compose up -d。注意这会清空所有数据拉取镜像速度极慢或超时。Docker Hub 网络问题。1. 配置 Docker 国内镜像加速器在 Docker Desktop 设置中。2. 或手动从国内镜像源如阿里云、DaoCloud拉取镜像并修改docker-compose.yaml中的镜像地址。5.2 模型与知识库问题问题现象可能原因检查与解决步骤配置 Ollama 后测试模型连接失败。1. Ollama 服务未运行。2. Docker 容器无法访问宿主机服务。1. 在宿主机命令行运行ollama serve确保服务启动。2. 在 Dify 容器内测试连通性docker exec -it dify-dify-api-1 curl http://host.docker.internal:11434/api/tags。3. Windows 防火墙可能阻止了连接尝试暂时关闭防火墙测试。创建知识库时文件上传后索引过程卡住或失败。1. Worker 服务未正常运行。2. 向量数据库连接或配置问题。3. 文件格式解析失败。1. 检查docker-compose logs worker是否有错误。2. 确认向量数据库默认 pgvector是否正常。检查docker-compose logs db。3. 尝试上传一个简单的纯文本.txt文件测试。查看知识库处理日志。应用发布后通过 API 调用返回Internal Server Error。后端 API 服务内部错误。1. 查看docker-compose logs api的最新错误日志这是最直接的线索。2. 常见原因模型配额不足、API Key 无效、工作流节点配置错误、依赖的服务如外部 API不可达。5.3 日常维护与升级数据备份定期备份./storage目录和 Docker 卷postgres_data,redis_data。可以使用docker-compose exec db pg_dump -U postgres dify backup.sql导出数据库。日志查看使用docker-compose logs -f [service_name]实时跟踪日志。生产环境建议将日志收集到 ELK 或 Loki 等集中式日志系统。版本升级关注 Dify GitHub 的 Releases 页面。升级前务必完整备份数据和配置文件。下载新版本的docker-compose.yaml和.env.example。将旧的.env配置合并到新的.env文件中。执行docker-compose down停止旧服务然后docker-compose up -d启动新服务。Docker 会自动拉取新镜像并启动。密切观察升级日志检查数据库迁移是否成功。6. 从部署到实践下一步行动建议成功部署 Dify 只是一个开始。要让它真正产生价值你需要将其融入开发流程。以下是一些建议的下一步深入探索工作流尝试构建一个包含条件判断、循环、代码执行和 HTTP 请求的复杂工作流。例如创建一个“智能客服路由”工作流根据用户问题类型调用不同的知识库或外部 API。构建高质量知识库研究不同的文本分割策略和向量化模型。对于中文文档可以尝试使用text-embedding-3-small或BGE系列的嵌入模型并在 Dify 中配置相应的嵌入模型端点。集成内部系统利用 Dify 的“自定义工具”功能通过编写 Python 代码或配置 HTTP 请求节点连接你公司的内部数据库、CRM 或 OA 系统让 AI 能够查询和操作业务数据。关注性能与监控随着应用增多需要监控 API 的响应时间、Token 消耗、知识库查询延迟等。考虑搭建 Prometheus Grafana 来可视化这些指标。考虑高可用部署对于生产环境单机 Docker Compose 部署存在单点故障风险。下一步可以研究使用 Kubernetes 部署 Dify实现服务的高可用和弹性伸缩。Dify 的本地部署为你打开了一扇门门后是一个可以完全由你掌控的 AI 应用工厂。从简单的对话机器人到驱动核心业务的智能体其天花板取决于你的业务想象力和工程实践能力。现在平台已经就绪是时候开始构建了。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
四步在Windows 11上部署Dify：构建私有化AI应用开发平台
发布时间：2026/7/6 11:33:06
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在探索 AI 应用开发时很多开发者会首先接触到像“扣子”这类在线、托管的 AI 应用构建平台。它们提供了便捷的入口让用户无需关心底层基础设施通过简单的拖拽和配置就能快速搭建一个对话机器人或工作流。然而当你的需求从个人玩具转向企业级应用、从简单对话转向复杂业务流程集成、从公开数据转向私有知识库时本地化部署、数据安全、模型自主权和深度定制化就成为了必须考虑的因素。这时一个像 Dify 这样开源的、可私有化部署的 AI 应用开发平台的价值就凸显出来了。Dify 是一个开源的 LLM 应用开发平台它集成了 Agentic Workflow智能体工作流、RAG检索增强生成管道、多种模型集成和可观测性工具。其核心优势在于它既提供了类似“扣子”的低代码/无代码可视化构建体验又允许你将整个平台部署在自己的服务器上完全掌控数据、模型和流程。这意味着你可以使用本地或私有云上的大语言模型如通过 Ollama 部署的模型连接企业内部数据库和 API构建符合特定业务逻辑的复杂智能体而所有数据都在你的安全边界内流转。本文旨在为那些希望将 AI 能力深度集成到自身业务中并追求数据主权和定制化的开发者或团队提供一份详尽的 Dify 本地部署指南。我们将以 Windows 11 环境为例通过 Docker 这一最主流的方式在四步内完成 Dify 的安装与基础配置并解释每一步背后的原理和常见问题排查方法。完成部署后你将拥有一个完全受控的 AI 应用开发环境可以开始构建你的第一个智能体工作流或知识库问答系统。1. 理解 Dify 的核心价值与部署必要性在动手部署之前我们需要先厘清一个关键问题既然有现成的在线平台为什么还要费时费力地自己部署 Dify这个问题的答案直接决定了后续部署和使用的投入产出比。1.1 Dify 与在线平台的核心差异在线 AI 应用平台如“扣子”的本质是 SaaS软件即服务。你作为租户在服务商提供的多租户环境中创建应用。这种模式的优势是开箱即用、无需运维、迭代快速。但其局限性也非常明显数据安全性你的提示词、知识库文档、对话记录、API 密钥等所有数据都存储在服务商的云端。对于处理敏感信息如客户数据、内部文档、商业机密的企业来说这是一个不可接受的风险。模型自主权你通常只能使用平台预设的、有限的几个云端模型如 GPT-4、文心一言等。你无法接入部署在本地或私有云上的开源模型如 Llama、Qwen、DeepSeek也无法精细控制模型的调用参数和成本。网络与合规所有请求都需要通过公网到达平台服务器。在内部网络环境或对网络出口有严格管控的场景下这可能无法使用。同时某些行业如金融、医疗、政务有明确的合规要求数据必须留在境内或特定区域内。定制化与集成深度SaaS 平台为了保持通用性其功能、界面和集成能力往往是固定的。你很难深度定制工作流的逻辑、修改前端界面、或将其与内部复杂的业务系统如 ERP、CRM进行深度、安全的 API 集成。成本与规模对于高频调用、大规模使用的场景按量付费的 SaaS 模式长期来看可能成本高昂。自建则可以更好地控制硬件和模型推理成本。Dify 作为开源、可私有化部署的平台恰好解决了上述痛点。它把 AI 应用开发的“引擎”交还给你自己。1.2 Dify 的核心功能组件部署 Dify意味着你将获得一个包含以下核心功能的完整开发环境可视化工作流构建器通过拖拽节点LLM调用、条件判断、代码执行、API调用等来设计复杂的、多步骤的 AI 智能体流程。这远不止是简单的对话而是可以实现自动化决策和任务执行。RAG 知识库引擎支持从多种格式文件TXT、PDF、Word、PPT、Markdown中提取文本进行分割、向量化并存入向量数据库如 PostgreSQL with pgvector、Milvus、Weaviate构建属于你自己的、可实时更新的知识问答系统。多模型支持可以同时配置和切换多个 LLM 提供商包括 OpenAI API 兼容接口如 Azure OpenAI、Ollama 本地模型、DeepSeek、通义千问等、Anthropic、Cohere 等。你可以在一个应用内根据不同任务选择性价比或效果最佳的模型。插件与工具集成支持通过插件市场或自定义开发接入搜索引擎、数据库、外部 API 等工具极大扩展了 AI 应用的能力边界。应用发布与监控构建的应用可以发布为 Web API、聊天窗口组件或独立网站。平台还提供了应用使用量、Token 消耗、错误日志等监控面板。理解了“为什么需要部署”以及“部署后能得到什么”我们接下来的环境准备和安装步骤就有了明确的目标。2. 部署前的环境准备与规划Dify 官方推荐使用 Docker Compose 进行部署这是最便捷、可复现且易于管理的方式。在 Windows 11 上我们需要先准备好 Docker 环境并规划好所需的系统资源。2.1 系统与硬件要求在个人电脑或开发服务器上部署 Dify需要满足以下最低要求组件最低要求推荐配置说明操作系统Windows 10/11 (64-bit)Windows 11 (64-bit)需要支持 WSL 2 或 Hyper-V。CPU支持虚拟化的双核处理器四核及以上用于运行 Docker 容器和模型推理如果使用本地模型。内存8 GB16 GB 或更高Dify 基础服务约占用 2-3 GB剩余内存用于运行 LLM如 Ollama。内存不足是部署失败最常见的原因。存储20 GB 可用空间50 GB 或更高用于存放 Docker 镜像、向量数据库数据、上传的文件等。SSD 能显著提升知识库索引和查询速度。网络可访问互联网稳定的网络连接首次部署需要拉取 Docker 镜像部分插件安装也需要联网。注意如果你的目的是进行重度开发或生产环境试用强烈建议使用 Linux 服务器如 Ubuntu 22.04 LTS进行部署其在资源利用率和稳定性上更优。本文以 Windows 为例旨在提供一个快速上手的路径。2.2 安装与配置 Docker DesktopDocker Desktop 是 Windows 和 Mac 上运行 Docker 容器最方便的工具。它内置了 Docker Engine、Docker CLI 和 Docker Compose。下载安装包访问 Docker 官网下载适用于 Windows 的 Docker Desktop 安装程序。启用 WSL 2 或 Hyper-VWSL 2推荐在 PowerShell管理员身份中运行wsl --install命令重启后会自动安装。然后在 Docker Desktop 设置中将Use the WSL 2 based engine选项勾选上。Hyper-V适用于 Windows 专业版/企业版。在“启用或关闭 Windows 功能”中勾选“Hyper-V”和“Windows 虚拟机监控程序平台”重启电脑。安装与启动运行安装程序安装完成后启动 Docker Desktop。首次启动会提示你接受服务条款并可能需要进行一些初始配置。验证安装打开 PowerShell 或命令提示符运行以下命令确认 Docker 和 Docker Compose 已正确安装。docker --version docker-compose --version如果看到版本号输出说明安装成功。Docker Desktop 会在系统托盘运行。2.3 获取 Dify 部署文件Dify 的所有部署配置都托管在 GitHub 仓库中。我们需要获取最新的docker-compose.yaml文件。在任意位置例如D:\dify创建一个用于部署的文件夹。访问 Dify 的 GitHub 仓库发布页面https://github.com/langgenius/dify/releases。找到最新的稳定版本如v0.9.0。在 Assets 部分找到并下载docker-compose.yaml文件将其保存到刚才创建的文件夹中。可选同时下载同目录下的.env.example文件并将其重命名为.env。这个文件包含了所有可配置的环境变量。至此你的部署目录结构应如下所示D:\dify\ ├── docker-compose.yaml # Docker 编排文件 └── .env # 环境变量配置文件可选后续会创建准备工作就绪接下来进入核心的部署环节。3. 四步完成 Dify 的安装与启动我们将严格按照以下四个步骤完成 Dify 的部署、配置和首次启动。每一步都包含操作、解释和验证点。3.1 第一步配置基础环境变量.env文件是 Docker Compose 的灵魂它定义了服务运行所需的所有参数。我们首先创建一个最小化的配置。在D:\dify目录下新建一个名为.env的文本文件。使用文本编辑器如 VS Code、Notepad打开填入以下最基础的配置内容# 设置 Dify 的对外访问地址本地测试用 localhost APP_URLhttp://localhost:3000 # 设置一个强密码用于首次登录后修改超级管理员密码 # 请务必修改为一个复杂的密码 SECRET_KEYyour-strong-secret-key-change-this-please # 数据库配置使用 Docker Compose 内建的 PostgreSQL DB_USERNAMEpostgres DB_PASSWORDdifyai123456 DB_HOSTdb DB_PORT5432 DB_DATABASEdify # Redis 配置使用 Docker Compose 内建的 Redis REDIS_HOSTredis REDIS_PORT6379 REDIS_PASSWORD # 存储配置使用本地目录挂载 STORAGE_TYPElocal STORAGE_LOCAL_PATH/storage关键解释APP_URL这是你访问 Dify 前端的地址。在本地开发时使用localhost即可。如果你希望通过局域网 IP 访问可以改为http://你的IP:3000。SECRET_KEY这是用于加密会话和令牌的密钥。在生产环境中必须使用一个长且随机的字符串。你可以用命令openssl rand -hex 32在 Git Bash 或 WSL 中生成一个。数据库和 Redis 的密码可以按需修改但需要与docker-compose.yaml中的配置保持一致。我们这里使用了示例密码。STORAGE_LOCAL_PATH指向容器内的路径实际文件会通过卷映射保存在宿主机的./storage目录下。3.2 第二步启动 Dify 核心服务有了配置文件现在可以启动 Dify 了。Docker Compose 会一次性拉取镜像并启动所有相关服务。打开 PowerShell并切换到你的部署目录cd D:\dify执行以下命令启动服务docker-compose up -dup创建并启动容器。-d在后台运行detached mode。过程观察首次运行会从 Docker Hub 拉取多个镜像包括 Dify 的 API 服务、前端 Web 服务、PostgreSQL、Redis、Nginx 等这取决于你的网速可能需要几分钟。你可以通过docker-compose logs -f命令实时查看启动日志。验证服务状态运行以下命令查看所有容器是否都处于Up状态。docker-compose ps正常输出应类似Name Command State Ports ------------------------------------------------------------------------ dify-api /bin/bash ./entrypoint.sh Up 5001/tcp dify-db docker-entrypoint.sh postgres Up 5432/tcp dify-redis docker-entrypoint.sh redis-server Up 6379/tcp dify-web /docker-entrypoint.sh nginx -g ... Up 0.0.0.0:80-80/tcp, 0.0.0.0:443-443/tcp dify-worker /bin/bash ./entrypoint.sh Up如果某个容器状态不是Up可以使用docker-compose logs [服务名]查看具体错误日志。3.3 第三步初始化数据库并访问控制台容器启动后还需要进行数据库迁移和初始化。Dify 的 API 服务在启动时会自动完成这部分工作。等待初始化完成通过日志观察初始化进程。执行docker-compose logs -f dify-api你会看到类似Applying migration...、Database setup completed的日志。当看到Uvicorn running on http://0.0.0.0:5001且没有持续的错误输出时说明后端服务已就绪。访问 Dify 控制台打开浏览器访问http://localhost注意Docker Compose 配置中 Nginx 将 80 端口映射到了宿主机的 80 端口所以我们直接访问 localhost 即可而不是:3000。首次登录首次访问会进入初始化设置页面。你需要设置一个超级管理员账号邮箱和密码。这个账号拥有最高权限。点击“完成”后使用刚设置的账号密码登录。3.4 第四步配置 LLM 模型并验证运行登录成功后你会进入 Dify 的工作空间。但此时应用还无法工作因为我们还没有配置最核心的“引擎”——大语言模型。进入模型配置在左侧菜单栏点击“设置” - “模型供应商”。添加模型提供商Dify 支持众多模型。对于本地测试最方便的是使用Ollama。假设你已经在本地安装了 Ollama 并运行了模型例如llama3.2:1b。在模型供应商页面点击“添加模型供应商”选择“Ollama”。在配置页面将“API 端点”填写为http://host.docker.internal:11434。host.docker.internal是 Docker 提供的一个特殊域名指向宿主机的本地网络。点击“验证”如果 Ollama 服务正常运行会显示“连接成功”。保存后Dify 会自动从该端点获取可用的模型列表。创建第一个应用进行测试回到“应用”页面点击“创建新应用”。选择“对话型应用”输入名称例如“测试助手”。在应用配置的“模型”部分选择刚才配置的 Ollama 提供商并选择一个模型如llama3.2:1b。保存后进入应用对话界面输入“你好请介绍一下你自己”点击发送。如果模型配置正确你将收到 LLM 的回复。这标志着你的 Dify 平台已完全部署成功并可以运行 AI 应用。至此一个功能完整的 Dify 平台已经在你的本地 Windows 11 环境上运行起来了。你可以开始探索工作流、知识库等更多高级功能。4. 关键配置详解与生产环境考量基础的“四步安装”是为了让你快速跑通。但要真正用于开发甚至生产还需要理解一些关键配置和进行优化。4.1 核心服务与端口映射解析查看docker-compose.yaml文件我们可以理解其架构version: 3.8 services: db: image: postgres:15-alpine volumes: - postgres_data:/var/lib/postgresql/data environment: POSTGRES_PASSWORD: difyai123456 POSTGRES_DB: dify healthcheck: {...} redis: image: redis:7-alpine volumes: - redis_data:/data command: redis-server --appendonly yes api: image: langgenius/dify-api:latest depends_on: {...} ports: - 5001:5001 environment: - MODEapi - CONSOLE_API_URLhttp://localhost:5001 - CONSOLE_WEB_URLhttp://localhost volumes: - ./storage:/storage env_file: - .env worker: image: langgenius/dify-api:latest depends_on: {...} environment: - MODEworker volumes: - ./storage:/storage env_file: - .env web: image: langgenius/dify-web:latest depends_on: - api ports: - 3000:3000 environment: - CONSOLE_API_URLhttp://api:5001 - APP_API_URLhttp://api:5001 nginx: image: nginx:alpine ports: - 80:80 - 443:443 volumes: - ./nginx/nginx.conf:/etc/nginx/nginx.conf:ro - ./nginx/conf.d:/etc/nginx/conf.d:ro - ./nginx/logs:/var/log/nginx - ./storage:/usr/share/nginx/html/storage depends_on: - web - api服务分工db(PostgreSQL)存储应用配置、知识库元数据、用户信息等结构化数据。redis用作消息队列和缓存处理异步任务如知识库索引、工作流执行。api后端核心服务提供所有 RESTful API。worker后台工作进程处理耗时任务由api服务通过 Redis 队列分发。web前端静态资源服务。nginx反向代理将前端的localhost请求转发到web服务并将 API 请求转发到api服务。对外暴露 80/443 端口。数据持久化通过 Docker 卷postgres_data,redis_data和宿主机目录挂载./storage确保数据在容器重启后不丢失。务必定期备份这些目录。4.2 生产环境关键配置调整对于生产部署仅使用默认配置是远远不够的。以下配置项需要重点调整修改.env文件APP_URL必须改为你的公网域名或 IP如https://ai.yourcompany.com。这是回调地址的基础。SECRET_KEY必须使用强随机字符串。DB_PASSWORD/REDIS_PASSWORD必须修改为强密码并在docker-compose.yaml中对应服务的environment部分同步修改。邮件服务配置MAIL_*系列变量用于用户注册、密码重置等功能。# 示例使用 SMTP 服务如腾讯企业邮、SendGrid MAIL_TYPEsmtp MAIL_HOSTsmtp.yourmail.com MAIL_PORT465 MAIL_USERNAMEyour-emaildomain.com MAIL_PASSWORDyour-smtp-password MAIL_FROMyour-emaildomain.com调整docker-compose.yaml资源限制为api和worker服务添加 CPU 和内存限制防止单个服务耗尽主机资源。services: api: deploy: resources: limits: cpus: 2 memory: 4G reservations: cpus: 0.5 memory: 1G使用特定版本镜像将latest标签替换为具体的稳定版本号如langgenius/dify-api:0.9.0避免自动升级带来的不兼容风险。配置 HTTPS在nginx服务中挂载 SSL 证书和私钥并修改nginx.conf配置以启用 443 端口。4.3 配置外部模型与向量数据库本地部署的优势在于能连接内部资源。除了 Ollama你还可以配置Azure OpenAI / 其他兼容 API在模型供应商中选择“Azure OpenAI”或“OpenAI 兼容”填入你的 Endpoint 和 API Key。本地向量数据库默认使用 PostgreSQL 的pgvector扩展。对于大规模知识库可以考虑配置外部的 Milvus 或 Qdrant。在.env中设置VECTOR_STOREmilvus并配置MILVUS_*相关变量。在docker-compose.yaml中添加 Milvus 服务或指向已有的 Milvus 集群。5. 常见问题排查与维护指南部署和运行过程中难免会遇到问题。以下是基于高频搜索词整理的核心问题排查路径。5.1 部署与启动问题问题现象可能原因检查与解决步骤docker-compose up失败提示端口冲突80、443、5001、5432、6379 等端口被占用。1. 运行 netstat -ano访问localhost显示502 Bad Gateway或无法连接。Nginx、Web 或 API 服务未成功启动。1.docker-compose ps查看容器状态。2.docker-compose logs nginx和docker-compose logs dify-api查看具体错误日志。3. 常见原因数据库连接失败检查.env中 DB 密码是否与docker-compose.yaml一致、内存不足。日志中出现database “dify” does not exist或数据库连接错误。数据库初始化失败或连接配置错误。1. 检查.env中的DB_*变量与docker-compose.yaml中db服务的POSTGRES_*环境变量是否匹配。2. 尝试删除postgres_data卷并重启docker-compose down -v然后docker-compose up -d。注意这会清空所有数据拉取镜像速度极慢或超时。Docker Hub 网络问题。1. 配置 Docker 国内镜像加速器在 Docker Desktop 设置中。2. 或手动从国内镜像源如阿里云、DaoCloud拉取镜像并修改docker-compose.yaml中的镜像地址。5.2 模型与知识库问题问题现象可能原因检查与解决步骤配置 Ollama 后测试模型连接失败。1. Ollama 服务未运行。2. Docker 容器无法访问宿主机服务。1. 在宿主机命令行运行ollama serve确保服务启动。2. 在 Dify 容器内测试连通性docker exec -it dify-dify-api-1 curl http://host.docker.internal:11434/api/tags。3. Windows 防火墙可能阻止了连接尝试暂时关闭防火墙测试。创建知识库时文件上传后索引过程卡住或失败。1. Worker 服务未正常运行。2. 向量数据库连接或配置问题。3. 文件格式解析失败。1. 检查docker-compose logs worker是否有错误。2. 确认向量数据库默认 pgvector是否正常。检查docker-compose logs db。3. 尝试上传一个简单的纯文本.txt文件测试。查看知识库处理日志。应用发布后通过 API 调用返回Internal Server Error。后端 API 服务内部错误。1. 查看docker-compose logs api的最新错误日志这是最直接的线索。2. 常见原因模型配额不足、API Key 无效、工作流节点配置错误、依赖的服务如外部 API不可达。5.3 日常维护与升级数据备份定期备份./storage目录和 Docker 卷postgres_data,redis_data。可以使用docker-compose exec db pg_dump -U postgres dify backup.sql导出数据库。日志查看使用docker-compose logs -f [service_name]实时跟踪日志。生产环境建议将日志收集到 ELK 或 Loki 等集中式日志系统。版本升级关注 Dify GitHub 的 Releases 页面。升级前务必完整备份数据和配置文件。下载新版本的docker-compose.yaml和.env.example。将旧的.env配置合并到新的.env文件中。执行docker-compose down停止旧服务然后docker-compose up -d启动新服务。Docker 会自动拉取新镜像并启动。密切观察升级日志检查数据库迁移是否成功。6. 从部署到实践下一步行动建议成功部署 Dify 只是一个开始。要让它真正产生价值你需要将其融入开发流程。以下是一些建议的下一步深入探索工作流尝试构建一个包含条件判断、循环、代码执行和 HTTP 请求的复杂工作流。例如创建一个“智能客服路由”工作流根据用户问题类型调用不同的知识库或外部 API。构建高质量知识库研究不同的文本分割策略和向量化模型。对于中文文档可以尝试使用text-embedding-3-small或BGE系列的嵌入模型并在 Dify 中配置相应的嵌入模型端点。集成内部系统利用 Dify 的“自定义工具”功能通过编写 Python 代码或配置 HTTP 请求节点连接你公司的内部数据库、CRM 或 OA 系统让 AI 能够查询和操作业务数据。关注性能与监控随着应用增多需要监控 API 的响应时间、Token 消耗、知识库查询延迟等。考虑搭建 Prometheus Grafana 来可视化这些指标。考虑高可用部署对于生产环境单机 Docker Compose 部署存在单点故障风险。下一步可以研究使用 Kubernetes 部署 Dify实现服务的高可用和弹性伸缩。Dify 的本地部署为你打开了一扇门门后是一个可以完全由你掌控的 AI 应用工厂。从简单的对话机器人到驱动核心业务的智能体其天花板取决于你的业务想象力和工程实践能力。现在平台已经就绪是时候开始构建了。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
从零实现带Attention的Seq2Seq模型：PyTorch实战与避坑指南)
