Dify 教程：它是什么、怎样运行、做出第一个应用

Dify 是什么

Dify 是一个开源平台，用来搭建调用大语言模型（LLM）的应用。ChatGPT 和 Claude 背后用的就是这类模型。你在可视化画布上拼出应用，每一步是一个叫节点的方块，做好之后可以发布成网页、API，或者放在你自己网站上的聊天组件。

README 列出了七个部分。有工作流画布，对数百种闭源和开源模型的支持，还有用来写提示词并对比效果的 Prompt IDE。其余是 RAG 管线、拥有独立沙箱的智能体、用来查看日志和性能的 LLMOps 工具，以及每项功能都配有的 API。RAG 是检索增强生成：应用先到你自己的文档里找出相关段落，再连同问题一起交给模型。RAG 教程用 Python 从零搭了一个。

Studio 是 Dify 里搭建应用的地方。Workflow（工作流）从头到尾运行一次，返回一个结果。Chatflow（对话流）多了一层对话，每来一条消息，都先跑一遍流程再回复。文档把 Workflow 称为其他所有应用类型的基础。

Cloud、自托管还是企业版

Dify 有三个版本。Dify Cloud 由 Dify 背后的公司 LangGenius 托管。社区版是自托管的那一个，部署页面说它能在任何能跑 Docker 的地方运行：笔记本、本地服务器或云主机。企业版面向自己托管 Dify 的组织，多了单点登录（SSO）、基于角色的访问控制（RBAC）和支持服务协议。

新的 Cloud 账号从 Sandbox 套餐开始，带有 200 个 AI 额度，可以调用 OpenAI、Anthropic、Gemini 等提供商的模型。快速入门写明，这些额度是一次性发放，不会按月重置。自托管时，模型提供商和它的 API 密钥要你自己添加，因为每个 Dify 应用至少需要一个提供商。

许可证有两个条件

仓库附带的是 Dify Open Source License，它是在 Apache 2.0 基础上增加了条件。文件写明，Dify 可以商用，包括作为其他应用的后端，直到下面两个条件之一成立，那时就需要向 LangGenius 取得商业许可。

除非 LangGenius 书面授权，你不能用源代码运行多租户环境，一个租户就是一个工作区。这是第一个条件。第二个条件和标志有关：使用 Dify 前端时，不能删除或修改控制台和应用里的标志与版权信息。前端指的是 web/ 目录，或者 Docker 里的 web 镜像，不用前端的用法不受这条限制。

如果一家公司在自己托管的 Dify 上给每个客户一个工作区，这正是第一个条件描述的情形。要做这样的事，先问 LangGenius 或律师，这里的概述不能代替许可证文件本身。

在自己的电脑上运行 Dify

Docker Compose 方案自带 PostgreSQL、Weaviate 向量数据库和 Dify 需要的其他服务，所以不用先准备数据库。你需要装有 Docker Compose 的 Docker、Git 和 OpenSSL，在 macOS 上还要给 Docker Desktop 的虚拟机至少 2 个虚拟 CPU 和 8 GiB 内存。在 Windows 上，用带 WSL 2 的 Docker Desktop，并把源代码放在 Linux 文件系统里。刚接触 Docker 的话，n8n 自托管那一课讲了去哪里下载。

docker compose version
git clone --branch <version> --depth 1 https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
openssl rand -hex 32
# paste the output into .env as DIFY_AGENT_LOCAL_SANDBOX_AUTH_TOKEN
docker compose up -d
docker compose ps --all

1. 运行 docker compose version，确认版本是 2.35.0 或更高。
2. 到 Dify 发布页挑一个标签。用 git clone --branch，后面接这个标签、--depth 1 和仓库地址来克隆，再进入 dify/docker 目录。
3. 执行 cp .env.example .env，复制配置模板。
4. 用 openssl rand -hex 32 生成一个令牌，写进 .env 里的 DIFY_AGENT_LOCAL_SANDBOX_AUTH_TOKEN。COMPOSE_PROFILES 保持默认值。
5. 执行 docker compose up -d 启动服务，再运行 docker compose ps --all。长期运行的服务应该显示 Up 或 healthy。一次性的 init_permissions 任务完成后显示 Exited (0)，这是正常的。
6. 打开 http://localhost/install，创建管理员账号，再到 http://localhost 登录。80 端口被占用时，把 docker/.env 里的 EXPOSE_NGINX_PORT 改成别的端口。

在别人能访问这个安装之前，要配置 HTTPS，并把 docker/.env 里自带的开发用凭据换掉。这包括数据库和 Redis 的密码、代码沙箱的密钥、Weaviate 的密钥、插件守护进程的密钥，以及智能体的令牌。改过 .env 之后要运行 docker compose up -d，因为 docker compose restart 会沿用旧的环境变量。

搭一个聊天机器人

先接入一个模型。在“Integrations”>“Model Provider”里安装一个提供商，比如 OpenAI，点它卡片上的“Add API Key”，填入密钥。在 Cloud 上，提供商装好后，Sandbox 额度就能覆盖支持的模型，不需要密钥。然后点右上角的“Default Models”，设置“System Reasoning Model”，没有自选模型的节点都会用它。默认模型为空时，依赖它的功能就无法使用。

下面的聊天机器人是文档自己的入门例子，文档把它分成三步，各用时 2、6 和 3 分钟。它从问题里找出国家名，回答问题，再加上一条由 Code 节点查出来的趣闻。这是它的 LLM 节点的系统提示词，抄自简单聊天机器人页面。

The user will ask a question about a country. The question is {{sys.query}}
Tasks:
1. Identify the country mentioned.
2. Rephrase the question clearly.
3. Answer the question using general knowledge.
Respond in the following JSON format:
{
  "country": "<country name>",
  "question": "<rephrased question>",
  "answer": "<direct answer to the question>"
}

1. 按教程的写法，依次点“Studio”>“Workflow”>“Create from Blank”>“Orchestrate”>“New Chatflow”>“Create”。
2. 用“Add Node”添加一个 LLM 节点，连到开始节点。选一个默认模型，粘贴上面的提示词。在输入框里输入 { 或 / 就能选变量。
3. 在“Output Variables”下把“Structured”打开，点“Configure”，选“Import from JSON”。粘贴一个模式，把 country、question 和 answer 的类型都设成 string。有了结构化输出，下一个节点才能单独读到 country。
4. LLM 节点后面加一个 Code 节点。把一个输入变量改名为 country，设成 structured_output > country。粘贴下一节的 Python 代码，并把输出变量 result 改名为 fun_fact。
5. 加一个 Answer 节点，写三行：Q: {{ structured_output.question }}、A: {{ structured_output.answer }} 和 Fun Fact: {{ fun_fact }}。
6. 点“Preview”，问教程里的问题，比如“What is the capital of France?”或者“Describe the culture in Italy”。

趣闻背后的函数

Code 节点在沙箱里运行 Python 或 JavaScript。函数接收你声明的输入变量，必须返回一个字典，字典的键就是你声明的输出变量，这里是 fun_fact。字典里的三个国家是教程的示例数据。遇到其他国家，函数返回以“No fun fact available for”开头的备用句子。

def main(country: str) -> dict:
  country_name = country.lower()
  fun_facts = {
    "japan": "Japan has more than 5 million vending machines.",
    "france": "France is the most visited country in the world.",
    "italy": "Italy has more UNESCO World Heritage sites than any other country."
  }
  fun_fact = fun_facts.get(country_name, f"No fun fact available for {country.title()}.")
  return {"fun_fact": fun_fact}

Dify 更新很快，要对上你的版本

为旧版本写的教程，可能出现已经改过的界面。Dify 在 GitHub 上发布版本，标签像 1.19.0 这样，这一版发布于 2026 年 11 月 4 日。下面这些版本改动了本课程涉及的部分。

已有的自托管安装要升级时，Docker Compose 页面说要先读目标版本的升级指南，并保留你自己的 .env。

常见错误

• 没有设置沙箱令牌就启动。智能体后端和它的本地沙箱需要 docker/.env 里的 DIFY_AGENT_LOCAL_SANDBOX_AUTH_TOKEN，缺了它这两个服务会不停重启。
• 把 init_permissions 显示的 Exited (0) 当成失败。它是一次性任务，负责准备存储权限。
• 改了 .env 之后运行 docker compose restart。restart 会沿用容器原来的环境变量，应该用 docker compose up -d。
• 服务器在别处，却打开 localhost。远程部署要用服务器的 IP 地址或域名。
• 在别人能访问的机器上，沿用自带的开发用密码。
• 还没接入模型提供商就开始搭应用，LLM 节点没有可调用的模型。

自己试一试

• 问机器人一个字典里没有的国家，看它返回的备用句子。
• 在 Code 节点的字典里加第四个国家，再预览一次。
• 换掉 LLM 节点的模型，或者调它的 Temperature，取值从 0 到 1，0 的回复最稳定，1 的回复变化最多，然后对同一个问题比较两次回答。

下一课

第 2 课搭一个有分支、有变量的工作流，并讲怎样调试一次运行。想先看看别的构建智能体的工具，比如 n8n、Zapier 和 Make，可以读最好的 AI 智能体构建工具。

常见问题

资料来源

1. Dify on GitHub: README (2026年11月6日 查阅)https://github.com/langgenius/dify/blob/main/README.md
2. Dify on GitHub: LICENSE (2026年11月6日 查阅)https://github.com/langgenius/dify/blob/main/LICENSE
3. Dify Docs: Deploy Dify with Docker Compose (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/deploy/quick-start/docker-compose.mdx
4. Dify Docs: Deploy Dify (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/deploy/overview.mdx
5. Dify Docs: 30-Minute Quick Start (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/quick-start.mdx
6. Dify Docs: Simple Chatbot (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/learn/tutorials/simple-chatbot.mdx
7. Dify Docs: Key Concepts (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/learn/key-concepts.mdx
8. Dify Docs: Workflow & Chatflow (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/use-dify/build/workflow-chatflow.mdx
9. Dify Docs: LLM node (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/use-dify/nodes/llm.mdx
10. Dify Docs: Code node (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/use-dify/nodes/code.mdx
11. Dify Docs: New Agent overview (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/use-dify/build/new-agent/overview.mdx
12. Dify Docs: Build a new Agent (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/use-dify/build/new-agent/build.mdx
13. Dify Docs: Model Providers (2026年11月6日 查阅)https://github.com/langgenius/dify-docs/blob/main/en/self-host/use-dify/workspace/model-providers.mdx
14. Dify releases on GitHub (2026年11月6日 查阅)https://github.com/langgenius/dify/releases
15. Dify on YouTube: Dify Quickstart Guide: Build Your First AI Workflow (2026年11月6日 查阅)https://www.youtube.com/watch?v=dJ34OU_JY7Y