1. 引言：AI 应用开发的痛点与 Dify 的解决方案

在人工智能技术飞速发展的今天，企业和开发者对 AI 应用的需求日益增长。然而，传统 AI 应用开发面临着诸多痛点：一是技术门槛高，需要掌握大模型 API 调用、prompt 工程、知识库构建等多领域知识；二是开发周期长，从需求分析到功能落地往往需要数周甚至数月；三是维护成本高，模型迭代、数据更新、权限管理等工作繁琐；四是集成难度大，不同模型、工具、数据源的整合需要大量定制化开发。

Dify 作为一款开源低代码 AI 应用开发平台，恰好解决了这些痛点。它具备以下核心优势：

1. 低代码可视化开发：通过拖拽式界面设计应用流程，无需复杂编码即可快速搭建 AI 应用；
2. 多模型无缝集成：支持 OpenAI、Anthropic、阿里云通义千问、字节跳动火山大模型等主流 API 模型，同时兼容 Llama 3、Qwen、Mistral 等开源模型的本地部署；
3. 内置检索增强生成（RAG）：一键创建私有知识库，解决大模型 "幻觉" 问题，提升回答准确性；
4. 灵活的工作流引擎：支持复杂业务逻辑设计，可串联模型调用、数据处理、第三方工具集成等步骤；
5. 完善的插件生态：提供天气查询、数据库连接、邮件发送等常用插件，同时支持自定义插件开发；
6. 全流程管理能力：涵盖应用开发、测试、部署、监控、迭代的完整生命周期。

本文将以 "理论 + 实战" 的形式，带领读者从 Dify 环境搭建开始，逐步开发文本摘要、私有知识库问答、多模态图片分析三类典型 AI 应用，并讲解工作流设计、插件开发、生产部署与优化等高级内容，最终帮助读者掌握基于 Dify 快速构建企业级 AI 应用的能力。

2. Dify 核心概念与架构解析

在开始开发前，我们需要先理解 Dify 的核心概念与架构设计，这将帮助我们更高效地使用平台。

2.1 核心概念

1. 应用（Application）：Dify 的开发成果载体，根据功能可分为文本生成、问答、多模态交互等类型，每个应用包含 prompt 配置、模型选择、功能模块等核心组件。
2. Prompt 工程：Dify 提供可视化 prompt 编辑器，支持变量注入、条件判断、模板管理，帮助开发者设计高质量的模型指令，提升 AI 响应效果。
3. 知识库（Knowledge Base）：用于存储私有数据（如 PDF、Word、TXT 文档），通过 RAG 技术将知识库内容与大模型结合，实现基于私有数据的精准问答。
4. 工作流（Workflow）：可视化流程设计工具，支持拖拽式添加 "模型调用"" 数据检索 ""工具执行"" 条件分支 " 等节点，实现复杂业务逻辑。
5. 插件（Plugin）：扩展 Dify 功能的组件，分为 "工具插件"（如天气查询、地图服务）和 "数据源插件"（如 MySQL、Elasticsearch），支持自定义开发。
6. API 密钥（API Key）：应用对外提供服务的认证凭证，通过 API 密钥可将 Dify 应用集成到自有系统（如网站、APP、小程序）。

2.2 架构设计

Dify 采用分层架构设计，确保系统的灵活性、可扩展性和稳定性，架构分为四层：

1. 前端层：基于 React 开发的可视化界面，包含应用管理、知识库管理、工作流设计、插件配置等模块，提供直观的操作体验。
2. 后端服务层：采用 Python FastAPI 框架开发，负责处理业务逻辑，包括用户认证、应用配置管理、模型调用调度、知识库检索等核心功能。
3. 模型集成层：提供统一的模型调用接口，兼容 API 模型（如 OpenAI GPT-4）和本地部署模型（如 Llama 3），支持模型负载均衡、超时重试、缓存管理。
4. 数据存储层：采用多数据库协同存储，PostgreSQL 存储应用配置、用户数据，Redis 存储缓存数据，MinIO 存储知识库文档、图片等文件数据。

2.3 支持的模型类型

Dify 支持两类模型，满足不同场景需求：

1. API 模型：无需本地部署，通过 API 调用的模型，如 OpenAI GPT-3.5/4、Anthropic Claude 3、阿里云通义千问 Plus、百度文心一言 4.0。
2. 开源模型：可本地部署的模型，支持通过 Ollama、vLLM、LangChain 等框架集成，如 Meta Llama 3（70B）、阿里 Qwen（14B）、Mistral（8x7B）、智谱清言 GLM-4。

3. Dify 环境准备：部署与初始化

Dify 提供两种部署方式：Docker Compose 快速部署（适合新手）和本地源码部署（适合二次开发），本节将详细讲解两种部署流程。

3.1 Docker Compose 快速部署（推荐）

Docker Compose 部署无需复杂的依赖配置，只需几分钟即可完成 Dify 启动，适合快速体验和生产环境使用。

3.1.1 前置条件

1. 操作系统：Linux（Ubuntu 20.04+/CentOS 7+）、Windows 10+（WSL2）、macOS 12+
2. 软件依赖：Docker 20.10+、Docker Compose 2.0+
3. 硬件要求：至少 2 核 CPU、4GB 内存、20GB 磁盘空间（若部署开源模型，需 16GB + 内存）

3.1.2 部署步骤

1. 安装 Docker 与 Docker Compose

以 Ubuntu 22.04 为例，执行以下命令安装依赖：

拉取 Dify 部署配置文件

配置环境变量（可选）

编辑.env文件，修改关键配置（如端口、数据库密码）：

​常用配置项说明：

1. PORT: Dify 访问端口，默认 8000
2. DB_PASSWORD: PostgreSQL 数据库密码，建议修改为复杂密码
3. REDIS_PASSWORD: Redis 密码，建议修改
4. STORAGE_TYPE: 文件存储类型，默认 local（本地存储），可改为 s3/minio
5. 启动 Dify 服务

​

启动成功后，输出应显示所有服务（api、web、db、redis、worker 等）状态为Up

界面展示 docker-compose ps 命令执行结果，包含 7 个服务：dify-api、dify-web、dify-db、dify-redis、dify-worker、dify-nginx、dify-websocket，所有服务状态均为 "Up (healthy)"，表示启动成功。

1. 访问 Dify 平台

打开浏览器，输入http://服务器IP:端口（如http://192.168.1.100:8000），进入 Dify 登录界面，如图 21所示：

图 1：Dify 登录界面

​

界面左侧为 Dify 品牌标识和产品介绍，右侧为登录表单，包含 "邮箱" 和 "密码" 输入框，下方有 "忘记密码" 和 "注册账号" 按钮，首次访问需点击 "注册账号" 创建管理员账户。

首次访问需注册管理员账户，填写邮箱、密码后完成注册，注册成功后自动登录到 Dify 控制台主界面，如图 2所示：

图 2：Dify 控制台主界面

界面顶部为导航栏（包含首页、应用、知识库、工作流、插件、设置），左侧为功能菜单，中间为控制台首页，显示应用数量、知识库数量、最近访问的应用列表，右侧为快速操作按钮（新建应用、新建知识库）。

3.2 本地源码部署（适合二次开发）

若需要对 Dify 进行二次开发（如定制界面、扩展功能），可采用本地源码部署方式。

3.2.1 前置条件

1. 软件依赖：Python 3.10+、Node.js 16+、npm 8+、PostgreSQL 14+、Redis 6+
2. 开发工具：Git、PyCharm（或 VS Code）、WebStorm

3.2.2 部署步骤

拉取源码

部署后端服务

部署前端服务

​

访问服务

前端服务启动后，访问http://localhost:3000，后端服务地址为http://localhost:5001。

​

3.3 常见部署问题解决

1. 端口占用问题

若启动时提示 "端口已被占用"，可修改.env文件中的PORT配置（Docker 部署）或启动命令中的--port参数（源码部署），选择未被占用的端口（如 8001、5002）。

1. 服务启动失败

执行docker-compose logs -f查看日志，定位失败原因：

1. 若数据库连接失败，检查.env文件中DB_HOST、DB_PORT、DB_PASSWORD配置是否正确；
2. 若 Redis 连接失败，检查REDIS_HOST、REDIS_PORT、REDIS_PASSWORD配置；
3. 若依赖缺失，执行docker-compose down && docker-compose up -d --build重新构建服务。
4. 浏览器无法访问
5. 检查服务器防火墙是否开放 Dify 端口（如 8000），执行sudo ufw allow 8000开放端口；
6. 若为云服务器，检查安全组规则是否允许对应端口的入站流量。

4. 实战一：开发文本摘要 AI 应用（基础应用）

文本摘要应用是最基础的 AI 应用之一，功能为 "用户输入长文本，AI 自动生成简洁摘要"。本节将详细讲解基于 Dify 开发文本摘要应用的完整流程，包括应用创建、prompt 设计、模型配置、API 集成等步骤。

4.1 需求分析与设计

4.1.1 功能需求

1. 支持用户输入任意长度的文本（如新闻、报告、文章）；
2. AI 自动提取文本核心信息，生成简洁摘要（长度可配置）；
3. 支持摘要长度调整（短 / 中 / 长）；
4. 提供 API 接口，可集成到第三方系统。

4.1.2 技术选型

1. 模型：OpenAI GPT-3.5 Turbo（性价比高，适合文本生成场景）；
2. 交互方式：Web 界面 + API 接口；
3. 部署方式：基于 Dify 平台开发，无需单独部署前端。

4.2 开发步骤

4.2.1 创建应用

1. 登录 Dify 控制台，点击左侧导航栏 "应用"→"新建应用"，进入应用创建界面

界面顶部为 "新建应用" 标题，中间为应用类型选择区，包含 "文本生成"、"问答"、"多模态交互" 三个选项，每个选项下方有功能描述；右侧为应用配置区，包含 "应用名称"、"应用描述"、"应用图标" 输入框。

1. 选择应用类型为 "文本生成"，填写应用信息：
2. 应用名称：文本摘要工具；
3. 应用描述：输入长文本，自动生成简洁摘要，支持摘要长度调整；
4. 应用图标：选择默认图标或上传自定义图标。
5. 点击 "创建" 按钮，完成应用创建，进入应用开发界面（包含 "prompt 设计"、"模型配置"、"交互设置"、"API 配置" 四个标签页）。

4.2.2 设计 prompt（核心步骤）

prompt 设计直接影响 AI 摘要的质量，需明确模型的角色、任务、输出格式和约束条件。

1. 进入 "prompt 设计" 标签页，Dify 提供可视化 prompt 编辑器，支持 "系统提示" 和 "用户提示" 两部分配置：
2. 系统提示：定义模型的角色和任务规则；
3. 用户提示：定义用户输入的内容格式。
4. 设计系统提示：

1. 设计用户提示：

在编辑器中点击 "添加变量"，创建两个变量：

最终用户提示模板为：

​

配置完成后的 prompt 设计界面

界面左侧为 prompt 编辑器，分为 "系统提示" 和 "用户提示" 两部分，系统提示区域显示上述设计的规则文本，用户提示区域显示包含两个变量的模板；右侧为变量管理区，显示text和summary_length两个变量的配置信息（类型、提示语、默认值），下方有 "预览" 按钮可查看用户输入界面效果。

1. 变量 1：text（文本内容），类型为 "长文本"，提示用户 "请输入需要摘要的文本内容"；
2. 变量 2：summary_length（摘要长度），类型为 "下拉选择"，选项为 "短摘要（100 字以内）"、"中摘要（100-300 字）"、"长摘要（300 字以上）"，默认值为 "中摘要（100-300 字）"。

4.2.3 配置模型

1. 进入 "模型配置" 标签页，选择模型类型为 "API 模型"，然后选择 "OpenAI"→"GPT-3.5 Turbo"

界面顶部为模型类型选择区（API 模型 / 开源模型），中间为模型列表（OpenAI、Anthropic、阿里云等），当前选中 "OpenAI GPT-3.5 Turbo"；右侧为模型参数配置区，包含 "API 密钥"、"温度"、"最大 Token 数"、"超时时间" 等参数输入框。

1. 配置模型参数：
2. API 密钥：输入你的 OpenAI API 密钥（获取地址：https://platform.openai.com/api-keys）；
3. 温度（Temperature）：设置为 0.3（温度越低，输出越稳定、准确，适合摘要场景）；
4. 最大 Token 数：设置为 1024（确保有足够的 Token 生成摘要，GPT-3.5 Turbo 支持最大 4096 Token）；
5. 超时时间：设置为 30 秒；
6. 频率惩罚：设置为 0（避免模型过度避免重复内容，影响摘要完整性）；
7. 存在惩罚：设置为 0。
8. 点击 "测试连接" 按钮，验证模型是否能正常调用，若提示 "连接成功"，则模型配置完成。

4.2.4 测试应用

1. 点击应用开发界面顶部的 "测试" 按钮，进入应用测试界面

界面左侧为用户输入区，包含 "文本内容" 输入框（多行）和 "摘要长度" 下拉选择框；右侧为 AI 响应区，显示 "等待输入" 提示；底部有 "提交" 和 "清空" 按钮。

1. 输入测试文本（示例：一段关于人工智能发展的新闻）：

1. 选择摘要长度为 "中摘要（100-300 字）"，点击 "提交" 按钮，等待 3-5 秒后，AI 生成摘要：

1. 优化调整：若摘要存在信息遗漏或冗余，可返回 "prompt 设计" 界面修改系统提示（如增加 "需包含各领域具体数据" 的规则），重新测试直至满足需求。

4.2.5 集成 API（对接第三方系统）

Dify 为每个应用自动生成 API 接口，可将文本摘要工具集成到网站、APP、小程序等第三方系统。

1. 进入 "API 配置" 标签页，获取 API 信息：
2. API 地址：http://你的Dify地址/v1/applications/你的应用ID/completions；
3. 请求方式：POST；
4. 认证方式：Bearer Token（API 密钥在页面中点击 "生成" 按钮获取）。
5. 编写 Python API 调用代码（示例）：

1. 运行代码，查看输出结果（与测试界面结果一致），如图 8 所示：

图 8：API 调用代码运行结果界面

界面为 Python 终端运行结果，显示 "文本摘要结果："，下方为 AI 生成的中摘要内容，无错误信息，表明 API 调用成功。

1. 其他语言调用示例（以 JavaScript 为例）：

4.2.6 前端界面定制（可选）

若需要修改应用的前端界面（如调整颜色、添加公司 logo），可通过 Dify 的 "交互设置" 标签页进行配置：

1. 界面标题：修改应用在 Web 界面的显示标题；
2. 主题颜色：选择或自定义界面主色调；
3. logo 设置：上传公司 logo，替换默认图标；
4. 提示文本：修改用户输入框的提示语（如 "请粘贴需要摘要的文章内容"）；
5. 按钮文本：修改 "提交"、"清空" 按钮的显示文本。

4.3 应用发布与分享

应用开发完成后，可通过 Dify 的 "发布" 功能对外提供服务：

1. 点击应用开发界面顶部的 "发布" 按钮，选择发布环境（测试环境 / 生产环境）；
2. 配置访问权限（公开访问 / 密码保护 / 指定用户访问）；
3. 生成访问链接，用户可通过链接直接使用 Web 版应用，或通过 API 集成到第三方系统。

5. 实战二：开发私有知识库问答 AI 应用（RAG 应用）

在实际应用中，很多 AI 问答场景需要基于企业私有数据（如产品手册、内部文档、行业报告），此时需要结合检索增强生成（RAG）技术。本节将开发一个 "产品手册问答 AI 应用"，支持用户基于上传的产品手册提问，AI 结合手册内容给出精准回答。

5.1 需求分析与设计

5.1.1 功能需求

1. 支持上传产品手册（PDF/Word/TXT 格式）；
2. 自动处理文档（分块、嵌入、存储）；
3. 用户可针对产品手册内容提问；
4. AI 结合手册内容生成回答，并标注引用来源；
5. 支持文档更新、删除、检索测试。

5.1.2 技术原理

RAG 技术流程：

1. 文档处理：将上传的文档分割为小文本块（避免超出模型 Token 限制）；
2. 文本嵌入：使用嵌入模型（如 OpenAI Embeddings）将文本块转换为向量；
3. 向量存储：将向量存储到向量数据库（Dify 内置 Chroma 向量库）；
4. 检索过程：用户提问后，将问题转换为向量，在向量库中检索相似度最高的文本块；
5. 生成回答：将检索到的文本块作为上下文，传递给大模型，生成基于私有数据的回答。

5.2 开发步骤

5.2.1 创建知识库

首先需要创建知识库并上传产品手册，Dify 提供完整的知识库管理功能。

1. 登录 Dify 控制台，点击左侧导航栏 "知识库"→"新建知识库"，进入知识库创建界面

界面包含 "知识库名称"、"知识库描述" 输入框，"文档处理设置"（分块策略、嵌入模型），"向量数据库" 选择（内置 Chroma / 外部向量库如 Pinecone），下方有 "创建" 按钮。

1. 配置知识库信息：
2. 知识库名称：产品手册知识库；
3. 知识库描述：存储产品手册文档，用于产品问答 AI 应用；
4. 分块策略：选择 "按段落分块"，块大小设置为 500 字符，重叠率设置为 50 字符（确保上下文连贯性）；
5. 嵌入模型：选择 "OpenAI Embeddings"（适合英文和中文，准确率高）；
6. 向量数据库：选择 "内置 Chroma"（无需额外部署，适合快速开发）。
7. 点击 "创建" 按钮，完成知识库创建，进入知识库文档管理界面。
8. 上传产品手册文档：

点击 "上传文档" 按钮，选择本地的产品手册 PDF 文件（示例：某款智能手机产品手册），进入文档上传与处理界面

界面左侧显示上传的文档名称、大小、格式，右侧为文档处理进度（上传中→解析中→分块中→嵌入中→完成），下方显示处理后的文本块数量、嵌入模型、分块策略信息。

文档处理完成后，系统会显示 "处理成功"，并列出处理后的文本块数量（如 100 个文本块）。

5.2.2 创建问答应用

1. 点击左侧导航栏 "应用"→"新建应用"，选择应用类型为 "问答"，填写应用名称（产品手册问答 AI）和描述，点击 "创建"。
2. 进入应用开发界面，首先进行 "prompt 设计"：
3. 系统提示：

1. 用户提示：

创建变量question（问题内容），类型为 "短文本"，提示用户 "请输入关于产品手册的问题"。

5.2.3 配置 RAG（关联知识库）

1. 进入应用开发界面的 "知识库配置" 标签页，点击 "关联知识库"，选择之前创建的 "产品手册知识库"

界面顶部为知识库选择区，当前选中 "产品手册知识库"；中间为检索参数配置区，包含 "检索 Top K"、"相似度阈值"、"上下文拼接方式"；右侧为检索测试区，可输入测试问题，查看检索结果。

1. 配置检索参数：
2. 检索 Top K：设置为 5（检索相似度最高的 5 个文本块，确保覆盖足够的上下文）；
3. 相似度阈值：设置为 0.7（过滤相似度低于 0.7 的文本块，避免无关信息干扰）；
4. 上下文拼接方式：选择 "按相似度排序拼接"（将检索到的文本块按相似度从高到低拼接）；
5. 上下文最大长度：设置为 2000 字符（避免超出模型 Token 限制）。
6. 检索测试：

在检索测试区输入问题（如 "这款手机的电池容量是多少？"），点击 "检索" 按钮，系统会显示检索到的文本块（包含内容、相似度得分、来源），验证检索结果是否准确。

5.2.4 配置模型

进入 "模型配置" 标签页，选择模型为 "OpenAI GPT-3.5 Turbo"，配置参数：

1. API 密钥：输入 OpenAI API 密钥；
2. 温度：设置为 0.2（问答场景需准确性，温度较低）；
3. 最大 Token 数：设置为 1500；
4. 其他参数：默认即可。

5.2.5 测试应用

1. 点击 "测试" 按钮，进入应用测试界面

界面左侧为用户提问区，包含 "问题" 输入框和 "提交" 按钮；右侧为 AI 回答区，显示回答内容和引用来源；下方为 "相关文档" 列表，显示检索到的文本块。

1. 输入测试问题："这款智能手机支持快充吗？快充功率是多少？"，点击 "提交" 按钮。
2. AI 生成回答（示例）：

回答下方会显示引用的文档片段，用户可查看原文验证准确性。

1. 测试边界场景：
2. 输入超出手册范围的问题（如 "这款手机的竞争对手有哪些？"），AI 应提示 "该问题不在产品手册范围内，无法回答"；
3. 输入模糊问题（如 "手机怎么充电？"），AI 应结合手册中的充电说明，给出详细步骤。

5.2.6 API 集成（带 RAG 的 API 调用）

与文本摘要应用相比，带 RAG 的 API 调用无需额外配置，Dify 会自动处理检索流程，只需在请求体中指定知识库 ID 即可。

Python API 调用代码示例：

运行代码，输出结果包含回答和引用来源，与 Web 测试界面一致。

5.2.7 知识库管理

Dify 支持知识库的全生命周期管理：

1. 文档更新：点击知识库中的 "上传文档"，可上传新版本的产品手册，系统会自动替换旧文档；
2. 文档删除：选择需要删除的文档，点击 "删除" 按钮，系统会删除文档及对应的向量数据；
3. 检索优化：若检索结果不准确，可调整分块策略（如减小块大小）、更换嵌入模型（如使用中文优化的嵌入模型）；
4. 权限管理：设置知识库访问权限（仅自己可见 / 团队可见 / 所有用户可见）。

5.3 高级配置：优化 RAG 效果

若 RAG 问答效果不理想（如回答不准确、引用错误），可通过以下方式优化：

1. 分块策略优化：
2. 对于 PDF 文档，若包含大量表格，选择 "按页面分块"；
3. 对于长文档，块大小设置为 300-500 字符，重叠率设置为 50-100 字符；
4. 嵌入模型优化：
5. 中文文档推荐使用 "通义千问 Embeddings" 或 "文心一言 Embeddings"，准确率高于 OpenAI Embeddings；
6. 检索参数优化：
7. 若回答遗漏信息，增大 "检索 Top K"（如从 5 调整为 8）；
8. 若回答包含无关信息，提高 "相似度阈值"（如从 0.7 调整为 0.8）；
9. Prompt 优化：
10. 在系统提示中明确 "优先使用检索到的上下文，若上下文不足，告知用户无法回答"；
11. 要求模型 "在回答中逐点引用上下文，每个引用标注具体页码和段落"。

6. 实战三：开发多模态图片内容分析 AI 应用

随着多模态模型（如 GPT-4V、Claude 3 Vision）的发展，AI 应用已从纯文本扩展到图片、音频、视频等领域。本节将开发一个 "图片内容分析 AI 应用"，支持用户上传图片，AI 分析图片内容并生成描述，同时回答与图片相关的问题。

6.1 需求分析与设计

6.1.1 功能需求

1. 支持上传图片（JPG/PNG 格式，最大 10MB）；
2. AI 自动分析图片内容（场景、物体、文字、颜色等）；
3. 生成图片详细描述；
4. 支持用户针对图片提问（如 "图片中的物体是什么颜色？"" 图片中有多少人？"）；
5. 支持图片历史记录查看。

6.1.2 技术选型

1. 多模态模型：OpenAI GPT-4V（支持图片分析，准确率高）；
2. 图片存储：Dify 内置 MinIO 存储服务；
3. 交互方式：Web 界面（支持图片上传）+ API 接口。

6.2 开发步骤

6.2.1 配置多模态模型

首先需要在 Dify 中配置多模态模型（GPT-4V），确保支持图片分析功能。

1. 登录 Dify 控制台，点击左侧导航栏 "设置"→"模型管理"→"添加模型"，进入模型配置界面，

界面顶部为模型类型选择（API 模型 / 开源模型），当前选择 "API 模型"→"OpenAI"→"GPT-4V (Vision)"；中间为模型参数配置区，包含 "API 密钥"、"最大 Token 数"、"超时时间"；下方为 "图片处理设置"（支持的图片格式、最大大小）。

1. 配置模型参数：
2. API 密钥：输入 OpenAI API 密钥（需确保账号已开通 GPT-4V 权限）；
3. 最大 Token 数：设置为 2048；
4. 超时时间：设置为 60 秒（图片分析耗时较长）；
5. 支持的图片格式：勾选 JPG、PNG；
6. 最大图片大小：设置为 10MB。
7. 点击 "保存" 按钮，完成多模态模型配置。

6.2.2 创建多模态应用

1. 点击左侧导航栏 "应用"→"新建应用"，选择应用类型为 "多模态交互"，填写应用名称（图片内容分析 AI）和描述，点击 "创建"，进入应用创建界面

界面包含 "应用名称"、"应用描述" 输入框，"模型选择"（已选择 GPT-4V），"交互设置"（图片上传功能开启、问题输入框配置），下方有 "创建" 按钮。

1. 配置应用交互设置：
2. 开启 "图片上传功能"，设置支持的图片格式（JPG/PNG）和最大大小（10MB）；
3. 添加变量：
4. image：类型为 "图片"，提示用户 "请上传需要分析的图片"；
5. question：类型为 "短文本"，提示用户 "请输入关于图片的问题（可选）"。

6.2.3 设计 prompt

多模态 prompt 需要包含图片处理指令和文本生成规则，进入 "prompt 设计" 标签页：

1. 系统提示：

用户提示：

6.2.4 测试应用

1. 点击 "测试" 按钮，进入多模态应用测试界面

界面左侧为用户交互区，包含 "图片上传" 按钮（显示 "点击上传或拖拽文件"）、"问题输入框"、"提交" 按钮；右侧为 AI 响应区，显示 "等待上传图片" 提示；下方为图片预览区（上传后显示）。

1. 上传测试图片（示例：一张包含 "红色苹果、黄色香蕉、绿色橙子" 的水果静物图），输入问题 "图片中有哪些水果？分别是什么颜色？"，点击 "提交" 按钮。
2. 等待 10-20 秒（GPT-4V 分析图片耗时较长），AI 生成分析结果：

1. 测试其他场景：
2. 上传包含文字的图片（如书籍封面），AI 应识别并转录文字内容；
3. 上传人物图片，AI 应描述人物数量、动作、穿着；
4. 上传模糊图片，AI 应提示 "图片内容不清晰，无法准确分析"。

6.2.5 API 集成（多模态 API 调用）

多模态 API 调用需要处理图片文件（二进制数据），需将图片转换为 Base64 编码或通过表单上传。Dify 支持两种方式，本节以 Base64 编码为例。

Python API 调用代码示例：

代码说明：

1. 图片处理：使用base64库将图片文件转换为 Base64 编码，确保 API 能正确解析；
2. 请求体结构：image字段包含type（base64）、data（Base64 编码字符串）、filename（文件名）；
3. 超时设置：图片分析耗时较长，设置 60 秒超时。

7. Dify 高级功能：工作流与插件开发

Dify 的工作流和插件功能可满足复杂业务场景需求，本节将介绍如何通过工作流设计复杂流程，以及如何开发自定义插件。

7.1 工作流设计：可视化流程编排

工作流支持拖拽式设计复杂业务逻辑，例如 "用户提问→检索知识库→调用模型→发送邮件通知" 的完整流程。

7.1.1 工作流设计步骤

1. 登录 Dify 控制台，点击左侧导航栏 "工作流"→"新建工作流"，进入工作流设计界面

界面左侧为节点库（包含 "触发节点"、"模型节点"、"知识库节点"、"工具节点"、"条件节点"、"输出节点"）；中间为画布，用于拖拽节点并连接；右侧为节点配置区，显示当前选中节点的参数配置。

1. 设计 "用户提问→知识库检索→模型回答→邮件通知" 流程：
2. 添加触发节点：拖拽 "用户输入触发" 节点到画布，配置触发参数（用户输入变量：question）；
3. 添加知识库节点：拖拽 "知识库检索" 节点，连接到触发节点，配置知识库 ID 和检索参数（Top K=5）；
4. 添加模型节点：拖拽 "模型调用" 节点，连接到知识库节点，选择模型（GPT-3.5 Turbo），配置 prompt（包含用户问题和检索到的上下文）；
5. 添加工具节点：拖拽 "邮件发送" 节点，连接到模型节点，配置邮件参数（收件人、主题、内容模板，内容包含模型回答）；
6. 添加输出节点：拖拽 "结果输出" 节点，连接到模型节点，配置输出参数（模型回答）；
7. 连接节点：用连接线将各节点按流程顺序连接，形成完整工作流。
8. 点击 "测试" 按钮，输入测试问题，验证工作流是否正常执行（检索知识库→生成回答→发送邮件）。

7.1.2 工作流应用场景

1. 多步骤数据处理：如 "用户上传 Excel→数据提取→数据分析→生成报告→发送报告"；
2. 条件分支逻辑：如 "根据用户问题类型，分支到不同知识库（产品问题→产品知识库，技术问题→技术知识库）"；
3. 定时任务：如 "每天定时检索行业新闻→生成摘要→推送至企业微信群"。

7.2 自定义插件开发：扩展 Dify 功能

Dify 支持自定义插件开发，若内置插件无法满足需求，可开发专属插件（如对接企业内部系统、第三方 API）。本节将开发一个 "天气查询插件"，支持根据城市名称查询实时天气。

7.2.1 插件开发步骤

1. 创建插件项目

插件采用 Python 开发，需遵循 Dify 插件开发规范，项目结构如下：

​

1. 编写插件核心逻辑（main.py）

使用第三方天气 API（如高德天气 API）实现天气查询功能：

​

1.  编写配置文件（config.py）

1. 在 Dify 中集成插件
2. 登录 Dify 控制台，点击左侧导航栏 "插件"→"上传插件"，选择插件项目压缩包（ZIP 格式）

界面包含 "插件压缩包上传" 区域、"插件信息预览"（显示 manifest.json 中的名称、描述、参数）、"插件测试" 区域（输入城市名称，测试插件功能）。

1. 上传完成后，点击 "测试" 按钮，输入城市名称（如 "北京"），验证插件是否能正常返回天气信息；
2. 测试通过后，点击 "启用" 按钮，插件即可在应用和工作流中使用。
3. 插件应用
4. 在应用中使用：创建应用时，添加 "工具调用" 节点，选择 "天气查询插件"，配置输入参数（城市名称）；
5. 在工作流中使用：拖拽 "工具节点"，选择 "天气查询插件"，连接到其他节点（如将天气信息插入到邮件中发送）。

8. Dify 应用部署与生产优化

开发完成的 AI 应用需要部署到生产环境，并进行性能、成本、稳定性优化，确保满足企业级应用需求。

8.1 生产环境部署

8.1.1 Docker Swarm 部署（适合多节点集群）

对于生产环境，推荐使用 Docker Swarm 实现服务编排和高可用：

1. 初始化 Docker Swarm

1. 编写 docker-compose.prod.yml 配置文件

1. 配置 HTTPS（Let's Encrypt 证书）

1. 启动服务