Dify：16 万 star 的 AI 应用编排平台，把 DeepSeek 组装成能用的产品

写代码调 API 是一条路，可视化搭是一条路。Dify 是后者的代表。

16 万 star，地址：

https://github.com/langgenius/dify

它把"AI 应用"拆成可以拖的块：输入 → 知识检索 → 模型 → 处理 → 输出。拼完点发布，得到一个网页或一个 API。

装

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

拉起来之后打开 http://NAS地址:80，第一次会让你设管理员账号。

吃资源是真的：默认起十来个容器（api、worker、web、postgres、redis、weaviate、sandbox…），内存建议 4 GB 起，8 GB 稳。小机器上手动注释掉不需要的服务。

接 DeepSeek

右上角头像 → 设置 → 模型供应商 → 找到 OpenAI-API-compatible → 添加模型：

保存。再重复一次，加 deepseek-reasoner。

再配 embedding（知识库要用），DeepSeek 不提供，可以用硅基流动、或者本地 Ollama 的 bge-m3。

三种应用类型，各管一件事

聊天助手（Chatbot）：最简单的对话应用。挂上知识库就是"客服机器人"。

工作流（Workflow）：带分支、循环、条件判断。比如"用户上传文档 → 提取关键信息 → 判断类型 → 走不同处理"。

文本生成：批处理。给它一批输入，按模板产出结果（摘要、翻译、分类）。

一个能跑通的例子

给家里做"NAS 使用手册问答"

1. 建知识库，把站里那些文章导进去（支持从网页、Markdown 导入）；
2. 建聊天应用，挂上这个知识库；
3. 系统提示词写：“你是家里的 NAS 助手，只回答和飞牛、Docker、影视库相关的问题，不知道就说不知道”；
4. 发布，得到一个网页地址，贴给家里人。

效果比直接把文章丢给 ChatGPT 问好，因为它真的会去检索你那 167 篇文章。

它比"直接用 API"强在哪

• 不用写代码：非程序员也能搭；
• 可视化调试：每一步的输入输出都能看到，问题出在哪一目了然；
• 自带日志和标注：用户问了什么、模型答了什么，有记录，可以标"好/不好"用来改进；
• 能发布成 API：搭好的东西，别的程序能调。

会踩的坑

装完打不开 docker compose ps 看服务状态。它的 sandbox 服务在某些内核上起不来，可以先注释掉。

模型连通性测试失败 endpoint 多写了斜杠，或者 Key 有空格。它在设置里有个"保存并测试"，测试通过再用。

知识库检索不准 切分策略选错了。调成"自定义"，段落长度 500–800，重叠 50，效果好很多。

工作流跑起来很慢 每一步都是一个模型请求，串五六步自然慢。能并行的放并行分支。

升级后数据没了 它有数据库迁移，升级前必须备份 docker/volumes 目录。

它适合谁

• 想把 AI 做成能给别人用的东西（网页、接口）的；
• 有重复性的文本处理任务（分类、摘要、抽取）的；
• 不想写代码，但需要控制流程的。

不适合：只自己聊天用的（Dify 太重）；机器只有 2 GB 内存的。

最后

Dify 的价值不是"能聊天"，是把聊天变成产品。

你搭一个东西，家里人能用、同事能用、别的系统能调——这一步跨越，光靠客户端做不到。

有问题留言。