企业官网建设流程全解析

摘要：本文是 Dify 学习笔记第 01 篇，围绕平台入门与实战展开，覆盖 Docker 私有化部署、五类应用（聊天助手、文本生成、Agent、ChatFlow、WorkFlow）的选型与用法，以及 RAG 知识库、MCP 工具接入等核心概念，并通过医学问答、自然语言查 MySQL、数据可视化三个实战案例建立体感，最后给出何时该从 Dify 下沉到 LangGraph 写代码的判断标准。

目录：

• 一、可视化导览
• 二、视频清单（16 集 · 约 2.9 小时）
• 三、Dify 是什么：平台层与技术栈定位
• 四、私有化部署（Docker）
• 五、五类应用与选型
  • 5.1 聊天助手与知识库（RAG）
  • 5.2 Agent 与工具、MCP
  • 5.3 ChatFlow / WorkFlow 常用节点
• 六、三个实战案例
  • 6.1 医学 RAG 问答
  • 6.2 自然语言查 MySQL
  • 6.3 数据可视化助手（WorkFlow）
• 七、平台 vs 框架：什么时候该离开 Dify
• 八、核心概念速查表
• 九、学习打卡

Dify学习笔记 01 · 平台入门与实战：部署、五类应用、RAG与MCP（第1-16集）

一句话总结：Dify 是国内团队面向国际的开源低代码 AI 应用平台（内置 LLMOps），本模块带你用 Docker 完成私有化部署、装好模型插件，跑通聊天助手、文本生成、Agent、ChatFlow、WorkFlow五类应用，理解知识库背后的 RAG 原理与 MCP 工具接入，并完成医学问答、自然语言查 MySQL、数据可视化三个实战——先用平台建立体感，再判断何时该下沉到 LangGraph 写代码。

素材覆盖说明：模块一共 16 集。第 8、9、13、14、15 集本地无视频/字幕，第 6 集有视频无字幕，这些小节依据课程大纲标题 + Dify 官方标准能力补全，并在清单与正文用 📝 标注；其余 10 集据本地字幕据实整理。课程基于 Dify 1.8 稳定版（新版 1.10.1 有少量 bug），界面名称请以你实际部署版本、官方文档为准。

一、可视化导览

本模块的部署链路、五类应用选型、RAG 流程与三个实战已整理成一张可交互知识图谱，文档内可直接查看，也可打开在线版（手机端适配）：

模块一 · Dify 平台入门与实战 · 可视化图谱

二、视频清单（16 集 · 约 2.9 小时）

三、Dify 是什么：平台层与技术栈定位

Dify 是一个低代码 / 无代码的 AI 应用开发平台，把"接模型、做提示词、挂知识库、编排流程、发布监控"这些大模型应用的通用环节封装成可视化界面，并内置 LLMOps（模型与应用的运维观测能力）。它面向两类人：不懂工程但想快速做 AI 应用的业务人员，以及想快速验证想法、少写胶水代码的开发者。

在线版 cloud.dify.ai 开箱即用但数据在公网；企业/学习首选开源版 Docker 离线部署，数据自主、可接本地模型。课程统一使用 1.8 稳定版。

四、私有化部署（Docker）

部署的本质是用 Docker Compose 一次性拉起 Dify 所需的十几个容器（API、Worker、Web、数据库、向量库、Redis、代理等）。

标准步骤：

1. 克隆 Dify 官方仓库到本地，进入 docker 目录。

2. 把环境模板.env.example复制为.env，按需修改密钥、端口、向量库类型。

3. 执行docker compose up -d后台拉起全部容器。

4. 用docker compose ps检查：十几个容器应全部 healthy / running，不能有 restarting 或 unhealthy。

5. 浏览器打开本地地址，初始化管理员账号，进入"设置 → 模型供应商"安装模型插件。

模型配置建议：推理模型装DeepSeek（对话/工具调用），embedding 模型装通义千问（知识库向量化）。若用 Ollama 跑本地模型，容器内访问宿主机地址要填host.docker.internal，不能填 127.0.0.1（容器里的 localhost 指容器自身）。

五、五类应用与选型

5.1 聊天助手与知识库（RAG）

聊天助手通过提示词中的{{变量名}}接收用户输入，再关联一个或多个知识库。知识库的本质就是 RAG：

1. 离线：文档上传后被切块（chunk）、清洗，再用 embedding 模型向量化存入向量库。

2. 在线：用户问题向量化后，与库中向量做余弦相似度召回 Top-K 片段。

3. 增强：把召回片段作为上下文拼进提示词，连同问题一起交给 LLM。

4. 生成：模型基于这些私有知识作答，显著减少幻觉、可追溯来源。

发布方式有三种：内嵌iframe、网页右下角script 悬浮气泡、浏览器插件。

5.2 Agent 与工具、MCP

Agent = 聊天助手 + 自主调用工具的能力。模型根据用户意图自行判断"要不要用工具、用哪个、传什么参数"。工具来源有三类：

• 市场内置工具：开箱即用，如网页搜索、天气、图片生成。

• 自定义工具：通过 OpenAPI / Swagger 描述文件，把你自己的 HTTP 接口接进来。

• MCP 工具（重点）：即 Anthropic 提出的 Model Context Protocol，分为 server 与 client 两端，用一套标准协议把外部能力暴露给大模型。课程演示把一个基于 SSE 传输的天气 MCP server 接入 Dify。

5.3 ChatFlow / WorkFlow 常用节点

工作流是一张节点有向无环图（DAG），最小闭环为：开始 → 知识检索 → LLM → 直接回复。常用节点包括：

模型选型坑：DeepSeek-R1 这类 reasoner 推理模型在工具链 / 工作流里容易因为输出多余的思考内容、格式不稳定而导致节点解析报错；工具节点、结构化输出场景建议改用 chat 模型（如 deepseek-chat / Qwen 满血版）。

六、三个实战案例

6.1 医学 RAG 问答

把医学资料建为知识库，用"开始 → 知识检索 → LLM → 直接回复"的最小 ChatFlow，让模型只基于召回的医学内容作答，跑通"私有知识库 + 对话"标准范式。

6.2 自然语言查 MySQL

1. 把数据库的表结构（schema、字段含义）写进知识库。

2. 用户用自然语言提问 → 知识检索召回相关表结构。

3. LLM 据此生成 SQL，提示词中严格限定只允许 SELECT，防止写操作破坏数据。

4. 代码节点连接 MySQL 执行查询，把结果返回给用户或再交 LLM 转成自然语言。

6.3 数据可视化助手（WorkFlow）

1. 文档提取器解析上传的 CSV / Excel。

2. LLM 理解数据并整理成规范结构。

3. 代码节点据此拼出 ECharts 的 option 配置。

4. 直接回复节点输出```echarts代码块，Dify 前端直接渲染成图表。

七、平台 vs 框架：什么时候该离开 Dify

Dify 是平台（高层封装），LangChain / LangGraph 是框架（底层写代码）。当你需要——精细控制每一步流程、自定义召回与重排序策略、多 Agent 协作、复杂业务逻辑、深度定制状态与记忆——平台的拖拽节点已经不够用，就必须下沉到 LangChain / LangGraph 写代码，这正是模块二的内容。

八、核心概念速查表

九、学习打卡

• 能用 Docker Compose 在本地完整拉起 Dify，且容器无 restarting/unhealthy

• 会在 .env 中做基础配置，并初始化管理员账号

• 已装好 DeepSeek 推理模型与一个 embedding 模型并成功连通

• 能创建带 {{变量}} 的聊天助手并说出 RAG 四步流程

• 能区分聊天助手、文本生成、Agent、ChatFlow、WorkFlow 五类应用

• 能给 Agent 挂一个市场工具，并理解 MCP server/client 关系

• 能搭出"开始→知识检索→LLM→回复"的最小工作流

• 完成（或跟做）自然语言查 MySQL，且 SQL 被限制为 SELECT

• 完成（或跟做）CSV → ECharts 图表的数据可视化 WorkFlow

• 能说清什么场景该用 Dify、什么场景必须转 LangGraph 写代码

学习建议：本模块重在"建立体感"，不要纠结每个节点的全部参数。建议先把部署和聊天助手跑通（约 1 小时），再重点投入 ChatFlow / WorkFlow 两个实战；📝 标注的补全小节请对照你部署版本的官方文档实操。能独立搭出一个带知识库的助手后，即可进入模块二学 LangGraph。