Dify 是什么
💡🤖 AI 时代，还要学 Dify 吗？学到什么程度？
作为低代码平台，Dify 属于「会用即可」——是 AI 时代必备但门槛不高的工程技能。可视化编排、知识库、工作流都能在界面里拖出来，原理类点到为止即可；但选哪种应用形态、知识库怎么切、上线后怎么看日志做评估，仍需懂一点 AI 工程逻辑，否则调出的应用不稳定也看不出问题。建议目标：能用 Dify 独立搭出一个可用的 AI 应用，底层原理按需了解。
Dify 是一个开源的 LLMOps（大语言模型运维）平台，也是可视化的 LLM 应用开发框架。它把「提示词编排、知识库（RAG）、Agent、工作流、模型接入、评估、部署」等能力打包成一套直观的 Web 控制台，让你用「拖拽 + 配置」而不是纯写代码的方式，快速构建生产级 AI 应用。
Dify 的名字源于 Define + Modify，寓意「可定义、可迭代」。你可以在界面上定义应用逻辑，再基于真实对话日志持续修改优化，无需反复改代码、重启服务。
ℹ️Dify 不是另一个聊天框
Dify 本身不训练模型，也不替代你的业务系统。它的价值在于：把「调用大模型」这件很散的事，收敛成一个可管理、可协作、可上线、可评估的工程平台。
1. 为什么需要 LLMOps 平台
直接 curl 调大模型 API 很容易跑通 Hello World，但要做到生产可用，你会遇到一堆工程问题：
- 提示词散落在代码里，换个同事就接不上
- 想给模型「喂」公司文档，要自己搭向量库、写切片与检索
- 多模型（OpenAI / 通义 / 本地 Ollama）切换成本高
- 线上效果好坏靠「感觉」，没有日志与评估
- 业务方要嵌入网页，得自己写前后端
Dify 把这些共性能力抽象成平台能力，让团队聚焦「业务怎么用 AI」而非「AI 怎么接进来」。
2. 开源版 vs 云版（Dify Cloud）
| 维度 | 开源版（Self-hosted） | Dify Cloud（云版） |
|---|---|---|
| 部署 | 自己用 Docker / K8s 部署 | 注册即用，免运维 |
| 数据 | 全在自己服务器，数据可控 | 数据存于 Dify 托管环境 |
| 模型 | 任意接入（含本地模型） | 同样支持，按用量计费 |
| 成本 | 服务器成本 + 模型 API 费用 | 订阅 + 模型费用 |
| 适合 | 企业内网、数据敏感、私有化 | 个人验证、快速起步 |
💡怎么选？
想先体验 → 用 Dify Cloud 几分钟就能建第一个应用。数据敏感或要接入内网系统 → 选开源版自部署（第 2 章讲安装）。本教程两者通用，差异处会特别说明。
3. 核心能力一览
- 🧩 可视化编排：对话型、文本生成、工作流、Agent 四种应用形态
- 📚 知识库（RAG）：上传文档、自动切片、向量检索，让模型回答基于你的资料
- 🔌 工具与插件：内置搜索/HTTP 请求等工具，也支持自定义 API 工具
- 🤖 Agent：基于 ReAct 等策略让模型自主调用工具完成任务
- 🔗 模型接入：统一接口接入几十种主流模型与本地模型
- 🚀 发布与 API：一键生成 WebApp、嵌入代码、标准后端 API
- 📈 日志与评估：会话日志、用户标注、效果分析，支撑持续迭代
4. 本教程路线
本教程共 18 章：
- 基础（1–8 章）：概念、安装、核心概念、知识库、提示词与变量
- 进阶（9–16 章）：工具、工作流、Agent、模型接入、发布 API、日志评估、权限协作
- 实战（17–18 章）：内部知识库助手、自动化客服工作流
🎯想一想
你现在手头有没有一个「想用 AI 但卡在工程化」的场景？带着它学完本教程，第 17、18 章会带你完整落地。
小结
- Dify 是开源 LLMOps / 低代码 LLM 应用开发平台
- 开源版数据可控、可接本地模型；云版免运维、起步快
- 核心能力覆盖编排、RAG、工具、Agent、模型接入、发布与评估
- 下一步：把 Dify 跑起来 →