Dify 5 分钟跑通：4 条命令部署你的第一个 LLM 应用平台-育师

Dify 5 分钟跑通：4 条命令部署你的第一个 LLM 应用平台

【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify

Dify 是一个开源的 LLM 应用开发平台：把 AI 工作流、RAG 知识库、Agent 能力和模型管理放进同一个界面。不用写胶水代码，配好一个模型 API 密钥，就能搭出一个能跑、能发布的 AI 应用。

先上手：完整走一遍

下面是最常见的自部署路径，跟着做，中途卡住的地方我也标出来了。

先确认本地环境。做什么：Dify 要求 CPU 至少 2 核、内存至少 4 GiB，并装好 Docker 以及 Docker Compose（v2.24.0 及以上）。会看到什么：终端里docker compose version能正常输出版本号。容易卡在哪：很多机器装的是旧版 Compose 或压根没装 Docker，这一步没过，后面全白搭。
克隆仓库并进入部署目录。做什么：
```
git clone https://gitcode.com/GitHub_Trending/di/dify cd dify cd docker
```
会看到什么：docker目录里有一个docker-compose.yaml和一个.env.example文件。容易卡在哪：直接对着仓库根目录敲命令，找不到.env.example——它只在docker目录里。
生成配置文件并启动容器。做什么：
```
cp .env.example .env docker compose up -d
```
会看到什么：终端滚出一串容器启动日志，稍等一两分钟。容易卡在哪：端口被占用、或首次拉取镜像比较久，别以为卡死了就关掉；日志停在某个服务反复重启时，优先看该服务的日志。
打开初始化页面。做什么：浏览器访问http://localhost/install，按向导创建你的账号，随后进入控制台。会看到什么：左侧是导航栏，中间是 Studio 应用列表。容易卡在哪：忘记账号密码——它是后面所有操作的身份，现在就记好。
在 Studio 里创建第一个应用。做什么：新建应用，选 Chatbot、Agent、Workflow 或文本生成这类模板，左侧配置模型和提示词，右侧即时对话预览。会看到什么：你输入的指令立刻有回复。容易卡在哪：应用创建后没有可选项、模型列表是空的——回到模型供应商设置里填好 API 密钥再回来。

它到底强在哪

工作流可视化编排：在画布上把 LLM、知识检索、条件分支、代码节点拖出来连成线，就能定义 AI 应用的完整逻辑，改完当场点测试，不用写一行胶水代码。整个编排画布就像拼电路：每个节点是一块元件，连线就是电流走向，通电就能跑。

模型随便换：内置对接数百个 LLM 提供商和推理方案，OpenAI、Anthropic、Gemini、Llama 系列都在列，连本地跑的 Ollama、LocalAI 也支持。换供应商不用改应用结构，只改密钥。

RAG 管线开箱即用：从文档入库到检索回答整条链路都做好了，PDF、PPT 等常见格式直接上传就能被问答，不用自己搭向量库、写检索逻辑。

换成你的场景

给公司搭内部文档问答。你是 HR 或知识库负责人，员工天天问同样问题。把制度、手册上传成知识库，建一个 Chatbot，员工自助提问、机器人按文档作答，你只负责维护文档本身。

快速验证一个 AI 想法。产品经理或独立开发者想试"AI 行程规划""简历润色"这类点子。用 Agent 模式挂上现成工具，用 Chatbot 模式写提示词，当天就能拿一个能演示的原型去和老板或用户聊，值不值得立项，先有东西说话。

把 AI 能力接到现有系统。你是开发者，不想把 AI 逻辑写死在业务代码里。Dify 的每个功能都带对应 API（Backend-as-a-Service），你的后端调接口，Dify 负责编排和模型调用，两边解耦。

让体验更好的几个细节

调试窗口逐节点看：Workflow 跑起来后，点进任意节点能单独看它的输入、输出和耗时（Test Run 的 DETAIL 页签）。定位"到底哪一步跑歪了"不用再整条流程重跑。
Agent 有 50 多个内置工具：Google Search、DuckDuckGo、Wikipedia、DALL·E 等勾选即用，Agent 会自动决定何时调用；不想用内置的，还能自定义工具接入。
LLMOps 日志：每次运行的日志、耗时、token 消耗都能持续追踪，你可以基于真实生产数据和标注，回头改提示词、换模型、调知识库。
发布前开关功能：Chatbot 右侧面板里的开场白、语音转文本、文件上传、内容审核都是独立开关，按需勾选，不用为了一个功能写代码。

技术上值得一提

Dify 通过 Docker Compose 一条命令拉起整套服务（Nginx、API、Worker、向量库等都在docker目录的编排文件里），部署门槛低；所有能力同时提供 API，既能自己部署，也能嵌进现有业务逻辑里用。

下一步

本地部署：按上面 5 步执行，访问http://localhost/install开始。
官方文档：docs/ADVANCED_SETUP.md 覆盖自定义配置、可观测性和高级部署选项。
想参与开发：先读 CONTRIBUTING.md，社区仓库地址https://gitcode.com/GitHub_Trending/di/dify，Issues 区随时提反馈。

从一条docker compose up -d开始，你的第一个 AI 应用今天就能跑起来——这也是 Dify 名字里"imagine, if"想表达的起点。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考