Dify介绍
Dify 是一个开源的 LLM 应用开发平台。其直观的界面结合了 AI 工作流、RAG 管道、Agent、模型管理、可观测性功能等，让您可以快速从原型到生产。
核心功能
1. 工作流: 在画布上构建和测试功能强大的 AI 工作流程，利用以下所有功能以及更多功能。
2. 全面的模型支持: 与数百种专有/开源 LLMs 以及数十种推理提供商和自托管解决方案无缝集成，涵盖 GPT、Mistral、Llama3 以及任何与 OpenAI API 兼容的模型。
3. Prompt IDE: 用于制作提示、比较模型性能以及向基于聊天的应用程序添加其他功能（如文本转语音）的直观界面。
4. RAG Pipeline: 广泛的 RAG 功能，涵盖从文档摄入到检索的所有内容，支持从 PDF、PPT 和其他常见文档格式中提取文本的开箱即用的支持。
5. Agent 智能体: 您可以基于 LLM 函数调用或 ReAct 定义 Agent，并为 Agent 添加预构建或自定义工具。Dify 为 AI Agent 提供了 50 多种内置工具，如谷歌搜索、DALL·E、Stable Diffusion 和 WolframAlpha 等。
6. LLMOps: 随时间监视和分析应用程序日志和性能。您可以根据生产数据和标注持续改进提示、数据集和模型。
7. 后端即服务: 所有 Dify 的功能都带有相应的 API，因此您可以轻松地将 Dify 集成到自己的业务逻辑中。
功能比较
| 功能 | Dify.AI | LangChain | Flowise | OpenAI Assistant API |
|---|---|---|---|---|
| 编程方法 | API + 应用程序导向 | Python 代码 | 应用程序导向 | API 导向 |
| 支持的 LLMs | 丰富多样 | 丰富多样 | 丰富多样 | 仅限 OpenAI |
| RAG引擎 | ✅ | ✅ | ✅ | ✅ |
| Agent | ✅ | ✅ | ❌ | ✅ |
| 工作流 | ✅ | ❌ | ✅ | ❌ |
| 可观测性 | ✅ | ✅ | ❌ | ❌ |
| 企业功能（SSO/访问控制） | ✅ | ❌ | ❌ | ❌ |
| 本地部署 | ✅ | ✅ | ✅ | ❌ |
Dify部署
系统要求
在安装 Dify 之前，请确保您的机器满足以下最低系统要求：
CPU >= 2 Core
RAM >= 4 GiB
Docker部署
Dify提供了云服务和自托管部署。自托管有多种方式，本文使用Docker方式部署。
- 下载源码
git clone https://github.com/langgenius/dify.git
如果网络不支持git方式，就Download ZIP:
然后到源码目录，执行：
cd dify-main/docker
cp .env.example .env
docker compose up -d
当docker compose up -d执行完毕后，访问http://localhost/install:
注册用户
访问登陆界面，设置管理员账户：
填写必要信息后，点击“设置”：
点击“登陆”：
模型配置
点击“账户”--->“设置”：
点击“模型供应商”：
选一个大模型平台，点击“安装”：
再次确认并安装：
插件安装完毕后，插件会出现在待配置列表中：
点击插件的“设置”：
填写大模型平台的API Key:
将获取的key填入，点击“保存”：
保存后：
到此，大模型配置完成。
知识库
大模型配置完毕后，按“ESC”或点击如图按钮：
回到工作界面：
点击“知识库”--->“创建知识库”：
选择数据源：
上传一个文档，点击“下一步”：
文本分段与清洗参数设置，点击“保存并处理”：
没有特殊要求，保持默认即可。
等待处理完成：
处理完毕后，点击“前往文档”：
此时，文档状态已为“可用”：
点击“召回测试”，输入问题，返回内容：
到此，Dify的知识库创建就完成了。
关于知识库如何使用，请关注后续更新～～～
本文在微信公众号“De-仓鼠”同步发布
