Dify：
一个开源的 LLM 应用程序开发平台。提供从 Agent 构建到 AI workflow 编排、RAG** 检索、模型管理等能力，轻松构建和运营生成式 AI 原生应用。
主要特点：
-
- 工作流程： 在可视化画布上构建和测试强大的 AI 工作流，利用以下所有功能及其他功能。
-
- 全面的模型支持： 与来自数十个推理提供商和自托管解决方案的数百个专有/开源 LLM 无缝集成，涵盖 GPT、Mistral、Llama3 和任何与 OpenAI API 兼容的模型。
-
- 提示 IDE： 直观的界面，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，例如文本转语音。
-
- RAG 管道： 广泛的 RAG 功能，涵盖从文档摄取到检索的所有内容，并为从 PDF、PPT 和其他常见文档格式中提取文本提供开箱即用的支持。
-
- 代理能力： 您可以根据 LLM Function Calling 或 ReAct 定义代理，并为代理添加预构建或自定义工具。Dify 为 AI 代理提供了 50+ 内置工具，例如 Google 搜索、DALL·E、稳定扩散和 WolframAlpha**。
-
- LLMOps： 监控和分析一段时间内的应用程序日志和性能。您可以根据生产数据和注释不断改进提示、数据集和模型。
-
- 后端即服务： Dify 的所有产品都带有相应的 API，因此您可以毫不费力地将 Dify 集成到您自己的业务逻辑中。
最低设备配置：
- • CPU >= 2 Core
- • RAM >= 4 GiB
安装
由于这个 Dify 涉及比较多容器和参数，这里我就不做化简了，完全按照官网模板进行部署了
各个容器工作的流程图：
来到 Github 仓库，下载项目到本地
解压文件后，进入 docker 目录找到 .env.example 配置文件
编辑器打开，搜索“SSL_PORT”
TIP：
按实际情况修改端口，避免已经被占用
将着 80 和 443 端口改一下
这里也需要对应进行修改
将文件重命名为 .env
在 NAS 的 docker 路径下创建一个 dify 文件夹，将上面的 docker 文件夹复制到这里（只要这个文件夹就行了，其他不用）
点击“新增项目”
填写名称，路径选择 dify 的路径就行（会提示已经有模板文件，选用就行）
勾选“创建项目后立即启动”，点击“确定”
等待构建完成，要等比较久
注意里面每个容器都要正常运行，不然就是有问题（去看对应容器的日志）
使用
浏览器中输入 http://NAS的IP:1880 就能看到界面
这里需要等待初始化完成
启动完成，设置管理员账号
登录管理员账号
成功进入面板
对接模型
点击头像，进入设置
关联教程：
One API 接口管理和分发系统
Ollama 本地大模型框架
选择需要的模型供应商安装就行（有问题刷新网页，多安装几次）
点击可以直接看模型数量（连接 Ollama 好像有点问题，填写信息正确就行了）
创建知识库
添加完模型以后，创建知识库
TIP：
如果“下一步”按钮一直灰色，等一下就好了
按需求选择，这里我导入一个 txt 文本，点击下一步
修改以后，可以点击预览
这里可以选择模型，没有问题就点击“保存并处理”
这样知识库就创建完成了，点击前往
这里还可以不断添加文件
召回测试，这里可以测试文本的命中率
根据需要可以进行调节（这里我就不班门弄斧了）
创建应用
点击创建一个空白应用
可以选择应用模式很多，说实话我也不太会
填写应用名称，点击创建
这里添加之前创建的知识库（不然就和普通调用 API 问答没区别了）
输入问题进行测试
回复效果还是不错的
没有问题就可以点击发布了
更多功能
Dify 的功能非常强大，应该也是目前最多人用的。很多高级功能我是没有用的，这里就简单截图有需要的建议自行部署。
应用模板
模型
工具
Agent 策略
扩展
总结
一开始部署我是觉得挺头大的，感觉这个联动很多应用，这也是我为什么一直没做教程的原因之一。不过成功运行项目，我才发现也没有想象中困难，整个部署过程非常简单。
Dify 之所以这么多人用，用过以后确实觉得实至名归。界面美观大气，操作逻辑清晰，可扩展能力强，生态插件丰富，其他类似的项目和什么和它比。这里推荐一下，如果你也想弄一个知识库，可以考虑部署 Dify 试试，或许你一直找的就是这款应用。
综合推荐：⭐⭐⭐⭐⭐（玩 AI 都应该部署）
使用体验：⭐⭐⭐⭐（界面 UI 和交互逻辑都很不错）
部署难易：⭐⭐⭐（可以说很难，也可以说很简单）︎
初次启动，资源占用情况
运行一段时间后，资源占用情况
︎
