Dify
Dify 是一个用于构建 AI 应用程序的开源平台。 Dify融合了后端即服务（Backend as Service）和LLMOps理念。它支持多种大型语言模型，如Claude3、OpenAI等，并与多个模型供应商合作，确保开发者能根据需求选择最适合的模型。 Dify通过提供强大的数据集管理功能、可视化的Prompt编排以及应用运营工具，大大降低了AI应用开发的复杂度。
Dify
一、Dify
*什么是Dify（Define & Modify）？Dify是一个开源的大语言模型（LLM）应用开发平台，旨在简化和加速生成式AI应用的创建和部署。该平台结合了后端即服务（Backend as Service, BaaS）和LLMOps的理念，为开发者提供了 *一个用户友好的界面和一系列强大的工具 ，使他们能够快速搭建生产级的AI应用。
Dify
-
低代码/无代码开发：Dify通过可视化的方式允许开发者轻松定义Prompt、上下文和插件等，无需深入底层技术细节。
-
模块化设计：Dify采用模块化的设计，每个模块都有清晰的功能和接口，开发者可以根据需求选择性地使用这些模块来构建自己的AI应用。
-
丰富的功能组件：平台提供了包括AI工作流、RAG管道、Agent、模型管理等丰富功能组件，帮助开发者从原型到生产的全过程。
-
支持多种大语言模型：Dify已支持主流的模型，开发者能够根据自己的需求选择最适合的模型来构建AI应用。
Dify
Dify提供四种基于LLM构建的应用程序，可以针对不同的应用场景和需求进行优化和定制。
Dify
- 聊天助手（Chat Assistant）：
- 基于LLM的对话助手，能够与用户进行自然语言交互，理解用户的问题、请求或指令，并给出相应的回答或执行相应的操作。
- 文本生成（Text Generation）：
- 专注于各种文本生成任务，如撰写故事、新闻报道、文案、诗歌等创意写作，以及文本分类、翻译等任务。
- Agent（智能代理）：
- 这种助手不仅具备对话能力，还具备任务分解、推理、工具调用等高级能力。它能够理解复杂的指令，将任务分解为多个子任务，并调用相应的工具或API来完成这些子任务。
- 工作流程（Workflow）：
- 根据用户定义的流程编排，灵活地组织和控制LLM的工作流程。用户可以自定义一系列的操作步骤和逻辑判断，让LLM按照预定的流程执行任务。
Dify
二、Dify + RAG
如何将文档上传到Dify知识库构建RAG？将文档上传到Dify知识库的过程涉及多个步骤，从文件选择、预处理、索引模式选择到检索设置**，旨在构建一个高效、智能的知识检索系统。**
1. 创建知识库：Dify主导航栏中的“知识”，在此页面可以看到已有的知识库。
-
创建新知识库：拖放或选择要上传的文件，支持批量上传，但数量受订阅计划限制。
-
空知识库选项：如果尚未准备文档，可选择创建空知识库。
-
外部数据源：使用外部数据源（如Notion或网站同步）时，知识库类型将固定，建议为每个数据源创建单独知识库。
2. 文本预处理与清理：内容上传到知识库之后，需要进行分块和数据清洗，这个阶段可以理解为内容的预处理和结构化。
- 自动模式：Dify自动分割和清理内容，简化文档准备流程。
- 自定义模式：对于需要更精细控制的情况，可选择自定义模式进行手动调整。
3. 索引模式：根据应用场景选择合适的索引模式，如高质量模式、经济模式或问答模式。
- 高质量模式： 利用Embedding模型将文本转换为数值向量，支持向量检索、全文检索和混合检索。
- 经济模式： 采用离线向量引擎和关键字索引，虽然准确率有所降低，但省去了额外的 token 消耗和相关成本。
- 问答模式： 系统会进行文本分词，并通过摘要的方式，为每段生成QA问答对。
4. 检索设置：
（1）在高质量索引模式下，Dify 提供三种检索设置：向量搜索、全文搜索、混合搜索
- 向量搜索：将查询向量化，计算与知识库中文本向量的距离，识别最接近的文本块。
- 全文搜索：基于关键字匹配进行搜索。
- 混合搜索：结合向量搜索和全文搜索的优势。
- Rerank模型：对检索结果进行语义重排序，优化排序结果。
（2）在经济索引模式下，Dify 提供单一检索设置：倒排索引和TopK
-
倒排索引：一种为快速检索文档中的关键字而设计的索引结构。
-
TopK和分数阈值：设置检索结果的数量和相似度阈值。
三、Dify + Agent****
*如何在Dify平台搭建Agent？ *在Dify平台上，通过选择模型、编写提示、添加工具与知识库、配置推理模式及对话开启器，最后进行调试预览并发布为Webapp，实现Agent的创建与部署。
1. 探索与集成应用模板
Dify平台提供了丰富的“探索”（Explore）部分，其中包含多个代理助理的应用模板。用户可以直接将这些模板集成到自己的工作区中，快速开始使用。同时还允许用户创建自定义代理助理，以满足特定的个人或组织需求。
2. 选择推理模型
代理助理的任务完成能力很大程度上取决于所选LLM模型的推理能力。建议使用如GPT-4等更强大的模型系列，以获得更稳定、更精确的任务完成结果。
3. 编写提示与设置流程
在“说明”（Instructions）部分，用户可以详细编写代理助理的任务目标、工作流程、所需资源和限制条件等提示信息。这些信息将帮助代理助理更好地理解并执行任务。
4. 添加工具与知识库
-
工具集成：在“工具”（Tools）部分，用户可以添加各种内置或自定义工具，以增强代理助理的功能。这些工具可以包括互联网搜索、科学计算、图像创建等，帮助代理助理与现实世界进行更丰富的交互。
-
知识库：在“上下文”（Context）部分，用户可以整合知识库工具，为代理助理提供外部背景知识和信息检索能力。
5. 推理模式设置
Dify支持两种推理模式：Function Calling和ReAct。
-
Function Calling：对于支持该模式的模型（如GPT-3.5、GPT-4），建议使用此模式以获得更好更稳定的性能。
-
ReAct：对于不支持Function Calling的模型系列，Dify提供了ReAct推理框架作为替代方案，以实现类似的功能。
6. 配置对话开启器
用户可以为代理助理设置对话开场白和初始问题，以便在用户首次与代理助理交互时，展示其可以执行的任务类型和可以提出的问题示例。
7. 调试与预览
在将代理助理发布为应用程序之前，用户可以在Dify平台上进行调试和预览，以评估其完成任务的有效性和准确性。
8. 应用程序发布
一旦代理助理配置完成并经过调试，用户就可以将其发布为Web应用程序（Webapp），供更多人使用。这将使得代理助理的功能和服务能够跨平台、跨设备地提供给更广泛的用户群体。
读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
扫一扫
7161
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
