在渐渐熟悉 Dify 的各个功能后,我们已经不满足于只在 PC 端或者说需要打开网页才可以使用 Dify 了。我们更希望的是 它可以和我们平时最常用的通讯软件相对接,比如微信 。
那 如何将 Dify 接入到微信中 ?
这里介绍一下 Dify 生态圈中的一个开源项目——dify-on-wechat
,运行这个项目,我们可以将 dify 应用轻松地接入到微信中,使我们可以随时随地都可以访问到 dify 应用。
接入步骤如下 :
-
在 Dify 上 创建一个聊天助手类型的应用
-
创建完成之后我们点右上角的发布,点击更新,然后再点击「访问 API」
- 在 API 管理页面,点击 右上角的 API 密钥-点击创建密钥-复制保存密钥,右上角的 API 服务器地址也需要记住 。
至此,在 Dify 这一侧的准备工作就算做好了。接下来就到了 dify-on-wechat 项目:
- 下载项目,并安装 python,官方建议 python 版本在 3.8 以上
git clone https://github.com/hanfangyuan4396/dify-on-wechat
cd dify-on-wechat/
- 安装依赖
pip3 install -r requirements.txt
- 还有拓展依赖(这个是可选的,官方建议安装)
pip3 install -r requirements-optional.txt
- 填写配置文件,在项目根目录下创建一个名为
config.json
的文件:
{
"dify_api_base": "https://api.dify.ai/v1", # dify 的服务器地址,把之前复制的服务器地址粘贴进去即可
"dify_api_key": "app-xxx", # 之前复制的应用的 api key
"dify_app_type": "chatbot", # dify 应用的类型
"channel_type": "wx", # 通道类型,当前为个人微信
"model": "dify", # 模型名称,不用动
"single_chat_prefix": [""], # 私聊时文本需要包含该前缀才能触发机器人回复
"single_chat_reply_prefix": "", # 私聊时自动回复的前缀,用于区分真人
"group_chat_prefix": ["@bot"], # 群聊时包含该前缀则会触发机器人回复
"group_name_white_list": ["ALL_GROUP"] # 机器人回复的群名称列表
}
这里如果你使用的是云服务器进行部署的,那么服务器地址是可以被公网访问的。但是如果是在 本地服务器或者电脑部署的 ,那么就 需要一些工具来进行内网穿透 ,从而才能实现接入微信的功能,否则是无法实现微信与 dify 之间的交互的。
这里 大家如果只是测试用,推荐使用 ngork 。
- 启动项目,然后扫码登录
测试一下:
我们跑通之后,可以通过以下命令在后台运行程序并通过日志输出二维码
cd dify-on-wechat
nohup python3 app.py & tail -f nohup.out
或者使用 docker compose 也可以进行项目部署,在部署之前需要修改 docker/docker-compose.yml
文件,里面的内容和上面说到的 config.json
文件内容一致。
要确保正确配置了 DIFY_API_BASE 和 DIFY_API_KEY 以及 DIFY_APP_TYPE 这三个环境变量。
version: '2.0'
services:
dify-on-wechat:
image: hanfangyuan/dify-on-wechat
container_name: dify-on-wechat
security_opt:
- seccomp:unconfined
environment:
DIFY_API_BASE: 'https://api.dify.ai/v1'
DIFY_API_KEY: 'app-xx'
DIFY_APP_TYPE: 'chatbot'
MODEL: 'dify'
SINGLE_CHAT_PREFIX: '[""]'
SINGLE_CHAT_REPLY_PREFIX: '""'
GROUP_CHAT_PREFIX: '["@bot"]'
GROUP_NAME_WHITE_LIST: '["ALL_GROUP"]'
然后执行如下命令启动容器即可:
cd dify-on-wechat/docker
docker compose up -d
docker logs -f dify-on-wechat
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。