Dify平台部署全攻略：快速上手的终极教程！

最新推荐文章于 2025-03-16 19:16:15 发布
最新推荐文章于 2025-03-16 19:16:15 发布
阅读量7.8k 收藏 21
点赞数 19
分类专栏： 模型 文章标签： 人工智能 github linux 容器 程序人生
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_53587261/article/details/142390955
版权

Dify 是 苏州语灵人工智能科技公司的一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service）和 LLMOps 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。
由于 Dify 内置了构建 LLM 应用所需的关键技术栈，包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agent 框架、灵活的流程编排，并同时提供了一套易用的界面和 API。这为开发者节省了许多重复造轮子的时间，使其可以专注在创新和业务需求上。

1. 下载dify项目到本地

git clone https://github.com/langgenius/dify.git

docker-compose.yaml所在目录

在这里插入图片描述

2. 修改env

cp .env.example .env

2.1. 修改向量存储类型为milvus

端口要和milvus的docker-compose设置的端口一致
在这里插入图片描述在这里插入图片描述

2.2. etcd和minio使用本地部署（可选择）

milvus一键部署跳过这步

在这里插入图片描述

3. 启动服务

docker-compose up -d
docker-compose ps

在这里插入图片描述

http://ip/signin 邮箱登录
在这里插入图片描述

4. 设置模型

右上角设置
在这里插入图片描述

4.1. ollama的LLM模型

模型名称使用ollama list获取

在这里插入图片描述

4.2. Xinference的向量模型

模型名称和id在Xinference页面获取

在这里插入图片描述
在这里插入图片描述

4.3. Xinference的倒排索引模型

模型名称和id在Xinference页面获取

在这里插入图片描述
在这里插入图片描述

5. 知识库使用

5.1. 上传本地文件

在这里插入图片描述
在这里插入图片描述

右上角出现这个报错表示当前使用的默认模型，实际不存在
在这里插入图片描述

5.2. 可先选择经济方式，后续修改

在这里插入图片描述

5.3. 设置知识库使用模型

如果使用倒排索引也可以选择Rerank模型 、
在这里插入图片描述

5.4. 保存等待索引状态

在这里插入图片描述

如果页面出现报错也可查看dify_worker_1的日志

docker ps -a |  grep  dify

在这里插入图片描述
在这里插入图片描述

6. 应用使用

6.1. 创建应用

在这里插入图片描述
在这里插入图片描述

6.2. 修改模型

**加粗样式**

6.3. 引用知识库

在这里插入图片描述

6.4. 调试

在这里插入图片描述

如果你觉得文章还不错，请大家 点赞、分享、留言下！我还为大家准备了学习资料，感兴趣的小伙伴快来找我领取一起交流学习哦！

在这里插入图片描述
在这里插入图片描述

Dify基础：Dify平台的本地化部署（含windows部署中，常见问题及解决方案）
xiezhipu的博客
11-11 1万+
第一种比较简单，只需要在浏览器中，打入https://dify.ai/就可以。这个指令虽然看起来简单，但实际上涉及到对docker的使用。这个项目既然有github地址，那它一般就是开源的。我们点开这个github地址，便能看到dify的私有化部署方式。我们可以看到，还是上面那个图，有个按钮，是指向该项目的Github地址的。第二步：按照dify的github给出的指令，对dify进行安装。第一步：我们把dify下载到自己的电脑（或者服务器）上。这里，我们只考虑第二种方式，也就是私有化部署。
Dify 本地部署教程
Muti-Agent
03-09 2418
到这里，Dify 就安装完成了，更多操作设置可以参考官方文档，Dify 和 FastGPT 基本上差不多，也可以同时安装一下 FastGPT 进行体验~Docker Compose 部署 | Dify。
一文彻底搞懂大模型 - Dify（Agent + RAG）
热门推荐
m0_59163425的博客
09-19 17万+
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。
关于dify使用指南
monk96的博客
03-06 7254
dify提供了一套完整的使用工具，包括LLM大语言模型，RAG，以及自定义工具，就类似一个超级大脑，可以整合各个功能，同时LLM充当了大脑的核心，用于调度各个资源。工具就是一项特定的功能点，可以加入到dify 中，也可以进行定制化工具。2、分段的话，推荐父子分段，搜索效果更好，文档需要进行规范化。4、嵌入完毕，可以测试下召回的效果，可能会出现搜出来不匹配。2、插入LLM节点，编写提示词，也可以让ai自动生成。2、通过编辑插件定制化，如3d生成、图像生成。图像生成、文本生成、3D生成。
Dify安装部署
meiyoudianhuafei的博客
01-16 5231
直接编辑 .env 文件中的环境变量值。可以在 docker/.env.example 下找到带注释的完整环境变量集。关键模块和自定义矢量数据库服务：根据使用的矢量数据库类型 (VECTOR_STORE)，用户可以设置特定的端点、端口和身份验证详细信息。存储服务：根据存储类型 (STORAGE_TYPE)，用户可以为 S3、Azure Blob、Google Storage 等配置特定设置。API 和 Web 服务：用户可以定义影响 API 和 Web 前端运行方式的 URL 和其他设置。
Dify部署
weixin_48411818的博客
10-10 6113
01. 可视化编排 Prompt 通过界面化编写 prompt 并调试，只需几分钟即可发布一个 AI 应用。02. 接入长上下文（数据集） 全自动完成文本预处理，使用您的数据作为上下文，无需理解晦涩的概念和技术处理。03. 基于 API 开发 后端即服务。您可以直接访问网页应用，也可以接入 API 集成到您的应用中，无需关注复杂的后端架构和部署过程。04. 数据标注与改进 可视化查阅 AI 日志并对数据进行改进标注，观测 AI 的推理过程，不断提高其性能。Docker 19.03、 Docker Compo
群晖NAS+Dify：AI原生应用部署教程，解锁大模型智能与工作流新境界
xx_nm98的博客
10-28 5586
Dify是一个开源的 LLM 应用开发平台。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。比 LangChain 更易用。
保姆教程篇：手把手教你从零开始本地部署Dify工作流
He_r_o的博客
08-11 8万+
本教程将手把手指导您在个人电脑上安装和配置 Dify。
从零开始之Dify部署篇
u013563715的博客
03-17 6万+
Dify传送门。本系列文章从零开始探索Dify的功能及搭建过程。本文的搭建流程是基于Docker Compose进行部署。
Dify应用开发平台部署教程.pdf
03-05
内容概要：本文档详细介绍了Dify应用开发平台的部署流程。Dify作为一个结合了BaaS与LLMOps理念的开源大语言模型应用开发平台，主要面向开发者及希望参与AI应用构建的人群。部署前，需保证系统已装好docker和git，这...
dify docker部署安装失败，获取镜像超时 https://registry-1.docker.io/v2/ 一定能解决的方案
03-14
解决Dify Docker部署安装失败且获取镜像超时的问题，需要综合考虑网络环境、Docker配置以及Dify自身的安装要求。通过使用预配置的配置文件或者遵循上述的解决步骤，可以有效地解决这一问题，完成Dify的Docker安装。
Dify 本地部署问题：install 界面一直转圈
Muti-Agent
03-09 3513
Dify 本地部署如果遇到转圈的问题，大概率是因为你没有执行如下命令，修改配置文件的原因。执行如上命令后，重新执行如下命令启动 docker 容器即可。
Dify快速部署(简单上手,看这一篇就足够了)
Ven%的博客
12-02 2444
4.根据你系统上的 Docker Compose 版本，选择合适的命令来启动容器。你可以通过 命令检查版本：$ docker compose version。注:如果是网络问题的话 那就是镜像的问题 配置可用的镜像 再运行下hello-world。在这个输出中，你应该可以看到包括 3 个业务服务 ，以及 6 个基础组件。通过这些步骤，你应该可以成功在本地安装 Dify。其中 是最新版本的占位符文本。
从零开始之Dify源码部署篇
u013563715的博客
03-18 2万+
Dify传送门。本系列文章从零开始探索Dify的功能及搭建过程。本文的搭建流程是基于本地源码进行部署。Dify Docker Compose部署篇传送门。
本都部署Dify
haojiajin的博客
08-22 2万+
本地搭建Dify系统
极简入门，本地部署dify低代码平台构建AI Agent大模型全流程（使用教程、微案例、配置详解、架构图解析）
项目git同名小胡说技书
02-22 6099
极简入门，本地部署dify低代码平台构建AI Agent大模型全流程（使用教程、微案例、配置详解、架构图解析）
Dify使用部署与应用实践
最新发布
hhue2007的专栏
03-16 2916
最近在研究AI Agent，发现大家都在用Dify，但Dify部署起来总是面临各种问题，而且我在部署和应用测试过程中也都遇到了，因此记录如下，供大家参考。Dify总体来说比较灵活，扩展性比较强，适合基于它做智能聊天机器人，文本生成，工作流任务，Agent应用建设等场景，要比其他客户端工具更加灵活，更加适合二次开发，但Dify部署起来非常麻烦，会自动部署10个容器，任何一个出现问题，应用都无法正常使用。后续我会与Autogen对比，看看在Agent方面哪个更适合垂直行业AI应用的快速落地。
dify安装部署
qq_15821487的博客
08-13 2604
uname -a。
dify Milvus
01-08
### Milvus向量化搜索引擎的使用和配置 #### 1. 安装和配置Milvus 安装Milvus可以通过Docker、Helm Chart或源码编译等方式完成。对于大多数用户来说，最简单的方式是通过Docker来部署Milvus[^1]。 ```bash docker pull milvusdb/milvus:v2.0-cpu-d061821-5e559c docker run -d --name milvus_cpu_v2.0 \ -p 19530:19530 \ -p 19121:19121 \ -v /home/$USER/milvus/db:/var/lib/milvus/db \ -v /home/$USER/milvus/conf:/var/lib/milvus/conf \ -v /home/$USER/milvus/wal:/var/lib/milvus/wal \ milvusdb/milvus:v2.0-cpu-d061821-5e559c \ bash bin/run_milvus.sh start ``` 这段命令会启动一个带有CPU支持的Milvus实例，并映射必要的端口和服务路径到宿主机上。 #### 2. 创建集合与索引 创建一个新的集合用于存储向量数据之前，需先定义好字段结构以及相应的参数设置： ```python from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection connections.connect() fields = [ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128) ] schema = CollectionSchema(fields) collection_name = "example_collection" milvus_collection = Collection(name=collection_name, schema=schema) index_params = { 'metric_type': 'L2', 'index_type': 'IVF_FLAT', 'params': {'nlist': 128} } milvus_collection.create_index(field_name="embedding", index_params=index_params) ``` 上述Python脚本展示了如何利用`pymilvus`库连接至Milvus服务并建立新的集合及其对应的索引结构。 #### 3. 插入数据 有了预先设定好的集合之后就可以往里面插入实际的数据点了： ```python import random entities = [[random.randint(1, 1000) for _ in range(1)], [random.random() * 100 for _ in range(128)]] res = milvus_collection.insert([entities]) print(res) ``` 这里随机生成了一些整数ID加上浮点型数组作为嵌入向量模拟真实世界中的特征表示形式。 #### 4. 执行搜索操作 最后一步就是执行相似性查询了，在给定目标向量的情况下找到与其最为接近的结果集： ```python search_param = {"metric_type": "L2", "params": {"nprobe": 10}} results = milvus_collection.search( data=[[random.random() * 100 for _ in range(128)]], anns_field='embedding', param=search_param, limit=5 ) for result in results: print(f"IDs of the top {len(result)} hits are:") for hit in result: print(hit.id) ``` 此段代码实现了基于距离度量（如欧氏距离）对已存入数据库内的记录进行K近邻(KNN)查找的功能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值