目录

1. 安装部署

2. 基础环境配置

2.1 配置llm

2.2 配置mcp

3. 案例demo

3.1 agent使用

3.2 工作流使用

3.2.1 导入dsl 

3.2.2 workflow使用

3.2.3 chatflow使用

4. 扩展

---

1. 安装部署

官方有完整介绍不多讲 https://docs.dify.ai/zh/self-host/quick-start/docker-compose

curl -SL https://github.com/docker/compose/releases/download/v2.30.3/docker-compose-linux-x86_64 -o /usr/local/bin/docker-compose
#将可执行权限赋予安装目标路径中的独立二进制文件
sudo chmod +x /usr/local/bin/docker-compose
sudo ln -s /usr/local/bin/docker-compose /usr/bin/docker-compose
git clone --branch "$(curl -s https://api.github.com/repos/langgenius/dify/releases/latest | jq -r .tag_name)" https://github.com/langgenius/dify.git
cd dify
cd docker
cp .env.example .env
docker compose up -d

Dify 后端服务需要一系列用于存储（如 PostgreSQL / Redis / Weaviate（如果本地不可用））和扩展能力（如 Dify 的 sandbox 和 plugin-daemon 服务）的中间件

后端服务包括：

1. API 服务：为前端服务和 API 访问提供 API 请求服务
2. Worker 服务：为数据集处理、工作区、清理等异步任务提供服务
3. beat 服务：调试 celery 定时任务或运行定时触发器节点

前端包括web服务还有nginx（可以不需要）

2. 基础环境配置

2.1 配置llm

登录后点击设置在模型供应商选择本地部署的llm还是云厂商的

2.2 配置mcp

先去应用市场下载一个mcp插件

配置凭证确保dify能够访问到

{ 	"mcpServers": { 		"filessystem": { 			"type": "sse", 			"url": "http://10.199.64.150:8951/sse" 		} 	} } 

3. 案例demo

3.1 agent使用

agent就是智能体，可以理解为大模型可以自主的调用其他工具来完成一些事情

创建

配置llm模型和mcp，知识库

mcp测试

知识库测试

综合案例，将知识库查询到的数据插入到数据库当中大模型通过查询rag，然后调用mcp工具完成了该流程

另外可以通过api很好的集成到系统当中

3.2 工作流使用

3.2.1 导入dsl 

好用的 Dify DSL 工作流程

https://github.com/svcvit/Awesome-Dify-Workflow?tab=readme-ov-file

比如我随便找了一个

https://raw.githubusercontent.com/svcvit/Awesome-Dify-Workflow/refs/heads/main/DSL/%E6%98%A5%E8%81%94%E7%94%9F%E6%88%90%E5%99%A8.yml

直接就可以使用

3.2.2 workflow使用

工作流可以理解成一个流水线，安装设定好的配置去跑

简单示例，通过用户输入查询知识库，然后传给大模型输出

而且有定时触发和webhook触发器，可以很好的完成一些定时复杂任务

3.2.3 chatflow使用

有点类似于agent智能体，可以通过用户输入去跑工作流

4. 扩展

如果需要自行开发的可以使用LangChain框架

https://www.langchain.com.cn/docs/introduction/