Windows电脑Docker部署Dify，Dify调用本地Deepseek大模型教程

1. 安装docker

1.1 windows安装docker

打开docker官网Docker: Accelerated Container Application Development

在cmd里查看docker版本，验证docker是否安装成功

docker-compose –version

1.2 Linux安装docker

Linux(mac，cenros，debian等)用户直接使用以下两个命令安装即可

yum install -y docker

yum install -y docker-compose

2. 安装Dify

2.1 git获取Dify源代码

官网： https://github.com/langgenius/Dify

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

不是很建议通过直接下载zip文件的方式去获取，这样之后在升级Dify时会有点麻烦。

2.2 使用docker安装Dify

找到docker文件夹下的.env.example文件，复制一份且修改名称为.env
进入docker-compose.yaml所在文件夹的终端中，运行命令：docker compose up -d。这时候docker会按照docker-compose.yaml里的配置去自动地安装Dify。大多数情况下我们不需要去关乎docker-compose.yaml的参数和细节，我们只需要等待它执行操作即可。
安装成功之后，我们回到docker desktop界面中，可以看到多出一些新安装的镜像和容器，这就是Dify，且正在运行，

2.3 访问Dify页面

通过访问 http://127.0.0.1/apps 进入到Dify的网页端页面。

2.4 设置账号密码

2.5 登录账号

2.6 得到工作界面

3. 配置本地大模型

为什么要配制本地的大模型？我知道现在各大公司提供了免费的网页版大模型应用，比如Gemini，ChatGPT，但是这种使用方式不方便集成到Dify的工作流里面。

而如果我们去买OpenAI的API，在经济上不划算，所以部署本地的大模型是一个经济且务实的方案。像Mistral，Deepseek R1，Qwen，Gemma，Phi等开源的大模型，都是很好的选择。

3.1 安装Ollama

访问官网https://ollama.com/ 直接下载安装包安装即可
ollama run deepseek-r1:14b 安装大模型
通过ollama list 查看已经安装了哪些大模型

3.2 在Dify中配置本地大模型

进入“设置”页面，点击“Model Provider”，找到你希望使用的大模型，我这里是Ollama，点击“安装”。

如果Dify是通过Docker部署的话，在基础URL中填入http://host.docker.internal:11434即可，如果是其他方式部署的Dify，可以参考帮助文档：https://docs.Dify.ai/zh-hans/development/models-integration/ollama。

3.3 创建一个聊天Agent

3.4 在聊天Agent中提问

可以看到Dify调用了本地的大模型

4. Dify的能力有哪些？

4.1 可视化开发与编排

无代码 Prompt 工程
- 通过拖拽式界面设计 AI 工作流程（如对话逻辑、数据处理），支持实时调试 Prompt 并预览效果。
- 内置提示词优化工具，支持少样本学习（Few-shot Learning），提升模型输出质量。
多模型灵活切换
- 集成主流商业模型（如 GPT-4、Claude 3.5）及开源模型（Llama 3、Mistral），支持 48 小时内快速接入新模型。
- 允许私有化部署，连接本地或专属云环境中的模型。

4.2 智能体（Agent）与自动化

复杂任务处理
- 支持任务分解、推理思考、工具调用（ReAct 框架），例如自动生成报告、设计 Logo 或旅程规划。
工具生态扩展
- 内置 50+ 工具（如 Google 搜索、DALL·E 绘图、Wolfram 计算），支持自定义 API 工具（兼容 OpenAPI/Swagger 规范）。
多模态能力
- 支持文本、图像、代码生成，结合多工具协同（如用 ChatGPT 写文案 + Stable Diffusion 配图）。

4.3 知识库与检索增强（RAG）

多源数据整合
- 支持上传 PDF/PPT/DOC 等文档，自动分块、清理非结构化数据，建立向量索引。
智能检索优化
- 提供混合搜索（向量+全文）、重排序（Rerank）模型，精准定位知识片段并显示引用来源。
外部数据同步
- 支持同步 Notion 文档、网页内容至知识库，实现动态更新。

4.4 工作流引擎

复杂流程编排
- 通过节点化设计（如 LLM 调用、条件分支、HTTP 请求）构建多步骤任务链，例如：用户提问 → 知识库检索 → 生成回答 → 自动翻译 → 邮件发送。
两类工作流模式
- Chatflow：面向多轮对话场景（如客服），支持记忆功能。
- Workflow：面向批处理任务（如数据分析、邮件自动化），单向生成结果。

4.5 企业级部署与运维

灵活部署选项
- 支持 SaaS 云服务、私有化部署（Docker/Kubernetes），适配金融、医疗等敏感行业。
团队协作与安全
- 提供细粒度权限管理（如“仅调试提示词”）、数据隔离、审计日志。
性能监控与优化
- 实时追踪响应速度、调用次数，支持标注错误答案以迭代模型。

4.6 应用场景覆盖

Dify 适用于多领域快速构建 AI 原生应用：

智能客服：基于知识库的 7×24 小时问答，提升满意度。
内容创作：自动生成营销文案、周报、短视频脚本。
数据分析：用自然语言查询数据库（例：“上月销售额最高的产品？”）。
教育/医疗：个性化学习助手、智能问诊系统。

4.7 开发者友好特性

API 优先设计：所有功能提供 RESTful API，便于二次集成。
开箱即用 WebApp：内置模板支持快速发布，降低前端开发成本。
成本优化：按需调用模型，免费版支持 GPT-3.5，企业版可混合采购算力。

4.8 丰富的插件系统

4.9 总结

Dify 的核心价值在于通过 模块化设计 和 可视化操作，将 LLM 应用开发简化为“乐高式搭建”，同时提供企业级的运维能力。无论是开发者快速验证原型，还是企业部署复杂 AI 系统，均可通过灵活组合上述能力实现。

5. 体验到Dify和ChatGPT的区别了吗？

ChatGPT很多时候只能作为一个“我问你答”式的聊天机器人，而Dify更像是一个工具箱，聊天机器人只是这个工具箱里面的一个工具。

6. 快去体验Dify

我相信很多人可能在某些论坛或者科技新闻上看到过Dify这个字眼，想去体验它，又担心“Dify是一种高科技，而自己不懂编程，不懂技术” 而迟迟没有去体验。

我以过来人的角度来讲两点，第一，Dify的部署很简单，不需要你具备什么编程能力，当然，有的话更好，没的话也不影响使用。第二Dify不是万能的，他不一定符合你的预期，但是也有可能刚好能实现的你的需求。总之，只有自己亲自体验，才能知道具体是什么样子。