我相信有很多朋友和我一样在工作过程中用过了AI。
作为一个软件工程师，尤其是在写代码的过程中，较几年前没有AI什么都需要上网查的年代，效率上有了大幅的提升。
作为一个平时工作主要围绕着AI开展的工程师，做AI也超过一年时间了，最近经常有朋友问，你自己做AI的，你说说AI有啥用？
这个问题把我问愣住了。
貌似连我这个经常在倒腾AI的人，除了让AI写代码/查BUG之外，好像也没有别的了。
仔细一想，很多时候也还在用非常低效的方式工作。
比如，我要去某网站爬一些数据，我可能会自己用python写代码解析各种html中的selector，自己组装数据，即使有AI的帮助，也只是让AI帮忙重复写请求和解析代码，这并不高效。
比如，我在写sql的时候，有时候明知道有Text2SQL，也会因为懒得把表结构信息拷贝给AI，而花不少工夫在调SQL上。
再比如，我也会经常人肉到魔塔社区、Github上去翻阅最近有没有出新的、重磅的模型和开源项目，然而这种重点内容明明可以让AI检索之后，自动推送给我，免得我错过重要的消息。
当然还有更多的场景，我们都可以用AI来提高获取信息速度和解决问题的效率，那么本系列文章，我们就来解决这个问题。
dify是什么？
Dify 是一款开源的大语言模型(LLM) 应用开发平台。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。
Dify 能做什么？
Dify 一词源自 Define + Modify，意指定义并且持续的改进你的 AI 应用，它是为你而做的（Do it for you）。
• 创业，快速的将你的 AI 应用创意变成现实，无论成功和失败都需要加速。在真实世界，已经有几十个团队通过 Dify 构建 MVP（最小可用产品）获得投资，或通过 POC（概念验证）赢得了客户的订单。 • 将 LLM 集成至已有业务，通过引入 LLM 增强现有应用的能力，接入 Dify 的 RESTful API 从而实现 Prompt 与业务代码的解耦，在 Dify 的管理界面是跟踪数据、成本和用量，持续改进应用效果。 • 作为企业级 LLM 基础设施，一些银行和大型互联网公司正在将 Dify 部署为企业内的 LLM 网关，加速 GenAI 技术在企业内的推广，并实现中心化的监管。 • 探索 LLM 的能力边界，即使你是一个技术爱好者，通过 Dify 也可以轻松的实践 Prompt 工程和 Agent 技术，在 GPTs 推出以前就已经有超过 60,000 开发者在 Dify 上创建了自己的第一个应用。
2025年2月28日，Dify团队在经历了15个版本的运营之后，终于来到了1.0.0版本这个历史性的发布时刻。
在1.0.0版本中，Dify彻底解耦了可以从 Dify 扩展的工具和模型，使我们能够以真正的即插即用方式安装它们，并基于此推出了 Dify Marketplace，这是一个集中式平台，插件可以在其中自由共享，允许用户发布和下载不同的插件。
部署Dify
准备工作
1. 一台电脑或服务器，mac、windows、linux均可，性能越强越好，并安装好docker，可以搜索各类教程 2. GPU服务器（本地部署大模型）或大模型的API（Deepseek、阿里云、硅基流动等等均可）
为了不过多的把时间都浪费在各种部署和调试上，我这里直接使用阿里云百炼平台的api做demo，其中已经包含了各种国内常用的大模型。
开始部署
在安装好Docker之后，我们可以使用下面的命令，就完成启动了。
git clone https://github.com/langgenius/dify.git
cd ./docker
docker compose -f docker-compose.yaml up -d但是，针对网络环境并不那么友好的读者朋友，可能会非常慢，如果条件不允许一两天都部署不好。
我们用AI的目的是为了提高效率，如果被网络卡很久弄不好，就违背了初衷了。
高效安装
我们第一个高效工作流，就是提供一个对国内网络环境友好的安装版本。
可以把上述官方仓库的地址，修改为下面的地址：
https://github.com/dongfangzan/dify.git
在这个仓库中，我们修改了一下两处地方
docker-compose.yaml
在本文件中，我们已将所有dify使用的镜像从官方仓库推送到了阿里云镜像仓库，理论国内的网络访问都会比较快了，并且后续版本更新之后，我们也会持续进行更新。
pip源
将dify安装插件时的pip源同样修改为阿里云，插件安装速度更快。
现在安装只需执行下面的命令即可
https://github.com/dongfangzan/dify.git
cd ./docker
docker compose -f docker-compose.yaml up -d
完成管理员设置之后，我们就可以正式登入Dify界面了。
配置大模型
点击右上角的插件->从 Marcketplace 安装
在界面上搜索 tongyi 关键字，这里搜中文是搜不到的，这估计是一个bug，也许社区会逐步修复。
点击安装，稍等片刻就可以看到插件安装成功的通知了。
这个插件的安装不会很快，如果感兴趣可以通过下面的命令查看日志，其他插件类似。
docker logs -f docker-plugin_daemon-1
值得注意的是，如果你用的是官方提供的docker-compose文件，且网络环境不太好，可能插件会安装的非常慢，甚至docker-plugin_daemon-1这个容器会反复挂掉重启
点击右上角头像-设置
选择模型供应商，找到我们刚才安装好的插件，就可以
点击保存，就可以看到已经设置好了。
这时点击系统模型设置，就可以看到当前模型供应商下所有的模型啦。
测试对话
点击顶部的工作室-选择创建空白应用
选择聊天助手-输入应用名称 & 图标，点击创建
然后选择好模型，随便输入一点内容，测试一下聊天就好了。
其他模型
你还可以在插件-模型中找到更多的模型供应商，这里就不一一赘述了，都可以通过上述的方式安装完插件进行一些简单配置即可。
这里我们再介绍两种常用的配置
Ollama
我们以本地部署的deepseek-r1为例子，主需要注意url为自己电脑的ip即可
OpenAI-API-compatible
很多自己搭建的大模型，通常都会用到这个，我们以一个自己部署的通义千问2.5-VL为例，API endpoint URL处不要忘记/v1
最后
我们总以为AI是生产力的终点，却忘了它真正的使命是让我们重新成为「人」
那些曾被重复性工作淹没的创造力，那些在低效流程中消磨的好奇心，那些因疲于奔命而黯淡的想象力，都将在人机协同的新范式下重新绽放。
Dify不是另一个需要驾驭的工具，而是一扇门。
门后是这样一个未来：
工程师不再困于SQL调优的泥潭，转而去设计更优雅的数据架构；
产品经理不必通宵写竞品分析，转而推演更本质的商业逻辑；
创业者们告别无意义的试错循环，转而专注解决真实世界的痛点。
正如凯文·凯利所说：「所有公司终将成为AI公司，但真正的赢家会是先成为人类公司的那些。」
这趟效率革命的列车已经启动，下一站，我们将用Dify拆解第一个真实场景——让AI替你24小时监控开源项目更新，从此告别信息焦虑。
