Dify 开源 LLM 应用开发平台：核心功能解析与 Docker 自托管部署实战指南

本文以 Dify 官方简体中文 README 为主线，系统梳理 Dify 的七项核心能力（工作流、模型支持、Prompt IDE、RAG 管道、Agent、LLMOps、后端即服务），并完整给出社区版 Docker 自托管安装步骤、关键环境变量配置与高级部署选项，同时结合仓库源码目录印证各功能的实现位置，帮助读者快速从“了解 Dify”走到“跑起 Dify 并深入源码”。

Dify 是一个开源的 LLM 应用开发平台。其直观的界面结合了 AI 工作流、RAG 管道、Agent、模型管理、可观测性功能等，让团队可以较快从原型走向生产环境。

Dify 的七项核心能力

官方 README（简体中文说明）将 Dify 的核心功能归纳为七类，下面逐项说明，并标注其在当前仓库中的源码位置，方便读者从文档概念直接跳到实现。

1. 工作流（Workflow）

在画布上构建和测试功能强大的 AI 工作流程，并可组合使用下述所有功能。

从源码结构看，工作流引擎集中在 api/core/workflow 目录：workflow_entry.py 是工作流执行入口，node_factory.py 负责按节点类型实例化节点，graph_topology.py 处理图拓扑校验。api/core/workflow/nodes 下的子目录展示了当前内置的节点家族：agent / agent_v2、knowledge_retrieval（知识检索）、human_input（人工介入）、datasource，以及三种触发器 trigger_webhook、trigger_schedule、trigger_plugin。前端则可通过环境变量 LOOP_NODE_MAX_COUNT（默认 100）、MAX_ITERATIONS_NUM（默认 99）、MAX_TREE_DEPTH（默认 50）等参数约束循环、迭代与树的规模，这些默认值定义在 docker/.env.example 中。

2. 全面的模型支持

Dify 与数百种专有/开源 LLM 以及数十种推理提供商和自托管解决方案无缝集成，涵盖 GPT、Mistral、Llama3 以及任何与 OpenAI API 兼容的模型。

在仓库层面，模型能力的扩展有两条路径：

• 向量数据库/模型提供商：api/providers/vdb 目录下以 vdb-* 命名的 30 余个包（vdb-weaviate、vdb-qdrant、vdb-pgvector、vdb-milvus、vdb-opensearch 等）对应各向量存储的后端实现，部署时通过 VECTOR_STORE 环境变量（默认 weaviate）选择其一；
• 插件系统：工作流与工具生态的持续扩展依赖插件机制，Docker 部署中专门包含 plugin_daemon 服务（见下文服务架构），由 api/core/plugin 与 api/core/tools 下的 plugin_tool、mcp_tool、custom_tool、workflow_as_tool 等模块对接。

3. Prompt IDE

用于制作提示词、比较模型性能，以及向基于聊天的应用添加其他功能（如文本转语音）的直观界面。该能力主要由前端 web/ 工程与后端模型配置服务承载，其中文本转语音相关的后端处理可在 api/services/audio_service.py 等处找到。

4. RAG Pipeline

Dify 提供覆盖从文档摄入到检索的完整 RAG 功能，支持从 PDF、PPT 和其他常见文档格式中提取文本的开箱即用能力。

api/core/rag 目录完整体现了这一管道的分层结构，与文档描述的“摄入 → 切分 → 索引 → 检索”流程一一对应：

子模块	职责
extractor	文档解析，内置 pdf_extractor.py、excel_extractor.py、word_extractor.py、csv_extractor.py、html_extractor.py、markdown_extractor.py、notion_extractor.py 以及 unstructured、firecrawl、watercrawl 等外部方案集成
splitter	文本分段切分
index_processor	索引构建
embedding / docstore	向量化与文档存储
retrieval / rerank / data_post_processor	检索、重排与结果后处理
pipeline	异步索引流水线（与 api/tasks/document_indexing_task.py 等 Celery 任务配合）

前端对索引行为的约束同样通过环境变量暴露，如 INDEXING_MAX_SEGMENTATION_TOKENS_LENGTH（默认 4000，限制单条分段的最大 token 数）、TOP_K_MAX_VALUE（默认 10，限制检索 TopK 上限）。

5. Agent 智能体

可以基于 LLM 函数调用（Function Calling）或 ReAct 模式定义 Agent，并为 Agent 添加预构建或自定义工具。

这一点在源码中得到直接印证：api/core/agent 下同时存在 fc_agent_runner.py（Function Calling 策略）与 cot_agent_runner.py（Chain-of-Thought/ReAct 策略），两者均继承自 base_agent_runner.py，与文档中“函数调用或 ReAct”两种定义方式的描述完全一致。关于工具：文档提到 Dify 提供 50 多种内置工具（如谷歌搜索、DALL·E、Stable Diffusion、WolframAlpha 等）；从当前源码结构看，核心仓库的 api/core/tools/builtin_tool/providers 保留了 audio、code、time、webscraper 等基础内置工具，其余大量工具能力已迁移至插件体系，通过 plugin_tool、mcp_tool 等模块加载。单个应用可挂载的工具数量由 MAX_TOOLS_NUM（默认 10）约束。

6. LLMOps

随时间监视和分析应用日志与性能，基于生产数据和标注持续改进提示词、数据集和模型。对应的实现分布在多处：

• api/core/logging：结构化日志格式化与上下文注入（structured_formatter.py、context.py）；
• api/providers/trace：数十种链路追踪/可观测性后端 Provider 集成；
• api/extensions/otel：OpenTelemetry 埋点扩展；
• api/core/ops：应用运行指标与运维数据。

部署时日志行为由 LOG_LEVEL（默认 INFO）、LOG_FILE（默认 /app/logs/server.log）、LOG_FILE_MAX_SIZE（默认 20 MB）、LOG_FILE_BACKUP_COUNT（默认 5）等变量控制，可在 docker/.env.example 中查看。

7. 后端即服务（Backend as a Service）

Dify 的所有功能都带有相应的 API，可将 Dify 作为后端服务集成进自有业务系统。路由层面这一点体现得非常清晰：api/controllers/service_api 是对外的服务 API 蓝图，init.py 中声明 bp = Blueprint("service_api", __name__, url_prefix="/v1")，即所有开放 API 挂载在 /v1 前缀下，覆盖 app、dataset、end_user、workspace 等资源域；仓库同时提供 console（控制台）、web（终端用户应用）、inner_api（内部服务间调用）等多套蓝图，并在 api/app_factory.py 中统一注册。

三种使用方式

README 将使用方式分为三档，选型建议如下：

形态	说明	适用场景
云服务	官方提供的托管服务，零配置即可尝试，包含自部署版本的全部功能，沙盒计划含 200 次免费 GPT-4 调用	快速验证想法、不想运维基础设施
自托管社区版	使用下文的 Docker Compose 一键部署到自有环境	数据需要留在自己机器/内网、需要定制
企业版	在社区版之上提供额外的企业级功能，需联系官方商务获取	有组织级合规、权限、SLA 需求

安装 Dify 社区版

系统要求

在安装 Dify 之前，确保机器满足以下最低配置：

• CPU ≥ 2 Core
• RAM ≥ 4 GiB

快速启动

启动 Dify 服务器的最简单方式是运行仓库自带的 docker-compose.yaml 文件。运行安装命令前，请确认机器上已安装 Docker 与 Docker Compose：

cd docker
cp .env.example .env
docker compose up -d

三条命令的含义：

1. cd docker：进入部署目录，该目录包含 Compose 编排文件与全部环境变量模板；
2. cp .env.example .env：以官方示例为基线生成自己的 .env 配置文件（docker/.env.example），后续所有自定义都改这个文件；
3. docker compose up -d：后台拉起整套服务栈。

运行后，在浏览器访问 http://localhost/install 即可进入 Dify 控制台，完成初始化安装操作。

注意：docker-compose.yaml 文件头明确标注该文件由 generate_docker_compose 脚本自动生成（对应 docker/generate_docker_compose），不要直接手工修改它；应修改 .env 或 docker-compose-template.yaml 后重新生成。

Compose 服务架构解读

当前版本（镜像标签 langgenius/dify-api:1.17.0）的编排文件中定义了完整的微服务栈，核心服务包括：

服务	作用
api	Flask 主服务（工作流、RAG、控制台 API），健康检查为 /health
api_websocket	工作流协作的 WebSocket 服务（collaboration profile 按需启用）
worker / worker_beat	Celery 异步任务执行器与定时调度器
web	Next.js 前端
sandbox / local_sandbox	代码执行沙箱（CODE_EXECUTION_ENDPOINT 默认指向 http://sandbox:8194）
plugin_daemon	Go 编写的插件守护进程，负责插件的安装与运行隔离
agent_backend	Agent 运行时后端（agent_ssrf_proxy 为其配套出口代理）
ssrf_proxy	统一的 SSRF 防护代理（docker/ssrf_proxy）
nginx / certbot	入口反向代理与 HTTPS 证书
db_postgres / redis	默认数据底座；db_mysql 为可选替代
向量库服务	weaviate（默认）、qdrant、pgvector、milvus 等，按 VECTOR_STORE 选用
etcd / minio	Milvus 的依赖组件

关键环境变量速查

以下参数摘自 docker/.env.example，是部署调优时最常接触的配置：

# —— 安全 ——
SECRET_KEY=            # 必填。Flask 会话/令牌签密密钥，生产环境务必自定义

# —— 数据库（默认 PostgreSQL） ——
DB_TYPE=postgresql
DB_USERNAME=postgres
DB_PASSWORD=difyai123456
DB_HOST=db_postgres
DB_PORT=5432
DB_DATABASE=dify

# —— 缓存与任务队列 ——
REDIS_HOST=redis
REDIS_PORT=6379
REDIS_PASSWORD=difyai123456
CELERY_BROKER_URL=redis://:difyai123456@redis:6379/1
CELERY_BACKEND=redis
CELERY_WORKER_AMOUNT=4        # worker 进程数
CELERY_AUTO_SCALE=false

# —— 存储与功能开关 ——
MIGRATION_ENABLED=true        # 容器启动时自动执行数据库迁移
VECTOR_STORE=weaviate         # 向量库后端，可切换 qdrant/pgvector/milvus 等
CODE_EXECUTION_ENDPOINT=http://sandbox:8194
NEXT_PUBLIC_ENABLE_AGENT_V2=true

# —— 日志 ——
LOG_LEVEL=INFO
LOG_FILE=/app/logs/server.log
LOG_FILE_MAX_SIZE=20
LOG_FILE_BACKUP_COUNT=5

修改任何配置后，重新执行 docker compose up -d 使配置生效。更完整的环境变量说明可参考官方文档（docs.dify.ai 的环境变量页面，见 docs/zh-CN/ADVANCED_SETUP.md 的指引）。

高级设置

需要自定义配置、可观测性或云原生部署时，可参阅 高级设置文档，其要点包括：

• 自定义配置：以 .env.example 中的注释为准更新 .env，必要时调整 docker-compose.yaml 的镜像版本、端口映射或卷挂载，改完重跑 docker compose up -d；
• Grafana 指标监控：以 Dify 的 PostgreSQL 作为数据源导入社区仪表板，监控应用、租户、消息等粒度指标；
• Kubernetes 部署：社区提供了多套 Helm Chart 与原生 YAML 清单，可部署到自建 K8s 集群；
• 云上 Terraform/CDK 一键部署：涵盖 Azure、Google Cloud、AWS（EKS/ECS）等方案；
• 阿里云：支持通过计算巢、DMS 一键部署；亦可通过 Sealos App Store 部署。

贡献与社区

Dify 欢迎多种形式的贡献（贡献指南）：

• 代码：先阅读贡献指南，再处理标注为新手友好的问题；
• 想法与反馈：在 GitHub Discussions 发起或参与讨论；
• 翻译：参照 国际化指南 添加或更新语言，web/i18n 目录下已维护 888 个语言资源文件；
• 社区：分享自己构建的应用、帮助其他用户。

获取帮助的渠道：GitHub Discussions（求助与反馈）、GitHub Issues（报告可复现的错误，提单前先读贡献指南）、Discord 与 X 等社交平台（实时交流与版本动态）。

安全与许可证

• 安全问题：为保护隐私，请勿在公开渠道发布安全漏洞，应发送至 [e-mail]；
• 许可证：本仓库遵循 Dify Open Source License，本质上是 Apache 2.0，但包含一些额外限制（例如对 logo 的使用与多租户商业化条款等），二次开发或商用前请完整阅读。

小结

Dify 简体中文 README 勾勒的是一套“功能完整 + 部署极简”的开源 LLM 应用平台：七项核心能力（工作流、模型支持、Prompt IDE、RAG、Agent、LLMOps、API 化后端）在仓库中都有清晰对应的源码模块（api/core/workflow、api/core/rag、api/core/agent、api/providers/trace、api/controllers/service_api 等）；而社区版部署只需“复制 .env + docker compose up -d”两步即可在满足 2 核 4 GiB 的机器上跑起包含 API、Worker、插件守护进程、沙箱与向量库的完整服务栈。掌握本文后，你可以自行完成 Dify 的安装调优，并沿源码路径深入任何一个功能模块的实现细节。