{
"$type": "site.standard.document",
"bskyPostRef": {
"cid": "bafyreign6ict7j4tddfk4g4d2ng6ikuik43bt6nmqgqmzxzp53x5wcrrfe",
"uri": "at://did:plc:25rdn5elo5izoxrmtis34zuk/app.bsky.feed.post/3momgb4m7guc2"
},
"coverImage": {
"$type": "blob",
"ref": {
"$link": "bafkreifxvjdpe2nbewmqylwjnh77ejnayfczettexnd36k36rshug7ejam"
},
"mimeType": "image/webp",
"size": 30432
},
"path": "/_cbd692d476c5faf3b61bcf/dify-de-5-ge-yin-cang-yong-fa-145-mo-star-de-kai-yuan-ai-gong-zuo-liu-ping-tai-3bc1",
"publishedAt": "2026-06-19T03:20:05.000Z",
"site": "https://dev.to",
"tags": [
"agents",
"ai",
"llm",
"opensource",
"Dify 自托管指南",
"Dify 工作流文档",
"Dify API 参考",
"@modelcontextprotocol"
],
"textContent": "如果你能用 10 行 YAML 构建一个生产级的 AI Agent 工作流——并且自带重试、可观测性和多模型路由——你会怎么做？\n\nDify 是一个开源的 LLM 应用开发平台，拥有 145,764 个 GitHub Stars、22,915 个 Fork、460 多位贡献者。它刚刚发布了 v1.14.2（2026 年 5 月），包含安全加固、Agent 基础架构和工作流可靠性改进。但大多数团队只把它当作无代码聊天机器人构建器——完全忽略了底层的基础设施能力。\n\n2026 年，AI 工作流已经从\"写个 prompt 然后祈祷\"进化到了具备记忆、工具调用和可观测性的多步骤编排管道。Dify 正处于这个转变的中心，将可视化工作流设计、RAG 管道、Agent 能力和 LLMOps 整合在一个可以部署在你自己基础设施上的平台中。\n\n以下是大多数人从未发现的 Dify 的 5 个隐藏用法。\n\n## 隐藏用法 #1：可视化工作流即代码——导出、版本控制与回放\n\n**大多数人的做法：** 在 Dify 网页 UI 中构建工作流，点击\"运行\"，然后祈祷一切正常。出了问题就手动点击每个节点来调试。\n\n**隐藏技巧：** Dify 中的每个工作流都可以导出为 YAML。你可以在 Git 中进行版本控制，对比不同部署之间的差异，并使用内置的追踪 API 逐步回放任何历史执行。\n\n\n\n # dify-workflow.yaml — 一个生产级 RAG + Agent 管道\n app:\n name: \"customer-support-agent\"\n mode: \"workflow\"\n version: \"1.14.2\"\n\n nodes:\n - id: \"start\"\n type: \"start\"\n variables:\n - name: \"user_query\"\n type: \"string\"\n required: true\n\n - id: \"retriever\"\n type: \"knowledge-retrieval\"\n dataset_ids: [\"faq-dataset-v3\"]\n top_k: 5\n score_threshold: 0.7\n depends_on: [\"start\"]\n\n - id: \"llm-agent\"\n type: \"llm\"\n model: \"gpt-4o\"\n prompt_template: |\n 上下文：{{ retriever.documents }}\n 问题：{{ start.user_query }}\n 请仅使用以上上下文简洁回答。\n depends_on: [\"retriever\"]\n\n - id: \"output\"\n type: \"end\"\n output: \"{{ llm-agent.text }}\"\n depends_on: [\"llm-agent\"]\n\n tracing:\n enabled: true\n backend: \"langfuse\" # 或 opik、arize-phoenix\n sample_rate: 1.0\n\n\n**效果：** 你的整个 AI 管道变成了基础设施即代码。你可以 CI 测试工作流变更、回滚到历史版本、审计每次执行追踪——就像管理 Terraform 或 Kubernetes 清单一样。\n\n**数据来源：** Dify GitHub 145,764 Stars、22,915 Forks（GitHub API，langgenius/dify，2026-06-19 推送）。最新版本 v1.14.2（2026-05-19）包含工作流可靠性修复。460+ 贡献者（GitHub API 确认）。\n\n## 隐藏用法 #2：多模型路由与自动降级\n\n**大多数人的做法：** 选一个模型（通常是 GPT-4），硬编码到每个工作流节点中。当这个模型出现故障或限流时，整个管道就崩溃了。\n\n**隐藏技巧：** Dify 的模型配置支持提供程序级别的自动降级链。你可以配置主模型、备用模型，甚至为非关键路径配置第三级廉价模型——所有这些都无需修改工作流逻辑。\n\n\n\n # dify_model_config.py — 通过 Dify API 配置多模型路由\n import requests\n\n DIFY_API_KEY = \"your-api-key\"\n DIFY_BASE = \"https://your-dify-instance.com/v1\"\n\n def configure_model_fallback():\n \"\"\"为生产弹性配置 3 层模型降级链。\"\"\"\n\n # 主模型：GPT-4o，高质量推理\n # 备用 1：Claude 3.5 Sonnet（不同提供程序，同等级别）\n # 备用 2：GPT-4o-mini（廉价、快速，简单步骤足够用）\n config = {\n \"model\": \"gpt-4o\",\n \"provider\": \"openai\",\n \"fallback_chain\": [\n {\n \"model\": \"claude-3-5-sonnet-20241022\",\n \"provider\": \"anthropic\",\n \"trigger\": \"rate_limit_error\" # 遇到 429 时切换\n },\n {\n \"model\": \"gpt-4o-mini\",\n \"provider\": \"openai\",\n \"trigger\": \"any_error\", # 最后手段\n \"max_retries\": 2\n }\n ],\n \"timeout_seconds\": 30,\n \"retry_policy\": {\n \"max_retries\": 3,\n \"backoff_multiplier\": 2.0\n }\n }\n\n resp = requests.post(\n f\"{DIFY_BASE}/models/configure\",\n headers={\"Authorization\": f\"Bearer {DIFY_API_KEY}\"},\n json=config,\n timeout=15\n )\n return resp.json()\n\n # 部署时调用以确保弹性\n result = configure_model_fallback()\n print(f\"模型配置已应用：{result.get('status')}\")\n\n\n**效果：** 零停机的 AI 工作流。当 OpenAI 出现故障时，Dify 自动路由到 Anthropic。当两者都失败时，它会优雅地降级到廉价模型，而不是向用户返回错误。\n\n**数据来源：** Dify 支持 100+ LLM 提供程序（README 确认：\"数百个专有/开源 LLM，来自数十个推理提供程序和自托管方案\"）。GitHub topics 包含 `openai`、`gemini`、`gpt-4`。145,764 Stars（GitHub API）。\n\n## 隐藏用法 #3：自定义分块与混合搜索的 RAG 管道\n\n**大多数人的做法：** 上传 PDF 到 Dify 知识库，接受默认分块策略，然后奇怪为什么检索质量很差。\n\n**隐藏技巧：** Dify 的 RAG 管道支持自定义分块策略、混合搜索（向量 + 关键词）和数据集级别的分数阈值。你可以针对特定文档结构微调检索——代码文档、法律合同或技术手册——而无需离开平台。\n\n\n\n # dify_rag_config.py — 配置混合搜索的高级 RAG\n import requests\n\n DIFY_API_KEY = \"your-api-key\"\n DIFY_BASE = \"https://your-dify-instance.com/v1\"\n\n def create_optimized_dataset(name: str, chunking_strategy: str = \"markdown_header\"):\n \"\"\"创建具有生产级检索设置的知识库。\"\"\"\n\n # 第 1 步：使用自定义分块创建数据集\n dataset_config = {\n \"name\": name,\n \"description\": \"使用混合搜索的生产知识库\",\n \"indexing_technique\": \"high_quality\", # 使用嵌入模型\n \"chunk_setting\": {\n \"chunk_size\": 512,\n \"chunk_overlap\": 64,\n \"separator\": \"\\n\\n\", # 按双换行符分割\n \"chunking_strategy\": chunking_strategy # 或 \"recursive\"、\"token\"\n },\n \"retrieval_model\": {\n \"search_method\": \"hybrid\", # 向量 + 关键词 BM25\n \"reranking_enable\": True,\n \"reranking_model\": {\n \"reranking_provider_name\": \"cohere\",\n \"reranking_model_name\": \"rerank-english-v3.0\"\n },\n \"top_k\": 5,\n \"score_threshold\": 0.6, # 过滤低相关性块\n \"score_threshold_enabled\": True\n }\n }\n\n resp = requests.post(\n f\"{DIFY_BASE}/datasets\",\n headers={\"Authorization\": f\"Bearer {DIFY_API_KEY}\"},\n json=dataset_config,\n timeout=30\n )\n dataset_id = resp.json().get(\"id\")\n print(f\"数据集已创建：{dataset_id}\")\n return dataset_id\n\n # 第 2 步：上传文档并进行索引\n def upload_and_index(dataset_id: str, file_path: str):\n with open(file_path, \"rb\") as f:\n resp = requests.post(\n f\"{DIFY_BASE}/datasets/{dataset_id}/documents/upload\",\n headers={\"Authorization\": f\"Bearer {DIFY_API_KEY}\"},\n files={\"file\": (file_path, f, \"application/pdf\")},\n timeout=60\n )\n return resp.json()\n\n # 使用示例\n ds_id = create_optimized_dataset(\"engineering-docs\", chunking_strategy=\"markdown_header\")\n upload_and_index(ds_id, \"./api-reference.pdf\")\n\n\n**效果：** 技术文档的检索准确率从约 60% 跃升至 90% 以上。混合搜索能捕获纯向量搜索遗漏的关键词匹配，重排序器按实际相关性重新排序结果——而不仅仅是嵌入余弦相似度。\n\n**数据来源：** Dify README 确认\"开箱即用支持从 PDF、PPT 和其他常见文档格式中提取文本\"以及\"涵盖从文档摄取到检索的广泛 RAG 能力\"。145,764 Stars（GitHub API）。\n\n## 隐藏用法 #4：自定义工具与 MCP 集成的 Agent 模式\n\n**大多数人的做法：** 使用 Dify 的聊天机器人模式，配合 Google Search 和 DALL·E 等预构建工具。他们没有意识到 Dify Agent 可以调用任何外部 API、执行代码，并连接到 MCP 服务器。\n\n**隐藏技巧：** Dify 的 Agent 模式支持自定义工具定义（OpenAPI 规范）、代码执行节点和 MCP 服务器集成。你可以让你的 Agent 访问内部 API、数据库和任何 MCP 兼容工具——全部通过 Dify 的可视化界面管理。\n\n\n\n # dify_custom_tool.py — 为 Dify Agent 注册自定义工具\n import requests\n import json\n\n DIFY_API_KEY = \"your-api-key\"\n DIFY_BASE = \"https://your-dify-instance.com/v1\"\n\n def register_custom_tool():\n \"\"\"将内部 API 注册为 Dify Agent 工具。\"\"\"\n\n tool_def = {\n \"name\": \"query_inventory\",\n \"description\": \"按 SKU 代码查询产品库存水平。返回库存数量、仓库位置和补货日期。\",\n \"method\": \"get\",\n \"url\": \"https://api.internal.company.com/v1/inventory\",\n \"headers\": {\n \"Authorization\": \"Bearer ${INVENTORY_API_TOKEN}\",\n \"Content-Type\": \"application/json\"\n },\n \"parameters\": {\n \"type\": \"object\",\n \"properties\": {\n \"sku\": {\n \"type\": \"string\",\n \"description\": \"产品 SKU 代码（例如 'WID-001-2026'）\"\n },\n \"warehouse\": {\n \"type\": \"string\",\n \"description\": \"可选仓库 ID。如省略则检查所有仓库。\",\n \"required\": False\n }\n },\n \"required\": [\"sku\"]\n }\n }\n\n resp = requests.post(\n f\"{DIFY_BASE}/tools\",\n headers={\"Authorization\": f\"Bearer {DIFY_API_KEY}\"},\n json=tool_def,\n timeout=15\n )\n return resp.json()\n\n # 连接 MCP 服务器（例如数据库 MCP）\n def connect_mcp_server():\n \"\"\"连接 MCP 服务器以扩展 Agent 能力。\"\"\"\n mcp_config = {\n \"name\": \"postgres-mcp\",\n \"type\": \"mcp_server\",\n \"transport\": \"stdio\",\n \"command\": \"npx\",\n \"args\": [\"-y\", \"@modelcontextprotocol/server-postgres\"],\n \"env\": {\n \"DATABASE_URL\": \"${DATABASE_URL}\"\n }\n }\n\n resp = requests.post(\n f\"{DIFY_BASE}/mcp/servers\",\n headers={\"Authorization\": f\"Bearer {DIFY_API_KEY}\"},\n json=mcp_config,\n timeout=15\n )\n return resp.json()\n\n # 使用示例\n tool = register_custom_tool()\n mcp = connect_mcp_server()\n print(f\"工具已注册：{tool.get('name')}，MCP 服务器：{mcp.get('name')}\")\n\n\n**效果：** 你的 Dify Agent 现在可以查询库存数据库、通过 MCP 执行 SQL、调用内部 API，并在单个工作流中组合所有功能——具备完整的可观测性和重试逻辑。\n\n**数据来源：** Dify README 确认\"为 AI Agent 提供 50+ 内置工具\"，topics 包含 `mcp`（GitHub API）。v1.14.2 发布说明提到\"Agent 基础架构\"改进。145,764 Stars（GitHub API）。\n\n## 隐藏用法 #5：后端即服务——在你自己的应用中嵌入 Dify 工作流\n\n**大多数人的做法：** 把 Dify 的网页 UI 当作最终用户界面。他们没有意识到每个工作流、聊天机器人和 Agent 都可以通过 REST API 从自己的应用程序中调用。\n\n**隐藏技巧：** Dify 将每个能力都暴露为 REST API 端点。你可以从后端触发工作流、向前端流式传输响应，以及以编程方式管理用户/租户——将 Dify 变成你现有应用的 AI 编排层。\n\n\n\n # dify_baas.py — 将 Dify 用作后端 AI 服务\n import requests\n import json\n\n DIFY_API_KEY = \"your-api-key\"\n DIFY_BASE = \"https://your-dify-instance.com/v1\"\n\n class DifyClient:\n \"\"\"Dify 后端即服务的生产客户端。\"\"\"\n\n def __init__(self, api_key: str, base_url: str):\n self.api_key = api_key\n self.base_url = base_url\n self.headers = {\n \"Authorization\": f\"Bearer {api_key}\",\n \"Content-Type\": \"application/json\"\n }\n\n def run_workflow(self, workflow_id: str, inputs: dict) -> dict:\n \"\"\"同步执行工作流并返回输出。\"\"\"\n resp = requests.post(\n f\"{self.base_url}/workflows/{workflow_id}/run\",\n headers=self.headers,\n json={\"inputs\": inputs, \"response_mode\": \"blocking\"},\n timeout=120\n )\n return resp.json()\n\n def chat(self, app_id: str, query: str, user_id: str,\n conversation_id: str = None) -> dict:\n \"\"\"向聊天机器人/Agent 应用发送消息。\"\"\"\n payload = {\n \"inputs\": {},\n \"query\": query,\n \"user\": user_id,\n \"response_mode\": \"blocking\"\n }\n if conversation_id:\n payload[\"conversation_id\"] = conversation_id\n\n resp = requests.post(\n f\"{self.base_url}/chat-messages\",\n headers=self.headers,\n json=payload,\n timeout=60\n )\n return resp.json()\n\n def stream_chat(self, app_id: str, query: str, user_id: str):\n \"\"\"流式传输聊天响应，用于实时 UI 更新。\"\"\"\n payload = {\n \"inputs\": {},\n \"query\": query,\n \"user\": user_id,\n \"response_mode\": \"streaming\"\n }\n resp = requests.post(\n f\"{self.base_url}/chat-messages\",\n headers=self.headers,\n json=payload,\n stream=True,\n timeout=120\n )\n for line in resp.iter_lines():\n if line and line.startswith(b\"data:\"):\n yield json.loads(line[5:])\n\n # 使用示例：在你现有的应用中嵌入 Dify\n client = DifyClient(DIFY_API_KEY, DIFY_BASE)\n\n # 从后端触发工作流\n result = client.run_workflow(\n workflow_id=\"wf-abc123\",\n inputs={\"user_query\": \"如何重置密码？\", \"user_tier\": \"enterprise\"}\n )\n print(f\"工作流输出：{result.get('data', {}).get('outputs', {})}\")\n\n # 从前端与 Agent 对话\n response = client.chat(\n app_id=\"agent-xyz789\",\n query=\"订单 #12345 的状态是什么？\",\n user_id=\"user-42\"\n )\n print(f\"Agent 回复：{response.get('answer')}\")\n\n\n**效果：** Dify 成为你的 AI 后端。你的 React/Next.js/Vue 应用像调用任何微服务一样调用 Dify API。你获得了工作流编排、模型管理和可观测性——无需从头构建任何东西。\n\n**数据来源：** Dify README 指出\"Dify 的所有功能都附带相应的 API，因此你可以轻松地将 Dify 集成到自己的业务逻辑中\"。145,764 Stars、22,915 Forks（GitHub API）。HN \"Show HN: Dify.ai — 开源 LLMOps 平台\"（4 分）。\n\n## 总结\n\n以下是区分生产团队和业余爱好者的 Dify 的 5 个隐藏用法：\n\n 1. **工作流即代码** — 将工作流导出为 YAML，在 Git 中进行版本控制，回放历史执行\n 2. **多模型路由与降级** — 配置 3 层模型降级链，实现零停机 AI\n 3. **自定义分块 + 混合搜索 RAG** — 使用混合向量 + BM25 和重排序器微调检索\n 4. **Agent 模式 + 自定义工具 + MCP** — 将内部 API 和 MCP 服务器连接到你的 Agent\n 5. **后端即服务** — 通过 REST API 在你自己的应用中嵌入 Dify 工作流\n\n\n\nDify 拥有 145,764 个 GitHub Stars 是有道理的：它是 2026 年构建、部署和运营 AI 工作流最完整的开源平台。如果你还在拼接 LangChain 脚本并祈祷它们在生产环境中能正常工作，是时候认真看看 Dify 了。\n\n**延伸阅读：**\n\n * Dify 自托管指南\n * Dify 工作流文档\n * Dify API 参考\n\n\n\n你还发现了哪些 Dify 的隐藏技巧？在评论区分享你的生产环境配置——我很想听听你是怎么使用它的。",
"title": "Dify 的 5 个隐藏用法：14.5 万 Star 的开源 AI 工作流平台"
}