Dify零基础开发本地Agent智能体：从安装到部署

Dify零基础开发本地Agent智能体：从安装到部署

30分钟，让AI真正“会干活”

一、Dify是什么？为什么选它？

1.1 一句话定位

Dify = AI应用开发的“低代码平台”，让你通过拖拽+配置，快速搭建具备RAG、工具调用、多轮对话能力的AI Agent。

1.2 为什么是Dify？（与其他方案对比）

结论：如果你想快速落地本地Agent，同时保留未来迁移/定制的可能性，Dify是当前最优解。

二、本地部署Dify（3种方式，按需选择）

方式一：Docker Compose（推荐，最省心）

# 1. 克隆项目
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 2. 启动所有服务（包含PostgreSQL、Redis、Weaviate等）
docker-compose up -d

# 3. 访问 http://localhost:3000
# 默认账号: admin@dify.ai / password: 123456

前置要求：Docker已安装，内存≥4GB

方式二：源码本地运行（适合二次开发）

# 后端（Python）
cd api
cp .env.example .env
# 修改.env中的数据库配置
pip install -r requirements.txt
flask db upgrade
python app.py

# 前端（Next.js）
cd web
npm install
npm run dev

方式三：Dify Cloud（最快，数据存云端）

直接访问 https://cloud.dify.ai 注册即可，跳过部署环节。

新手建议：先用 方式三（Cloud版） 熟悉功能，再切到 方式一（Docker本地） 做生产部署。

三、手把手：用Dify搭建第一个本地Agent

场景：一个“智能运维助手”——能查服务器状态、能执行命令、能分析日志

Step 1：创建应用

1. 登录Dify → 点击 “创建应用”
2. 选择 “Agent” 类型（不是“对话应用”）
3. 命名：运维小助手

Step 2：配置模型

1. 进入应用 → “模型配置”
2. 选择模型提供方：
   • 本地模型：用Ollama部署的Qwen/DeepSeek（后面会讲）
   • 云端模型：OpenAI / Azure / 火山引擎 / 通义千问
3. 填入API Key和模型名称

Step 3：设计System Prompt（这是Agent的“人格”）

在 “指令” 框中输入：

你是一个专业的运维助手，负责协助工程师管理服务器。

你的能力：
1. 查询服务器状态（CPU、内存、磁盘）
2. 执行预设的安全命令（如查看日志、重启服务）
3. 分析错误日志并给出排查建议

工作原则：
- 执行任何操作前，先向用户确认
- 如果信息不足，主动询问
- 输出结果时，用表格或列表清晰展示
- 涉及敏感操作时，必须再次确认

Step 4：添加工具（核心！这是Agent的“手脚”）

点击 “工具” → “添加工具”

内置工具（可直接勾选）：

• Web Scraper：抓取网页内容
• Current Time：获取当前时间
• Wikipedia：搜索维基百科

自定义工具（重点）：

点击 “自定义工具” → “创建”，填写：

工具名称: query_server_status
工具描述: 查询指定服务器的CPU、内存、磁盘使用率
输入参数:
  - server_ip (string): 服务器IP地址
  - metric (string, 可选): cpu/mem/disk/all，默认all

关联执行逻辑（两种方式）：

代码节点示例（直接在Dify里写）：

import subprocess
import json

def main(server_ip: str, metric: str = "all"):
    # 这里用模拟数据，实际可通过SSH或Agent API获取
    result = {
        "cpu": "23.5%",
        "memory": "67.2%",
        "disk": "45.8%"
    }
    return {
        "status": "success",
        "data": result
    }

陪跑提醒：生产环境下，工具执行层不要直接写业务逻辑，而是调用你已有的Go微服务API。Dify只负责“编排”，真正干活的是后端服务。

Step 5：配置记忆（让Agent“记住”上下文）

在 “上下文” 选项卡中：

• 开启记忆：让Agent记住历史对话
• 记忆窗口大小：设置保留最近N轮对话（建议10-20轮）
• 长期记忆：对接向量库（如Qdrant/Pinecone），让Agent记住用户偏好

Step 6：测试与调试

在右侧 “调试” 面板输入：

请帮我查一下 192.168.1.100 这台服务器的整体状态

观察Agent的执行轨迹：

1. 是否理解你的意图
2. 是否正确调用了query_server_status工具
3. 返回结果是否清晰

四、本地模型接入（零成本方案）

不想花钱买API？用 Ollama + Dify 本地跑模型：

4.1 安装Ollama

# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh

# 下载中文模型（推荐Qwen2.5）
ollama pull qwen2.5:7b

4.2 Dify接入Ollama

在Dify的 “模型提供商” → “Ollama” 中配置：

API地址: http://localhost:11434
模型名称: qwen2.5:7b
上下文长度: 8192

注意：本地7B模型执行复杂Agent任务可能稍慢，但零成本+数据不出本地是巨大优势。

五、Dify Agent进阶功能

当你跑通基础Agent后，可以逐步解锁以下能力：

5.1 知识库（RAG）接入

点击 “知识库” → “创建” → 上传你的运维文档、操作手册、故障案例库

Agent在回答问题时，会自动检索知识库，让回答更精准。

5.2 工作流编排（Workflow）

对于复杂任务，可以脱离纯Agent模式，使用 “工作流” 模式——用可视化节点编排固定流程，比纯Agent更可控、更稳定。

5.3 API发布

创建好的Agent可以：

• 嵌入到网页：复制iframe代码
• 发布为API：获得RESTful API端点，供其他系统调用
• 发布到Slack/微信/钉钉：接入企业IM

5.4 日志与可观测性

Dify内置了完整的运行日志：

• 每次对话的完整追踪
• Token消耗统计
• 工具调用记录
• 用户反馈收集

六、新手常见踩坑 & 解决方案

七、30分钟实战Checklist

按照这个清单，今天就能跑通第一个本地Agent：

• 用Docker或Cloud版启动Dify
• 创建第一个Agent应用
• 配置模型（云端或本地Ollama）
• 编写System Prompt
• 添加1个内置工具（如Current Time）
• 添加1个自定义工具（Python代码）
• 在调试面板测试至少3种不同问题
• 观察并记录Agent的思考-行动-观察轨迹
• 将Agent发布为API并调用