Dify AI 开发实战-老孟讲编程

你将学会

能独立完成 Dify 本地部署与基础配置
理解工作流确定性编排的核心设计思想
能搭建智能答疑与文件处理的自动化流程
掌握各类流程节点的组合与路由方法

课程内容 4 篇

附录文章 1 篇

互动留言

1/4 Dify 本地部署与对话、向量模型接入配置

手把手带领读者在自己的机器上把一套可视化大模型应用平台跑起来，并接入对话与向量化所需的外部服务。文章从安装容器环境开始，解决镜像拉取慢等常见坑，再到后台各项参数的逐项填写与核对。适合想本地体验或私有化部署该平台的读者，照着做完就能拥有一个可登录、可上手、能直接开始搭建应用的本地后台。

2/4 基于 Dify Workflow 邮件智能回复应用

通过自动答疑学员邮件的完整实例，展示低代码平台上编排智能应用的思路。文章先讲清工作流与智能体的本质区别，再演示如何用分类节点区分技术提问与闲聊、调用大模型给出专业解答、最后按规则输出标准化回复。读完能掌握平台各类核心节点的作用与搭配方式，把确定性流程和大模型能力组合成真正可用的业务。

1. 分段模式一般我们的知识库都是由大量文档组成的，如果每次用户提问时，都把所有的文档一股脑儿地交给大模型，会带来三个致命的问题。所以，我们需要将知识库里的所有文档进行分块（Chunking）处理。这样一来，每次用户提问时，系统就能像“精准雷达”一样，只把和用户问题最相关的那几个内容片段召回给大模型。这样既省钱、又高效，回答自然也就更准了。分段有三种常用的模式，通用分段模式、父子分段模式、问答分段模式。 1.1 通用模式通用分段是 Dify 最基础、默认的单层分块模式。它通过指定符号将文本内容划分为多个块，比如：通过 \n 换行符、句号等等。有时，得到的块可能还是太大，所以，我们一般同...

你可能感兴趣

XGBoost（Extreme Gradient Boosting，极端梯度提升树）

1 小时 26 分钟

Dify AI 开发实战

你将学会

1/4 Dify 本地部署与对话、向量模型接入配置

2/4 基于 Dify Workflow 邮件智能回复应用

3/4 基于 Dify 实现 RAG 应用

4/4 Dify AI 开发实战（五）智能体

1/1 Dify 构建 RAG 知识库

你可能感兴趣

XGBoost（Extreme Gradient Boosting，极端梯度提升树）

计算机小数存储原理

C++ 原子类型（std::atomic）