智能体开发实战（Dify）（微课版）课件 项目一 智慧校园智能体初探-开发环境搭建

项目一智慧校园智能体初探—开发环境搭建项目背景与目标教学目标技能目标部署Dify智能体开发环境具备智能体开发环境的部署能力。能够独立完成Docker容器环境的安装，并成功部署Dify本地化开发平台，确保服务正常运行构建智慧校园对话应用技巧能够使用低代码平台构建基础应用。熟练操作Dify平台界面，能够创建一个基于大模型的“智慧校园”对话应用掌握提示词的编写与优化技巧。能够运用结构化提示词方法论，编写逻辑清晰、指令明确的提示词具备应用调试与发布能力。能够利用平台的调试工具对应用进行测试，并完成应用的公开发布与分享教学目标知识目标理解智能体的基本概念与演进逻辑，掌握大语言模型（LLM）与智能体（AIAgent）的区别与联系智能体架构与AIAgent组件协同掌握智能体架构的核心要素。能够阐述AIAgent的四大核心组件（大脑、规划、记忆、工具）及其协同工作原理熟悉Dify开发平台的技术特性。认识Dify平台的核心能力，理解对话型、工作流型与智能体型三种应用形态的差异与适用场景理解提示词工程的基本原理。教学目标素养目标培养工程思维规范操作习惯技术赋能创新意识强化数据安全合规意识项目背景智能体技术推动任务执行跨越随着人工智能技术的飞速发展，大语言模型（LLM）已成为推动数字化转型的核心引擎。从通用的文本生成到垂直领域的专业问答，LLM展现了强大的认知与推理能力。然而，在实际的企业应用与行业落地过程中，单纯依赖大模型往往面临着与业务系统脱节、无法处理动态数据以及缺乏执行能力等挑战。为了突破这些局限，智能体（AIAgent）技术应运而生，它通过赋予模型感知、规划、记忆和工具使用能力，实现了从“内容生成”到“任务执行”的跨越。智慧校园AI升级服务效率各类组织机构正面临着从信息化向智能化升级的紧迫需求。以教育场景为例，传统的校园服务系统往往功能分散、交互生硬，师生在获取信息和办理业务时需要跨越多个平台，效率低下。构建基于AIAgent技术的“智慧校园”应用，能够通过自然语言交互，整合校园知识库与业务流程，为师生提供精准、实时的智能服务AI应用开发入门实践依托Dify这一国产开源的大模型应用开发平台，部署与搭建好智能体开发环境，通过构建一个基础的对话式应用，引入智能体开发的核心概念与全流程操作。这不仅是技术入门的必要环节，更是理解现代AI应用架构、掌握提示词工程（PromptEngineering）以及熟悉大模型应用生命周期的关键起点。通过本项目的实践，将为后续开发更复杂的任务型智能体和工作流编排奠定坚实的技术基础。项目目标构建智能体开发环境与应用本项目旨在构建智能体开发的基础运行环境与初步应用能力。通过部署Dify开源平台，搭建本地化开发环境，并基于该平台开发“智慧校园”对话应用，验证环境的可用性与交互逻辑。同时，结合提示词工程实践，完成应用效果的初步调优。项目实施将打通从理论认知到工具操作的关键链路，为后续构建复杂任务型智能体奠定坚实的技术基础项目分析智能体开发工程化路径探索本项目是智能体开发的入门基石，其核心逻辑遵循“环境构建—工具认知—应用实践”的工程化路径。为了达成上述项目目标，我们将整个项目拆解为三个紧密关联的实施阶段Dify平台容器化部署实践首先是基础设施层的搭建。智能体应用的运行依赖于稳定的底层环境。本项目选用Docker容器化技术部署Dify开源平台，这种方式不仅能够屏蔽不同操作系统间的差异，还能让开发者直观理解微服务架构下数据库（Redis/PostgreSQL）、后端服务与前端界面的依赖关系。这一阶段重点解决“在哪做”的问题，为后续开发提供纯净、可控的实验场Dify平台Chat应用验证LLM能力其次是核心能力层的认知。Dify平台集成了从模型接入、知识库管理到工作流编排的全链路能力。在环境就绪后，需要深入理解Chat（对话型）、Workflow（工作流型）与Agent（智能体型）三种应用形态的区别。本项目选择以最基础的Chat形态切入，能够快速验证LLM的推理能力与环境的连通性，解决“用什么做”的问题智慧校园实战优化模型输出最后是业务应用层的实战。仅仅拥有工具是不够的，关键在于如何驾驭工具解决实际问题。本项目选取“智慧校园”这一典型场景，通过编写结构化提示词，定义智能体的角色（如校园向导）、任务（如生活指引）及约束条件。这一阶段将抽象的技术理论转化为可视化的对话效果，重点解决“怎么做”的问题，并初步体验通过迭代提示词来优化模型输出质量的调试过程智能体开发全流程认知建立通过这三个阶段的循序渐进，项目将帮助读者建立起对智能体开发全流程的宏观认知，完成从“使用者”到“开发者”的身份转变知识准备智能体（AIAgent）概述

AI从工具到助手的转变人工智能技术正在经历从“被动工具”向“主动助手”的范式转变。在这一进程中，智能体（AIAgent）作为大语言模型（LLM）能力的延伸与具象化应用，正逐渐成为连接数字世界与物理世界的关键桥梁。智能体（AIAgent）概述：从大语言模型到智能体的进化

国产大模型进展与局限以百度文心一言、阿里通义千问、智谱GLM以及DeepSeek等为代表的国产大语言模型，展现出了惊人的文本生成、逻辑推理和知识检索能力，被视为通向通用人工智能（AGI）的重要基石。然而，仅依靠LLM自身仍存在一定的局限性：模型本质上是一个静态的知识库，缺乏与外部环境交互的通道，无法直接执行操作，且受限于训练截止时间，难以获取实时信息

智能体AIAgent进化论智能体（AIAgent）的概念应运而生。如果将大语言模型比作“大脑”，那么智能体则是为这个大脑配备了“五官”（感知能力）和“四肢”（执行能力）。这种进化体现在以下三个关键维度的跨越

动态交互新模态闭环系统升级从“静态问答”到“动态交互”。传统的LLM交互模式是“用户提问-模型回答”。而Agent能够感知环境变化，主动发起多轮交互，根据反馈不断调整策略，形成“感知-决策-行动-反馈”的闭环系统

从纸上谈兵到知行合一从“纸上谈兵”到“知行合一”。LLM仅能生成文本建议，无法直接改变现实状态。智能体通过集成工具（Tools）接口，具备了调用搜索引擎、执行代码、操作软件API甚至控制硬件设备的能力。例如，大模型可以生成订票攻略，而智能体可以直接完成查询航班、比价、下单支付的全过程智能体（AIAgent）概述：从大语言模型到智能体的进化智能体（AIAgent）概述：从大语言模型到智能体的进化垂类专家超越通用全才从“通用全才”到“垂类专家”。LLM追求通用性，而Agent通过记忆机制（Memory）和规划能力（Planning），能够根据特定领域的业务逻辑和历史上下文，处理复杂的长程任务，展现出更强的专业性和任务完成率智能体LLM核心驱动自主决策执行智能体是以LLM为核心控制器，具备感知、记忆、规划和行动能力的智能系统。它是AI技术从AI内容生成（AIGC）迈向自主决策与执行（AgenticAI）的必然产物智能体（AIAgent）概述：常见的智能体架构与应用场景

常见的智能体架构与应用场景为了实现上述能力，业界涌现出多种智能体设计架构。尽管具体实现各异，但大多数智能体架构都围绕着一个核心公式展开Agent=LLM（大脑）+Planning（规划）+Memory（记忆）+Tools（工具）

主流智能体设计架构智能体的核心运行机制通常遵循“感知（Perception）—规划（Planning）—行动（Action）”的闭环流程。根据任务处理方式的不同，主要分为单智能体架构与多智能体架构智能体（AIAgent）概述：常见的智能体架构与应用场景单智能体架构（Single-AgentArchitecture）单智能体架构由一个核心LLM驱动，依靠自身的推理能力和工具集完成任务。目前最典型的两种模式为ReAct模式与Plan-and-Solve模式ReAct模式是目前较为通用的智能体实现方式之一。其核心思想是将“推理（Reasoning）”与“行动（Acting）”紧密结合。在执行任务时，智能体不会一次性生成所有步骤，而是遵循“思考—执行—观察”的循环。思考（Thought）分析当前状态，决定下一步该做什么。行动（Action）调用工具（如搜索API、计算器）。观察（Observation）获取工具返回的结果（如搜索到的网页内容）。循环（Recycle）根据观察结果，进行新一轮的思考，直到目标达成，这种模式具有极强的纠错能力和环境适应性，特别适合处理需要多步交互和实时信息获取的任务。如图1-2所示展示了ReAct模式工作原理智能体（AIAgent）概述：常见的智能体架构与应用场景智能体（AIAgent）概述：常见的智能体架构与应用场景多智能体架构（Multi-AgentArchitecture）当面对极度复杂的任务时，单个智能体的上下文窗口和推理能力可能遭遇瓶颈。多智能体架构通过引入多个角色各异的智能体，模拟人类团队的协作模式角色协作模式（Role-PlayingCollaboration）系统定义多个具备特定“人设”和“技能”的智能体。例如，在软件开发场景中，配置“产品经理智能体”负责分析需求，“开发工程师智能体”负责编写代码，“测试工程师智能体”负责检查代码。它们遵循预设的标准作业程序（SOP），通过消息传递机制交换信息，共同交付成果。对抗与辩论模式则引入持有不同观点的智能体进行辩论，或者引入“评审员智能体”对“执行者智能体”的输出进行严格质询。通过多轮博弈，过滤掉幻觉和逻辑漏洞，从而输出更高质量的解决方案智能体（AIAgent）概述：常见的智能体架构与应用场景常见的智能体架构与应用场景1.

企业级自动化流程传统的机器人流程自动化（RPA）仅能执行固定的规则脚本。引入智能体后，系统能够理解非结构化数据。例如，财务智能体可以读取不同格式的发票扫描件，理解邮件中的报销说明，自主登录ERP系统完成填单和审批流转，仅在遇到异常时呼叫人工介入。2.智能代码工程在软件开发领域，智能体已从代码补全工具进化为全流程工程师。它们能够自主阅读技术文档、规划项目结构、编写代码、运行测试用例并根据报错信息进行调试。这种“AI程序员”大幅降低了开发门槛，提升了代码生产效率。常见的智能体架构与应用场景3.领域知识问答与决策支持结合检索增强生成（RAG）技术，专业领域的智能体（如法律顾问、医疗助手）能够挂载海量的行业法规或医学文献库。它们不仅能回答咨询，还能依据事实数据生成专业的法律文书或诊疗建议草案，辅助专家进行决策。4.个性化私人助理面向终端用户，智能体充当全能数字管家。它能够跨越App的边界，整合日历、地图、订票软件和邮件系统。例如，用户只需下达“安排下周三去上海出差”的指令，智能体即可自动规划行程、比对机票价格、预订酒店并发送会议邀请，实现“一语成事”。Dify平台基础在智能体开发领域，选择合适的开发框架与平台能够显著提升开发效率与应用质量。Dify是一款由中国团队开发和维护的国产开源大模型应用框架，作为一个开源的大语言模型（LLM）应用开发平台，凭借其可视化的编排能力和完善的后端服务，成为了当前构建AI应用的主流工具之一。Dify的核心能力

模型中立与接入管理Dify屏蔽了底层模型的差异，支持接入全球主流的大语言模型（如GPT、Claude、Llama）以及国产大模型（如通义千问、文心一言、DeepSeek）。开发者可以根据任务需求，在不同模型之间灵活切换，或通过本地部署模型（Ollama、vLLM等）降低推理成本

检索增强生成（RAG）引擎检索增强生成（RAG）是一种将外部知识检索与大模型生成相结合的技术，通过先检索相关资料，再基于检索结果生成回答，从而提升回答的准确性与可靠性Dify内置了完整的RAG流水线，涵盖文本分段、清洗、索引以及向量检索。开发者无需从零构建向量数据库，即可上传文档构建私有知识库，赋予智能体基于特定领域知识回答问题的能力

可视化编排与提示词IDE提供所见即所得的提示词编辑器和流程编排界面。开发者可以通过图形化拖拽的方式定义业务逻辑，调试提示词效果，并实时预览应用表现。

后端即服务（BaaS）自动生成API接口，并提供应用日志管理、标注改进以及持续运营分析功能。这使得开发者能够专注于业务逻辑的设计，而无需过多关注服务器运维与接口封装。Dify技术架构

技术架构从系统架构角度来看，Dify采用模块化设计，主要分为三层基础设施层（InfrastructureLayer）：负责底层计算资源的调度与模型的推理接入，包括向量数据库和缓存服务核心引擎层（CoreEngineLayer）：这是平台的中枢，包含Agent编排引擎、工作流（Workflow）执行器以及RAG检索管道。该层负责解析用户指令，调度模型进行推理，并管理上下文记忆应用服务层（ApplicationLayer）：面向最终用户和开发者，提供Web前端界面、API网关以及插件扩展机制Dify基础对话、工作流与智能体应用形态对比

基础对话、工作流与智能体应用形态对比在Dify平台中，为了适应不同复杂度的业务场景，应用被划分为三种主要形态：基础对话（Chat）、工作流（Workflow）和智能体（Agent）。理解这三者的区别与适用边界，是进行应用选型的关键。基础对话应用基础对话应用是最基础的应用形态，通常用于构建简单的问答机器人或客服助手工作机制：基于“一问一答”的模式，系统接收用户输入，结合预设的提示词（Prompt）和上下文历史，直接调用大模型生成回复特点：结构简单，响应速度快，侧重于语言理解和文本生成适用场景：客户服务问答、文章摘要生成、语言翻译助手等对逻辑推理要求不高的场景工作流应用工作流应用引入了确定性的逻辑编排，将复杂的业务流程拆解为图形化的节点（Node）工作机制：采用有向无环图（DAG）结构。任务的执行路径是预先定义好的，数据在不同的节点（如“大模型节点”“代码执行节点”“条件判断节点”）之间按顺序流转特点：逻辑严密，可控性强，结果具有高度的确定性。它强调的是“流程自动化”而非“自主决策”适用场景：长文本翻译流程（分段、翻译、校对、合并）、自动化内容审核流水线、结构化报告生成等基础对话、工作流与智能体应用形态对比类型定义特点典型应用提示词工程型最基础的形态，主要依赖精心设计的自然语言指令提示词来引导大模型扮演特定角色或执行特定任务。开发门槛低，但逻辑处理能力受限于模型上下文窗口，难以处理复杂、多步骤的业务流角色扮演机器人、文章润色助手、翻译助手等流程编排型将业务逻辑拆解为确定的步骤（节点），通过“工作流”将大模型、代码脚本、API接口串联起来具备极高的确定性和可控性，能够精准执行企业级业务逻辑，减少模型幻觉，是当前行业应用的主流方向客户服务工单流转、合同自动审核系统、数据清洗流水线自主规划型赋予模型自主设定目标、拆解任务、使用工具并自我反思的能力（如AutoGPT模式）灵活性极强，能应对未知问题，但目前稳定性较差，执行路径不可预测，往往陷入死循环，商业落地难度较大开放式市场调研、复杂代码项目构建、创意探索提示词工程提示词（Prompt）是人类与大语言模型（LLM）进行交互的指令语言。提示词工程则是指通过设计、优化和迭代输入文本，引导模型生成更准确、相关且高质量输出的技术过程。在智能体开发中，优秀的提示词设计相当于为AI编写了精确的“岗位说明书”和“操作手册”，直接决定了智能体在特定任务中的表现。经典的提示词框架为了提高模型指令遵循的准确性，业界总结出了一系列通用的提示词编写框架。这些框架通过规范信息的组织形式，帮助开发者明确意图，减少模型的幻觉与歧义。经典的提示词框架ICIO框架ICIO框架侧重于指令的清晰传达，包含4个核心要素Instruction（指令）：明确要求模型执行的具体任务Context（背景）：提供任务相关的背景信息，帮助模型理解场景InputData（输入数据）：告知模型需要处理的具体数据或内容OutputIndicator（输出指引）：规定输出的格式、风格或长度限制【Instruction】：请将以下会议记录内容整理成一份正式的会议纪要。【Context】：这是某科技公司关于“智慧校园”项目一期上线的内部沟通会，参会人员包括产品经理、开发组长和测试组长。【InputData】：[此处粘贴原始的语音转文字记录...]【OutputIndicator】：请使用Markdown格式，包含“会议主题”、“决议事项”、“待办任务（需注明负责人）”三个部分，语言风格需简洁干练。提示词工程：经典的提示词框架BROKE框架BROKE框架更强调对任务流程的完整控制，适用于较复杂的任务场景Background（背景）：设定模型的角色身份与任务环境Role（角色）：进一步强化角色职能及核心目标Objectives（目标）：列出需要达成的具体成果指标KeyResults（关键结果）：定义必须满足的限制条件（如字数、格式、禁忌词）Examples（示例）：提供参考范例（Few-Shot），让模型模仿特定的风格或逻辑【Background】：你是一个资深的Python后端开发工程师，熟悉Flask框架。【Role】：你的任务是编写健壮的API接口代码。【Objectives】：编写一个用户登录接口，接收JSON格式的用户名和密码。【KeyResults】：必须包含异常处理（try-except）。密码必须进行哈希验证，不能明文比对。返回标准HTTP状态码（200成功，401失败）。代码需包含详细注释。【Examples】：输入：{"username":"admin","password":"123"}期望代码风格：@app.route('/login',methods=['POST'])deflogin():#获取数据data=request.get_json()...结构化提示词智能体开发场景下，随着任务复杂度的提升，简单的自然语言描述往往难以支撑复杂的业务逻辑。结构化提示词借鉴了编程语言的思维，利用Markdown语法（如标题、列表、代码块）将提示词模块化、层次化。这种方式不仅便于人类阅读和维护，也能显著提升LLM对指令的解析效率。结构化提示词的核心特征

（1）模块化：将复杂提示词拆解为角色（Role）、简介（Profile）、约束（Constraints）、工作流（Workflow）等独立模块。（2）标签化：使用特定符号（如#、[]、<>）标识不同的信息层级，帮助模型区分指令、数据与注释。（3）标准化：遵循固定的模板格式，便于在团队间复用和迭代。结构化提示词示例#Role:英语学习助手##Profile-Author:智能体开发实战团队-Version:1.0-Language:中文-Description:一个专注于帮助用户记忆英语单词的辅助工具，能够提供词源解析和场景例句。##Goals1.解释用户提供的英语单词含义。2.分析词根词缀，辅助记忆。3.提供3个不同场景的实用例句。##Constraints-解释必须通俗易懂，避免过于学术化。-如果单词有多种含义，仅列出最常用的2种。-输出格式必须严格遵循OutputFormat部分的要求。##Workflow1.接收用户输入的单词。2.判断单词拼写是否正确，若错误则提示修正。3.按顺序输出：中文释义->词源分析->场景例句。##OutputFormat###单词：[单词原型]-**释义**：[中文释义]-**记忆法**：[词根/联想记忆]-**例句**：1.[例句1](中文翻译)2.[例句2](中文翻译)3.[例句3](中文翻译)##Initialization你好，我是你的英语学习助手。请发送你想学习的单词，我将为你提供详细解析。结构化提示词的关键要素

元数据与角色定义这是提示词的“声明区”，用于确立智能体的基本属性。其中，角色（Role）明确智能体的身份设定。大模型在扮演特定专家角色时，能够调用该领域的专业知识库，表现出更高的专业度。简介（Profile）则包含作者、版本号、语言偏好及功能简述。这不仅有助于提示词的版本管理，也能强化模型对自身定位的认知。背景上下文该要素为模型提供任务执行的必要前置信息，类似于函数的“输入参数”。背景上下文主要包括两类，一类是业务背景，描述任务发生的场景，如“用户正在进行商品退货咨询”另一类是知识库引用，如果任务依赖特定的文档或数据，需在此处明确指出，如“请基于提供的《员工手册》回答问题”。结构化提示词的关键要素

约束与规则这是控制模型行为边界的最重要部分，类似于编程中的“条件判断”与“异常处理”。其中否定约束明确禁止模型做的事情，如“严禁编造事实”、“不要输出政治敏感内容”。格式约束规定输出的形态，如“必须以JSON格式返回”、“代码块需包含注释”。思维链与工作流针对复杂任务，直接要求结果往往效果不佳。通过定义工作流，强制模型按照预设的步骤进行推理。步骤拆解将大任务分解为一步一步的执行序列。示例向模型展示“输入-输出”的样本对。大模型具有极强的模仿能力，提供1~3个高质量的示例（也叫做Few-ShotLearning）往往比长篇大论的解释更有效，特别是对于规范输出格式而言项目实施CONTENTS目录01

任务1.1Dify开发环境准备02

任务1.2Dify开发环境部署03

任务1.3给Dify开发环境添加大模型04

任务1.4创建“智慧校园”对话应用任务1.1Dify开发环境准备01任务描述搭建Dify平台开发环境在搭建开发环境与进行应用初探之前，首要任务是搭建一个稳定、高效的基础运行环境。Dify平台采用微服务架构设计，涉及前端Web服务、后端API、任务队列以及各类数据库组件。本任务要求在Windows10或Windows11操作系统上，根据不同系统版本（专业版/家庭版）开启虚拟化支持，部署DockerDesktop容器化管理工具，并获取Dify平台的源代码。最终目标是交付一个具备DockerEngine与DockerCompose运行能力的终端环境。任务分析

DifyDocker部署指南Dify官方推荐使用Docker进行容器化部署。在Windows环境下，DockerDesktop是最主流的解决方案，它依赖于底层的虚拟化技术。不同版本的Windows系统对虚拟化的支持方式略有差异，因此本任务的实施难点在于针对不同系统版本正确开启WSL2（WindowsSubsystemforLinux2）环境。具体有两个层面的问题要解决系统层专业版或企业版支持完整的Hyper-V和WSL功能，配置相对便捷。家庭版或教育版默认隐藏了Hyper-V部分功能，需要通过特定指令或安装WSL2补丁来支持Docker运行应用层：安装DockerDesktop并配置镜像加速，解决网络下载慢的问题DockerDesktopWSL2运行原理如图所示，展示了DockerDesktop如何利用WSL2在Windows上模拟Linux环境来运行容器原理，最底层是WindowsKernel、Hyper-V和WSL2构建的虚拟化层，中间层是轻量级虚拟机（LinuxKernel），最上层是DockerEngine及Dify的各类容器任务实现-硬件与网络要求

在开始部署前，需确保计算机硬件满足以下最低配置要求，以保证Docker及后续Dify服务的流畅运行

设备类型：台式机或笔记本电脑

操作系统：Windows10(64-bit)或Windows11(64-bit)

中央处理器：双核及以上架构（推荐4核以上，需支持虚拟化技术）任务实现-硬件与网络要求

内存：至少4GB（推荐8GB及以上，因为运行大模型应用较耗内存）

磁盘空间：系统盘或安装盘剩余空间不少于16GB

网络连接：具备可访问互联网的网络环境，用于下载安装包及拉取Docker镜像任务实现-开启系统虚拟化支持情况1：Windows10/11专业版（Pro）、企业版（Enterprise）、教育版（Education）启用WindowsHyper-V功能指南专业版、企业版、教育版系统拥有完整的Hyper-V管理功能，配置相对直接。在Windows搜索栏输入“启用或关闭Windows功能”，打开配置窗口。在列表中找到并勾选“Hyper-V”（确保其子项均被勾选）复选框，勾选“容器”复选框。单击“确定”按钮，等待系统应用更改后重启计算机。情况2：Windows10/11家庭版（Home）家庭版默认隐藏了Hyper-V管理器，需依赖WSL2(WindowsSubsystemforLinux2)及其底层虚拟化平台。在任务栏搜索框输入“启用或关闭Windows功能”。勾选以下两项（注意家庭版可能没有Hyper-V选项，无需勾选）：“适用于Linux的Windows子系统”、“虚拟机平台”。单击“确定”按钮并重启计算机接着更新WSL2内核，以管理员身份打开PowerShell，执行默认安装命令“wsl--install”，如果系统提示已安装但版本过旧，请运行更新命令“wsl--update”，强制将WSL2设置为默认版本“wsl--set-default-version2”。如果上述命令方式失败，可以手动下载wsl2并安装任务实现-开启系统虚拟化支持任务实现-安装DockerDesktop访问Docker官网下载适用于Windows的DockerDesktop安装程序，这里下载的是最新的AMD64版本。双击下载好的安装包，如果系统支持WSL2，安装过程会弹出“UseWSL2insteadofHyper-V(recommended)”选项，勾选即可。配置Docker镜像加速为了解决拉取镜像超时的问题，需配置镜像加速器。打开“DockerDesktop设置（Settings）”中的“DockerEngine”，在编辑框中添加registry-mirrors配置国内镜像源为“https://docker.m.daocloud.io”，也可以使用其他可用的镜像源。验证Docker安装成功待Docker界面左下角显示绿色的“Enginerunning”时，打开PowerShell输入“dockerrunhello-world”命令验证。任务实现-安装DockerDesktop任务小结

搭建Dify运行环境本任务完成了Dify基础运行环境的搭建。通过在Windows系统中开启WSL2虚拟化支持，我们成功安装了DockerDesktop工具，为后续部署Dify微服务架构奠定了坚实的底层容器化环境基础。任务1.2Dify开发环境部署02任务描述

部署Dify平台本地环境在完成了Docker基础环境的准备后，本任务将进入Dify平台的实际部署阶段。我们将利用已经下载好的Dify源代码，通过DockerCompose容器编排工具，一键拉取并启动包括API服务、Web前端、数据库（如PostgreSQL）、缓存（如Redis）及向量数据库（如Weaviate）在内的所有微服务组件。任务的最终交付标准是，在本地浏览器中成功访问Dify的初始化界面，完成管理员账号的注册，并顺利进入系统主控台任务分析Dify的本地化部署流程本质上是一个“获取源码—配置环境—启动服务—系统初始化”的过程。获取源码：为了确保网络稳定性，从Gitee（码云）官方镜像仓库下载Dify的源代码。环境配置

Dify的运行依赖于一系列环境变量（如数据库密码、API密钥配置等）。源码中提供了.env.example模板文件，我们需要将其复制并重命名为.env，使其生效。服务启动利用dockercomposeup命令，Docker会读取docker-compose.yaml文件，自动从镜像仓库下载所需的镜像，并按依赖顺序启动容器。系统初始化服务启动后，通过Web界面进行首次访问，系统会自动执行数据库迁移（Migration）并引导用户创建超级管理员账户。任务实现-从Gitee获取Dify源代码Gitee下载源码指南鉴于直接访问GitHub可能存在网络阻碍，本项目统一采用国内代码托管平台Gitee（码云）进行源码下载1.准备工作目录在计算机非系统盘（如D盘或E盘）新建一个文件夹，命名为“Dify”，作为项目的工作空间2.获取源代码访问Gitee项目主页，如图所示，单击右侧的“克隆/下载”按钮，选择“下载ZIP”。下载完成后，将压缩包解压至dify-project文件夹中3.验证目录结构双击进入解压后的dify文件夹，确保其中包含名为docker的子目录。该目录存放了后续部署所需的核心编排文件任务实现-从Gitee获取Dify源代码任务实现-配置环境变量DifyDocker部署与配置指南进入Docker部署目录./dify/docker。Dify使用.env文件来管理系统配置，需要基于官方提供的模板生成一份正式配置文件.复制配置文件.env.example为.env。对于初次部署，通常无须修改文件内的默认配置即可直接运行。如果本地80端口被占用，才需要编辑该文件修改EXPOSE_NGINX_PORT参数任务实现-一键启动服务Docker部署Dify服务流程1.进入./dify/docker目录，在终端中输入“dockercomposeup-d”。2.终端会显示下载进度（Pullinglayers）。3.由于Dify包含多个服务组件，镜像总大小约2-3GB，根据网络带宽不同，下载过程可能持续5到20分钟。4.直到所有服务状态均显示为Running或，且命令执行结束返回命令行提示符。切换镜像加速源重试下载如果在上述步骤中下载镜像失败，请检查并修改DockerDesktop中的registry-mirrors配置，以切换至可用的镜像加速源后再重新尝试下载任务实现—一键启动服务任务实现—访问与初始化Dify1.服务启动后，Dify的Web前端默认监听本地的80端口2.打开浏览器推荐使用Chrome或Edge浏览器，在地址栏输入“”3.设置管理员账号首次访问系统时，会自动跳转至初始化设置页面，如图所示。输入常用邮箱（这将作为超级管理员的登录账号），设置一个管理员昵称，设置登录密码（建议包含字母和数字，且长度不少于8位）。填写完成后，单击“设置”进行保存4.Dify账号登录与界面导航账号创建成功后，页面会自动跳转至登录页。输入刚才设置的邮箱和密码，单击“登录”按钮，成功进入Dify的应用主界面（Dashboard），如图所示。界面上方通常包含“探索”“工作室”“知识库”等导航菜单。至此Dify私有化开发环境已成功部署并可以使用任务实现—访问与初始化Dify任务小结本任务实现了Dify平台的本地容器化部署。通过获取源码、配置环境变量，并利用DockerCompose一键启动所需微服务组件，我们顺利完成了系统初始化及管理员注册，使Dify开发工作台全面就绪。任务1.3给Dify开发环境添加大模型03任务描述Dify平台与大语言模型协作机制Dify平台本身是一个应用编排引擎，它类似于一辆跑车的“底盘与车身”，而大语言模型（LLM）则是驱动其运行的“发动机”。在完成私有化部署的Dify环境中，默认可能未配置可用的模型服务。Dify集成通义千问提升中文能力本任务要求为Dify平台接入真实的商业级大模型能力。我们将选用阿里云提供的通义千问大模型，利用其提供的免费额度获取APIKey，并在Dify的模型供应商后台完成配置。任务完成后，Dify平台将具备强大的中文理解与生成能力，能够支持后续对话应用的构建。【任务分析】

Dify的“模型中立”特性使得接入模型的过程标准化且简便。

获取APIKey需要前往阿里云的“百炼”大模型服务平台，注册账号并开通通义千问服务，创建一个用于身份验证的APIKey。这是调用云端模型算力的凭证

配置模型供应商回到Dify的管理界面，找到模型供应商列表中的“通义千问”，将申请到的APIKey填入并保存。系统会自动验证密钥的有效性，并加载可用的模型列表。任务实现-申请阿里云通义千问APIKey1.通义千问提供免费API资源通义千问是当前中文能力表现突出的⼤模型之一，并为新用户提供一定额度的免费API调用资源，十分适合用于教学实战。在本教材编写期间，阿里云百炼平台向新用户提供为期90天的免费通义千问API调用额度，读者亦可根据实际需求选择其他提供免费服务的大模型平台2.登录阿里云百炼平台打开浏览器，访问阿里云百炼平台。使用支付宝或阿里云账号登录3.创建APIKey在控制台左侧菜单栏，单击“密钥管理”，单击“创建API-KEY”按钮4.保存sk开头密钥系统会生成一个以sk-开头的长字符串。请立即复制并保存这串字符，因为出于安全考虑，密钥在关闭弹窗后通常无法再次查看完整内容任务实现-申请阿里云通义千问APIKey任务实现-在Dify中配置模型供应商拿到APIKey后，就可以在Dify中配置通义千问的模型供应商1.进入模型设置登录本地部署的Dify平台（），单击页面右上角的个人头像（或账户名称），在下拉菜单中选择“设置”选项2.选择模型供应商在设置页面的左侧导航栏中，单击“模型供应商”选项。会看到包含通义、文心一言、深度求索等在内的众多供应商图标3.添加通义千问在列表中向下滚动，找到“通义”的图标，并单击“安装”按钮，等待插件安装成功4.配置APIKey“通义”插件安装成功后，会出现在模型列表中，单击通义图标右侧的“设置”按钮，APIKey输入框中填入刚申请的通义千问APIKey，并保存任务实现-在Dify中配置模型供应商任务实现-验证模型可用性1.查看可用模型列表在设置好供应商后，Dify会自动拉取该账号下可用的模型列表。可以看到如qwen-turbo、qwen-plus、qwen-max等不同规格的模型选项。2.系统默认模型设置为了方便后续使用，建议在“模型供应商”页面的顶部“系统模型设置”区域，将系统推理模型设置为qwen-plus，其他配置根据需要设置。这样在创建新应用时，系统会自动默认选用该模型，无须每次手动切换。3.Dify环境装配大模型成功至此Dify开发环境已成功装配了大模型，具备了处理自然语言任务的能力。接下来，就可以开始构建真正的智能体应用了任务实现-验证模型可用性任务小结本任务为Dify平台成功接入了真实的商业大模型算力。通过获取阿里云通义千问APIKey并在Dify后台完成供应商绑定，我们为平台装载了核心“发动机”，使其具备了强大的自然语言理解与生成能力任务1.4创建“智慧校园”对话应用04任务描述创建智慧校园助手应用将技术转化为业务价值，本任务要求在Dify平台中创建一个名为“智慧校园助手”的基础对话应用校园向导