Dify使用步骤与应用构建分析

Dify 的部署与配置较为简单，本章节中我们结合具体案例对 Dify 使用中的细节步骤进行 详细介绍。

1.Dify 手把手教学

1.1 Dify 客户端部署

Dify 是开源的 LLM 应用开发平台，支持使用者完全在本地部署 Dify，满足用户对数据隐 私性的要求；同时官方也提供云服务版本，支持即开即用式的 AI 应用开发。

1.2 模型配置

在开始搭建属于自己的 Dify 应用之前，我们首先需要对大模型接口进行配置。当前 Dify 支持几乎市面上所有的大模型供应商，包括 OpenAI、DeepSeek、Gemini、通义千问等，也 支持大模型平台如微软 Azure、火山引擎、硅基流动、腾讯混元等，广泛的模型支持正是 Dify 的优势之一。 我们可以在右上角头像➡设置➡模型供应商，选择具体的模型服务商进行安装，并输入对 应的 api_keys 完成部署。在列表最上端的“系统模型设置”中，我们可选择默认的大模 型选项，在搭建应用时无需重复选择。

Dify 同样支持通过 Ollama、vllm 等方法部署的本地大模型。以 Ollama 为例，在完成模 型部署之后，我们仅需在 Dify 配置窗口输入模型服务的 url 等信息即可连接。

1.3 知识库配置

Dify 内置了基础的 RAG 框架，底层使用 Weaviate 作为向量数据库。Weaviate 是专用于向 量检索的数据库产品，特点在于将向量搜索与图数据库 GraphQL 技术相结合，方便进行复 杂的数据查询与分析工作，也足以支持我们进行快速上手的检索任务。参考前文介绍的 Dify 知识库配置细节，我们可以基于本地 pdf 轻松构建知识库。我们也能直接在知识库 中进行召回测试，直观感受召回效果 值得注意的是，本地部署版在构建文档时约束较少，构建效率取决于部署服务器的性能； 云端版本则需要等待较长时间才能完成知识库构建。

2.应用构建实战——Dify 为投研应用带来丰富想象空间

搭建一个简单的“时间提取”小工具

我们以这个“时间提取”工具为案例，展示工作流的基本运行逻辑。 用户在以自然语言进行提问时，很可能不会对时间点或时间范围进行明确描述，而通常会使用较为模糊的“近一周”、“上个季度”等词汇。若不对时间进行明确描述，大模型很可 能会理解错误，进而导致后续检索、问答等步骤出现严重偏差。 因此，“时间提取”工具帮助我们在获取用户提问之后优先对时间范围进行确认。我们使 用 Agent 模式对时间范围进行判断，并提供获取当前日期的工具，方便 Agent 自动调用。 为了防止单次回答提取失败，我们在设计上加入循环逻辑，设定最大循环次数为 3 次，3 次以内还未输出期望格式的结果则会提醒用户重新输入正确格式的结果。

点击运行后，可以对整个流程进行测试，并通过“追踪”功能观察其中每一步的输入输出 是否符合要求。核心 Agent 循环了两次，在第一轮思考中，大模型判断需要 调用工具来获取当前的时间，并随后调用了工具获取当前日期为“2025-05-11”；第二轮 思考时，大模型就能基于“2025-05-11”与“近三个月”这两个信息，综合判断出起始日 期与结束日期。

 “金融分析师”搭建

我们尝试搭建了能处理复杂金融问题的 Agent。该 Agent 会对问题类型进行自动判断，划 分到个股、行业、概念或宏观四个类别中，每个类别再分别对应不同的处理流程，譬如“个 股”分支主要会调用“个股研判 bot”这一工具。该工具专门为个股分析设计，内部搭载了研报知识库、财务数据库等，它会再次对问题需求进行判断，并自动决策是否调用这些 数据库作答。

我们尝试提问“低空经济在近期内是否出现相关政策变化？”，模型首先正确判别了问题 属性为“概念”，随后进入“概念”分支并给出了正确回答，在时间段上也同样符合要求。

我们再次提问“军工行业本月以来是否出现基本面边际变化？”，模型也判断对问题属性 为“行业”，随后针对本月军工行业的基本面情况进行深入分析。

将地理信息纳入 Agent 范畴

最后，我们构建“地理信息检索”Agent，展示 Dify 能为投研应用带来的巨大想象空间。 我们设计了一个 Agent，并赋予其检索经纬度、查询周边地点的功能，同时将牧原股份的 年报构造为知识库，挂载在 Agent 之中。其中，经纬度检索、周边地点查询等功能使用 MCP 方式进行连接。

我们首先提问“请从年报中找出牧原在黑龙江地区的养殖场地址”，Agent 可以从研报中 找出相应的养殖场地址，并进行简单总结。 紧接着，我们提问“请找出牧原的明水县养殖场周围 50 千米内是否有其他养殖场存在？”， Agent 随后可以依次序完成经纬度提取、搜索周边地点的功能，并完整输出搜索结果。

主观研究尤其是偏消费类的行业研究，有时需要对线下店铺的地理位置及其周边业态进行 分析，因此对于地理信息检索存在需求。而在 Dify 之前，研究人员只能手动在多个界面 之间不停切换来实现信息搜集；但 Dify 出现之后，这类工作的效率也将大幅提升。本质 上，但凡是涉及金融与其他领域信息整合的需求，都可以在 Dify 的辅助下更高效完成。