之前我的文章里写的是通过langchain来构建RAG应用，对于很多人来说。langchain作为一个框架上手难度大，代码不够直观。但是通过dify你将学会可视化搭建工作流。

什么是dify？

Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service）和 LLMOps 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。

通俗点说，通过手机点击创建ai应用，而不用写代码了。

官网链接

阅读本文之前，假设读者已经了解llm、prompt、chatglm、git、github、docker、rag流程、向量数据(embedding)的相关知识，假如没有，可以先学习这些知识。

怎么使用dify？

安装dify

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d  

检查

输入docker ps，出现以下服务就是正常的

安装好之后，打开localhost:80(如果你安装在服务器或者wsl中)，需要将localhost转换为对应的ip。

第一次登陆需要设置管理员账户

假设你已经完成了管理员的创建

创建一个llm应用

创建应用


添加llm model

这里我使用chat glm的在线model，读者可以根据自己的喜好添加model。
输入完secret key选择相应的model之后就可以使用了。

这样你就完成了dify的第一个应用！！！

是不是很简单！！！

进阶

接下来我们将使用dify搭建一个RAG聊天应用

再次创建应用

这一次我们选择工作流编排的方式创建聊天机器人

进去之后我们会看到一个开始模块，然后会在左下角看见几个icon，点击

创建完知识检索的块，之后上传你的pdf文件，然后向量化，检索的话可以使用多种方式，嫌麻烦可以默认。

这里相当于之前使用langchain的时候进行的文档加载与向量化，具体可以看下我这篇文章，langchain入门系列之六 使用langchain构建PDF解析助手

具体作用相当于这一块的代码

# 解析pdf并保存到本地向量数据库中
def save_pdf(file_path, file_name):
    loader = PyPDFLoader(file_path)
    # 分割
    text_spliter = RecursiveCharacterTextSplitter(
        chunk_size=200,
        chunk_overlap=5,  # 每个块之间的重叠长度
        length_function=len,
    )
    pages = loader.load_and_split(text_spliter)
    persist_path = persist_directory + file_name
    # 持久化到本地
    Chroma.from_documents(
        documents=pages,
        embedding=embedding,
        persist_directory=persist_path
        )

# 加载向量索引
def load_index(file_name):
    persist_path = persist_directory + file_name
    print(persist_path)
    index = Chroma(persist_directory=persist_path, embedding_function=embedding)
    return index

在这里面需要注意的是查询变量，我们用的sys.query,这是最开始的输出。

根据文章内容测试一下，发现有内容返回，那就没问题。

创建条件流

json解析

条件分支

QA

QA 答案

duckduckgo搜索

搜索答案提取

搜索答案回复

小试牛刀

当我输入拿破仑意识到了什么时？llm根据书中内容，回复了答案。

注意的事

配置duckduckgo貌似需要科学上网，否则会超时，这里可以替换成bing。