CentOS  | Dify  | docker | docker compose

---

知域有界，困于基础。凭什么大神便能驭术随心，驰骋 AI 天地，而我等入门仍囿于方寸之间。我辈，这 AI 道途多少高阶风景，便自今日起，躬身入局去亲眼见见吧。

---

一、系统环境准备

1.1 系统初始化

# 装基础工具yum install -y yum-utils wget curl git vim net-tools epel-release# 关闭防火墙（生产环境建议配置规则而非关闭）systemctl stop firewalldsystemctl disable firewalld# 关闭 SELinux（临时+永久）setenforce 0sed -i 's/^SELINUX=enforcing/SELINUX=disabled/' /etc/selinux/config# 重启生效（可选但推荐）init 6

---

二、安装 Docker 与 Docker Compose

2.1 安装 Docker

# 卸载旧版本（如有）yum remove docker docker-client docker-client-latest docker-common docker-latest docker-latest-logrotate docker-logrotate docker-engine# 添加国内yum源yum clean allyum --enablerepo=docker-ce-stable clean metadatayum install -y yum-utils device-mapper-persistent-data lvm2yum-config-manager --add-repo   https://mirrors.tuna.tsinghua.edu.cn/docker-ce/linux/centos/docker-ce.reposed -i 's|https://download.docker.com|https://mirrors.tuna.tsinghua.edu.cn/docker-ce|g' /etc/yum.repos.d/docker-ce.repoyum makecache fast# 安装Dockeryum install -y docker-ce# 创建Docker配置目录mkdir -p /etc/docker# 配置Docker镜像加速（地址配的多点，镜像拉取的更快）cat > /etc/docker/daemon.json << EOF{"registry-mirrors": ["https://docker.m.daocloud.io","https://docker.imgdb.de","https://docker-0.unsee.tech","https://docker.hlmirror.com","https://docker.1ms.run","https://func.ink","https://lispy.org","https://docker.xiaogenban1993.com","https://docker.1panel.live","https://docker.nju.edu.cn","https://registry.cn-hangzhou.aliyuncs.com","https://mirror.ccs.tencentyun.com","https://05f073ad3c0010ea0f4bc00b7105ec20.mirror.swr.myhuaweicloud.com","https://docker.mirrors.ustc.edu.cn","https://dockerproxy.com","https://hub-mirror.c.163.com","https://mirror.baidubce.com"  ]}EOF# 启动Docker并设置开机自启systemctl start dockersystemctl enable docker# 验证安装docker --version

2.2 安装 Docker Compose

# 根据Dify的官方文档，Dify是基于Docker Compose进行安装，因而需要安装Docker Composeyum install docker-compose-plugin# 验证docker-compose --version  #v1版本docker compose --version  #v2版本

三、部署 Dify 应用

3.1 克隆dify源代码

#直接使用官方git命令克隆：git clone https://github.com/langgenius/dify.git# 但由于国内拉取github仓库的速度过慢，这边在gitee上同步了仓库，然后进行拉取，大家也可以自行建一个gitee同步仓库进行拉取。git clone https://gitee.com/aszhangwendi/dify.git

3.2 启动dify

# 进入 Dify 源代码的 Docker 目录cd dify/docker# 复制环境配置文件cp .env.example .env#环境变量中可自定义这些dify组件参数，不想改的话用默认的也可以（但生产环境肯定得改）# =============== 访问URL ===============CONSOLE_URL=http://your-domain.com# =============== 数据库 ===============POSTGRES_PASSWORD=  # 修改为强密码POSTGRES_USER=difyPOSTGRES_DB=dify# =============== Redis ===============REDIS_PASSWORD=  # 修改为强密码# =============== 安全密钥 ===============SECRET_KEY=$(openssl rand -base64 42)       # 生成唯一密钥# =============== 服务端口（按需修改） ===============WEB_PORT=API_PORT=WORKER_PORT=# =============== 存储路径（保持默认） ===============VOLUME_DIRECTORY=#拉取dify相关镜像组件，启动difydocker-compose up -d #v1版本启动方式docker compose up -d #v2版本启动方式

3.3 验证服务运行状态

# 所有镜像拉取完成并启动后查看组件运行是否正常docker compose ps #在这个输出中，你应该可以看到包括 3 个业务服务 api / worker / web，以及 6 个基础组件 weaviate / db / redis / nginx / ssrf_proxy / sandbox

四、访问与初始化

4.1 初始化系统

1. 浏览器访问：http://<服务器IP>/install
2. 首次访问自动跳转初始化页面

1. 设置完成后登录控制台

自此就完成dify的安装部署。

接下来我们通过Dify平台对接大语言模型，创建知识库并搭建对话工作流，实现基于知识库内容的智能客服功能。

注：本人电脑配置太垃圾，就不本地化部署了，只直接各大平台的大模型，像deepseek、千问或硅基流动等。大家可以在对应的平台上注册账号，都有免费的token数。 我用的是阿里的通义千问

五、前置准备

1. 注册大模型平台账号，本文以阿里通义千问为例，需在平台生成并保存API Key。
2. 准备知识库素材，支持TXT、MARKDOWN、PDF、DOCX等多种格式，单文件不超过15MB，每批最多上传5个文件。

六、配置大语言模型

1. 登录Dify平台，点击界面右上角头像，进入设置页面。

1. 在设置页面选择模型供应商，搜索并安装通义供应商。

1. 安装完成后点击添加模型，填写以下信息：
• 输入模型名称，自定义即可。
• 选择模型类型，根据需求选择对应类型。
• 在API Key输入框中，填入之前在通义千问平台获取的API Key。
• 设置模型上下文长度，完成后保存配置。

七、创建知识库

1. 回到Dify主界面，点击顶部导航栏的知识库，进入知识库创建页面。
2. 选择数据源，可选择的方式包括导入已有文本、同步Notion内容、同步Web站点、上传文本文件，本文以上传文本文件为例，拖拽或选择准备好的知识库文件。

1. 设置索引方式与检索参数
• 索引方式：可选经济、高质量，推荐选择高质量，该模式调用嵌入模型处理文档，检索精度更高。
• 嵌入模型：选择multimodal-embedding-v1。
• 检索设置：推荐选择混合检索，同时执行全文检索和向量检索，再通过重排序模型优化结果。
• 配置权重、Rerank模型（如gte-rerank）、TopK（示例设为3）、Score阈值（示例设为0.5）。

1. 完成配置后，确认创建知识库。

八、搭建对话工作流（Chatflow）

创建空白Chatflow应用

1. 点击顶部导航栏的工作室，进入应用创建页面。

1. 点击创建空白应用，选择应用类型为Chatflow，该类型适用于支持记忆的复杂多轮对话场景。
2. 填写应用名称（如"知识库智能客服"）和可选描述，完成应用创建。

添加并配置工作流节点

默认工作流缺少关键节点，需要手动添加关键词提取、知识检索、问题回答节点，完整工作流为：开始→关键词提取→知识检索→问题回答→直接回复。

（1）关键词提取节点配置

1. 在工作流编排页面，点击添加节点，选择LLM节点，命名为关键词提取。

1. 配置节点参数
• 选择模型为qwen3-max CHAT。
• 编写SYSTEM提示词： ##任务 将用户提出的问题内容进行关键词提取，用于检索知识库内容。 ##输出 输出多个关键字或关键句，关键字或关键句用空格分隔，无需其他多余文本。
• USER输入选择@开始/(x)sys.query，获取用户输入的问题。
• 设置记忆窗口，示例设为50。

（2）知识检索节点配置

1. 点击添加节点，选择对应检索节点，命名为知识检索。

1. 配置节点参数
• 查询变量选择关键词提取节点的输出结果。
• 点击添加知识库，选择之前创建的知识库。
• 元数据过滤设为禁用，完成后保存配置。

（3）问题回答节点配置

1. 点击添加节点，选择LLM节点，命名为问题回答。

1. 配置节点参数

• 选择模型为qwen3-max CHAT。

• 启用上下文功能，上下文变量选择知识检索节点的输出结果知识检索/(x)result。

• 编写SYSTEM提示词： ##角色 你是一个专业的智能客服，擅长根据知识库的内容回答用户的问题。

  ##背景严格根据知识库中的内容回答用户的问题，如果知识库中没有相关内容，回答"不知道"，这对客户理解文档十分重要。##任务严格根据下面的知识库内容回答用户的问题##知识库

• USER输入选择@开始/(x)sys.query，完成配置。

（4）连接节点

将所有节点按开始→关键词提取→知识检索→问题回答→直接回复的顺序连接，形成完整工作流。

九、测试与发布

预览测试

1. 点击工作流页面的预览按钮，进入测试界面。

1. 在输入框中输入问题（如"什么是容器编排"），查看智能客服的回答。

1. 核对回答内容是否与知识库一致，同时可查看工作流的调用过程，确认节点运行正常。

> 执行过程中可以看到整个工作流的调用过程，看到回答和知识库中的一样。

发布应用

1. 测试无误后，点击页面的发布按钮，完成应用发布。

1. 发布后可选择嵌入网站或访问API的方式，调用该知识库智能客服。