你有没有想过：每天处理的客服邮件、合同审查、数据录入，能不能让 AI 自动完成？Dify 是 2026 年最流行的开源 AI 应用搭建平台——不需要写代码，拖拽连线就能搭出完整的 AI 工作流。本教程从部署到实战，带你搭一个「客户邮件自动分类+回复草稿生成」的 Agent 工作流。

Dify 工作流编辑器：可视化拖拽搭建 AI Agent
Dify 工作流编辑器：可视化拖拽搭建 AI Agent

Dify 是什么？

  • 开源 AI 应用搭建平台（GitHub 60k+ Star），支持本地部署或云端使用
  • 可视化工作流编辑器：拖拽节点、连线配置，零代码搭建复杂 AI 流程
  • 支持多模型：GPT、Claude、DeepSeek、Qwen、本地 Ollama 模型均可接入
  • 内置 RAG 引擎：上传文档自动向量化，构建知识库
  • Agent 模式：AI 自主决策调用工具（搜索、API、代码执行）
  • 开源免费，云版 $59/月起

第一步：部署 Dify

两种方式，按需选择：

方式 A：云端版（推荐新手）

打开 cloud.dify.ai 注册账号，免费版每月 200 次 GPT 调用，够学习和测试。优点是零配置、即开即用。

方式 B：本地部署（推荐企业用）

  1. 确保已安装 Docker 和 Docker Compose
  2. 克隆仓库：git clone https://github.com/langgenius/dify.git
  3. 进入目录：cd dify/docker
  4. 复制环境变量：cp .env.example .env
  5. 启动：docker compose up -d
  6. 等待 2-3 分钟，浏览器打开 http://localhost:80 即可访问

本地部署的好处：数据完全在内网，可以接入本地 Ollama 模型，无需外部 API。

第二步：配置模型

进入 Dify 后台 →「设置」→「模型供应商」，选择你要用的模型：

  • OpenAI：填入 API Key，可选 GPT-5.6 / GPT-4o 等
  • Anthropic：填入 API Key，可选 Claude Opus 4 / Sonnet 4
  • DeepSeek：填入 API Key，选 DeepSeek-V4（性价比最高）
  • Ollama（本地部署）：填入 Ollama 地址 http://host.docker.internal:11434，选已拉取的模型

建议：日常任务用 DeepSeek-V4（便宜好用），复杂推理用 Claude Sonnet 4。

第三步：创建知识库（RAG）

我们的场景需要让 AI 了解公司的产品手册和 FAQ。

  1. 进入「知识库」页面，点击「创建知识库」
  2. 上传文档：支持 PDF、Word、TXT、Markdown、CSV
  3. 分段设置：选择「自动分段」，每段 500 字，重叠 50 字
  4. 嵌入模型：选 bge-large-zh-v1.5（中文效果好）或 text-embedding-3-small（OpenAI）
  5. 点击「保存并处理」，等待向量化完成（1MB 文档约 30 秒）

处理完成后可以测试检索：输入一个问题，看 Dify 返回的相关文档片段是否准确。

第四步：搭建工作流

这是核心步骤。进入「工作室」→「创建应用」→ 选择「工作流」类型。

我们的邮件处理工作流设计如下：

  • 节点 1（开始）：接收用户输入的邮件内容
  • 节点 2（LLM）：分析邮件意图，分类为「咨询/投诉/技术故障/商务合作」
  • 节点 3（条件分支）：根据分类走不同处理路径
  • 节点 4（知识库检索）：从产品 FAQ 中检索相关答案
  • 节点 5（LLM）：基于检索结果生成回复草稿
  • 节点 6（输出）：返回分类结果 + 回复草稿 + 紧急程度

具体操作：

  1. 拖入「开始」节点，添加输入变量 email_content（文本类型）
  2. 拖入「LLM」节点，连接开始节点。模型选 DeepSeek-V4，提示词写：「分析以下邮件内容，输出 JSON 格式：{"category": "咨询|投诉|技术故障|商务合作", "urgency": "高|中|低", "summary": "一句话摘要"}」
  3. 拖入「条件分支」节点，根据上一步的 category 值分流
  4. 在「咨询」分支拖入「知识检索」节点，选刚才创建的知识库，查询变量绑定 email_content
  5. 拖入第二个「LLM」节点，提示词：「基于以下知识库检索结果，写一封专业的回复邮件。语气礼貌但不过度道歉，给出具体解决方案。检索结果：{retrieval_result}」
  6. 拖入「结束」节点，输出变量绑定 category、urgency、reply_draft
邮件分类+回复工作流完整节点图
邮件分类+回复工作流完整节点图

第五步：测试和调试

点击右上角「运行」按钮，输入测试邮件：

我上周买的智能手表Pro版，心率监测功能一直显示0，重启了好几次都没用。订单号 #20260805-1234，麻烦尽快处理！

预期输出：

  • category: 技术故障
  • urgency: 高
  • reply_draft: 一封包含排查步骤和售后联系方式的回复邮件

如果分类不准，检查 LLM 节点的提示词是否足够清晰。如果回复内容不对，检查知识库检索是否返回了正确的文档片段。

第六步：发布为 API

调试完成后，点击「发布」→「API 访问」，Dify 会生成一个 REST API 端点：

POST https://api.dify.ai/v1/workflows/run

Headers:
  Authorization: Bearer app-xxxxxxxx
  Content-Type: application/json

Body:
{
  "inputs": {
    "email_content": "邮件内容..."
  },
  "response_mode": "blocking",
  "user": "user-123"
}

你可以在现有系统中直接调用这个 API——比如在邮件系统的 webhook 中触发，实现真正的自动化。

更多应用场景

同样的工作流模式可以应用到很多业务场景：

  • 合同审查：上传合同 → LLM 提取关键条款 → 与模板对比 → 标记风险点
  • 简历筛选：批量上传简历 → LLM 提取关键信息 → 按条件打分排序 → 输出候选人列表
  • 客服路由：用户消息 → 意图分类 → 知识库检索 → 自动回复 or 转人工
  • 数据报告：上传 Excel → LLM 分析趋势 → 自动生成文字报告 + 图表建议
  • 多语言翻译：输入文档 → 检测语言 → 翻译为目标语言 → 术语表校对

成本和注意事项

  • 云端免费版每月 200 次调用，超出后按量计费（约 $0.01-0.05/次，取决于模型）
  • 本地部署免费，但需要自己管理服务器和模型 API 费用
  • 工作流复杂度影响响应时间：3-5 个节点的工作流约 5-15 秒返回结果
  • 知识库不是实时更新的：文档更新后需要手动点击「重新索引」
  • 敏感数据建议本地部署 + 本地模型，避免数据出企业内网

Dify 的可视化工作流让非技术人员也能搭建 AI 应用，是目前「AI 落地业务」门槛最低的工具之一。建议从一个简单的场景开始，跑通流程后再逐步增加复杂度。