Dify本地部署指南：基于Docker快速搭建

Dify本地部署指南：基于Docker快速搭建

在大模型技术席卷全球的今天，越来越多开发者和企业开始探索如何将 LLM（大语言模型）真正落地为可用的应用。然而，从零搭建一个支持 Prompt 工程、知识库检索、Agent 能力的系统，往往意味着复杂的后端架构、繁琐的服务编排与持续的维护成本。

有没有一种方式，能让我们跳过底层开发，直接进入“构建 AI 应用”的阶段？

答案是肯定的 ——Dify就为此而生。

它不是一个简单的前端界面，也不是仅限于调用 API 的玩具平台，而是一个集成了可视化编排、RAG 检索增强、AI Agent 设计、全链路调试与发布能力于一体的开源 AI 应用开发引擎。更关键的是，它支持一键 Docker 部署，让你几分钟内就能在本地跑起一套完整的 AI 开发环境。

这正是我们接下来要做的事：不依赖云服务、不写一行部署脚本，仅通过docker-compose，把 Dify 完整地搬进你的机器。

要运行 Dify，核心依赖是Docker和Docker Compose。这两个工具几乎是现代微服务部署的事实标准，尤其适合像 Dify 这样由多个组件构成的系统 —— 前端、API 服务、数据库、缓存、向量库……全都封装在容器里，互不干扰又协同工作。

如果你还没装 Docker，别担心，过程并不复杂。

以常见的 Ubuntu 系统为例：

sudo apt update sudo apt install -y ca-certificates curl gnupg lsb-release # 添加官方 GPG 密钥 sudo mkdir -p /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg # 添加仓库源 echo \ "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \ $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null # 安装 Docker 引擎 sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io

安装完成后，验证一下版本：

sudo docker --version

看到类似Docker version 24.0.7的输出，说明基础环境已经就位。

接着是Docker Compose，它是管理多容器应用的关键。虽然有些发行版会随 Docker 自带compose插件，但为了确保兼容性，建议手动安装独立二进制文件：

sudo curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" \ -o /usr/local/bin/docker-compose sudo chmod +x /usr/local/bin/docker-compose

检查是否生效：

docker-compose --version

到这里，你已经完成了所有前置准备。不需要配置网络策略、不用提前拉镜像、也不用预先启动数据库 —— 接下来的每一步都将由 Docker 自动完成。

现在正式进入 Dify 的部署流程。

尽管 Dify 提供了预构建镜像，官方仍推荐使用源码中的docker目录进行部署。原因很简单：便于后续自定义扩展，比如修改环境变量、挂载持久化路径、集成私有模型等。

先克隆项目：

git clone https://github.com/langgenius/dify.git cd dify

进入目录后查看docker/子目录：

ls -l docker/

你会看到几个关键文件：

• docker-compose.yml：整个系统的编排蓝图
• middleware.env.example：环境配置模板
• volumes/：用于数据持久化的本地目录结构示例

下一步是初始化配置文件：

cp docker/middleware.env.example .env

这个.env文件控制着数据库连接、Redis 地址、外部模型接入等核心参数。默认配置已适配本地开发场景，大多数情况下无需修改即可运行。

但如果你想接入自己的大模型服务，就需要在这里填入对应凭证。例如启用 OpenAI：

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

或者连接阿里云通义千问：

QWEN_API_KEY=your-access-key MODEL_PROVIDER=qwen

甚至可以指向本地运行的 Ollama 实例：

OLLAMA_API_BASE_URL=http://host.docker.internal:11434

⚠️ 注意：容器内部访问宿主机服务时，不能使用localhost，需替换为host.docker.internal（Linux 上可能需要额外配置 DNS）。

保存并退出编辑器，配置就算完成了。

一切就绪，执行启动命令：

docker-compose -f docker/docker-compose.yml up -d

这条命令会读取指定路径下的编排文件，在后台启动所有服务。首次运行时，Docker 会自动拉取以下镜像：

• difyai/web: 前端界面（React）
• difyai/api-server: 核心后端服务（Python + FastAPI）
• postgres:15: 用户数据、应用配置存储
• redis:7: 缓存与异步任务队列
• milvus:2.3（可选）: 向量数据库，支撑 RAG 功能

整个过程大约持续 1~2 分钟，取决于网络速度和硬件性能。

等待期间你可以喝杯咖啡，顺便思考一下待会儿要创建什么样的 AI 应用。

时间一到，执行：

docker ps

你应该能看到类似这样的输出：

CONTAINER ID IMAGE COMMAND STATUS PORTS NAMES abc123def456 difyai/web:latest "/docker-entrypoint.…" Up 2 minutes 0.0.0.0:3000->80/tcp dify-web def456ghi789 difyai/api-server:latest "gunicorn app:app -b…" Up 2 minutes 0.0.0.0:5001->5001/tcp dify-api xyz789uvw123 postgres:15 "docker-entrypoint.s…" Up 2 minutes 5432/tcp dify-postgres ...

各服务对应的端口如下：

只要状态显示为Up，且没有频繁重启，基本就可以确认服务正常运行了。

打开浏览器，输入：

http://localhost:3000

如果是远程服务器部署，请将localhost替换为公网 IP 或域名：

http://<your-ip>:3000

首次访问会触发初始化流程：

1. 创建管理员账户
   - 输入邮箱（如 admin@dify.ai）
   - 设置密码
   - 点击“创建账户”

2. 登录系统
   - 返回登录页
   - 使用刚注册的账号登录

3. 进入主界面
   - 成功跳转至工作台
   - 可见“创建新应用”按钮

此时，Dify 已完全就绪，你可以开始构建属于自己的 AI 应用了。

不妨动手创建第一个应用来验证部署效果。

点击「新建应用」→ 选择「文本生成」类型 → 输入名称（如“我的首个AI助手”）→ 创建

进入编辑器后，左侧是对话预览区，右侧是 Prompt 编排面板。这是 Dify 最强大的地方之一：你不再需要去代码里硬编码提示词，而是可以直接拖拽、调整、实时测试。

试着把默认提示词改成：

你是一个乐于助人的AI助手，擅长用中文回答用户问题。

然后点击右上角「保存并发布」。

回到左侧面板，输入一句：

你好，你是谁？

如果收到类似回复：

我是你的AI助手，我可以帮助你解答各种问题。

那就说明一切正常！🎉

这不是简单的 API 转发，而是经过 Dify 完整处理链路的结果：前端请求 → API Server 解析 → 构造 Prompt → 调用模型 → 返回流式响应 → 渲染到页面。每一个环节都在你的掌控之中。

当然，这只是冰山一角。

当你想把它用于生产环境时，还有几项值得考虑的优化点。

首先是反向代理与 HTTPS。直接暴露3000端口显然不适合线上使用。推荐用 Nginx 做一层转发，并配合 Let’s Encrypt 免费证书实现 HTTPS 加密。

示例配置：

server { listen 80; server_name dify.yourdomain.com; location / { proxy_pass http://127.0.0.1:3000; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; } }

再配合 Certbot 自动生成 SSL 证书，轻松实现安全访问。

其次是外接大模型服务。Dify 支持主流平台开箱即用：

这意味着你可以根据需求灵活切换：测试阶段用 GPT 快速验证逻辑；上线后换成私有部署的 Qwen 或 Llama3，兼顾性能与数据安全。

最后是数据持久化与备份。

Dify 默认将重要数据挂载到本地目录：

• 数据库：./docker/volumes/postgres
• 文件存储（MinIO）：./docker/volumes/minio
• Redis 快照：./docker/volumes/redis

这些目录一旦丢失，所有应用配置、知识库上传记录都会清零。因此建议定期打包备份，或结合 rsync、rclone 等工具做自动化同步。

部署过程中难免遇到问题，以下是常见故障及应对方法：

排查时最有效的命令是查看日志：

docker logs dify-api # 查看后端服务日志 docker logs dify-web # 查看前端容器输出

通常错误信息会明确指出问题所在，比如密钥无效、连接超时、权限不足等。

回过头来看，Dify 的价值不仅在于“能用”，更在于“好用”。

它把原本分散在多个系统的功能——Prompt 调试、知识库管理、Agent 规划、版本发布——整合进一个统一平台，极大降低了 AI 应用的构建门槛。无论是个人开发者想快速验证想法，还是团队要做企业级智能客服，都能从中受益。

更重要的是，它是开源的、可自托管的。你不必担心数据被上传到第三方服务器，也不用受制于厂商的定价策略。所有的控制权，都在你自己手里。

这次部署只是一个起点。接下来你可以尝试：

• 上传 PDF、Word 文档，构建基于私有知识库的问答机器人；
• 设计具备记忆和规划能力的 AI Agent，让它自动完成多步任务；
• 集成微信、钉钉、飞书等渠道，让 AI 助手真正走进业务流程。

而这一切，都不再需要从零造轮子。

🔗 更多使用文档详见：https://docs.dify.ai

现在，轮到你了 —— 准备好开启你的 AI 应用开发之旅了吗？