让AI转化为生产力，Dify 私有化部署 + 接入Ollama部署本地模型。

工欲善其事，必先利其器。AI 是未来十年生产力的核心工具，要让 AI 真正转化为生产力，而不仅仅是围观一时的热潮。如果你对 AI 也很感兴趣，欢迎关注，共同探索 AI 的无限可能，与渔夫一起成长！

今天聊聊AI智能体，同时也简单的将 Dify 本地私有化部署，接入 Ollama 部署的本地模型。

AI智能体是什么？

AI智能体是一种具备AI能力、感知、推理、决策和行动能力的计算系统，它能够自主与环境交互，完成特定任务。

能够通过感知环境获取信息，分析并做出决策，然后执行相应的行动，有时还能通过学习不断优化自己的行为，尽可能达到预期结果。

Dify 是什么？

Dify 它是一个开源 LLM 应用开发平台。拥有直观的界面结合了 AI 工作流、RAG 管道、代理功能、模型管理、可观察性功能等，让您可以快速从原型开发到生产。

Dify 工作流

开始学习之前，我们一定要很清楚知道什么是工作流？

上面这张图，就是一个工作流，里面的每一个框框就是一个小的节点，节点与节点之间的连接就是数据的流向。

（1）Dify官方释义 工作流是通过将复杂的任务分解成较小的步骤（节点）降低系统复杂度，减少了对提示词技术和模型推理能力的依赖，提高了 LLM 应用面向复杂任务的性能，提升了系统的可解释性、稳定性和容错性。

工作流优缺点：

• 优点：把目标场景的任务分解成多个节点，每个节点完成一个任务，然后通过数据流连接起来，其确保逻辑清晰易懂，提升了结果的准确性。
• 缺点：对于复杂场景时，配置工作流也是非常耗费大量时间，设计过程相对比较复杂，需要开发者对业务流程和各类工作流节点的熟悉，否则很难设计出好的工作流。

（2）通俗释义 举例：假设我们要为家人准备一顿晚餐，整个过程可以看作一个复杂的任务。为了完成这个任务，我们可以将其分解成多个步骤（节点），并通过每个步骤之间的连接（数据流）来完成整个晚餐的准备工作。

节点和数据流：

确定菜单 → 检查食材 → 去超市购物 → 准备食材 → 烹饪 → 摆盘和上桌 → 清理厨房 → 干净整洁的厨房。

可以看出，工作流就是为了完成某个目标，所拆解的一系列步骤，最后把这些步骤组合起来形成的一种流式结构。

优缺点：

• 优点：通过将复杂的晚餐准备过程分解为多个步骤，整个流程变得更加清晰易懂，每个步骤都有明确的任务，确保了晚餐的成功准备。
• 缺点：如果准备的晚餐非常复杂，比如有很多道菜和不同的烹饪方法，那么配置这个工作流可能会非常耗时。设计好每个步骤需要对烹饪流程和食材准备非常熟悉，否则很难完成所有工作。

工作流应用场景

（1）释放生产力

（2）商业服务

Dify 部署方式

Dify官网提供2种部署方式：Docker compose 和 本地源码启动。

（1）Docker compose 方式

你需要安装 docker ，如果还没不知道如何安装可以参考官网安装文档。

系统要求，看看自己的配置情况：

1.1 克隆 dify 代码仓库，小白确保你本地电脑已经安装了 git 命令。

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

1
2

1.2 启动 dify

cd dify/docker
cp .env.example .env
docker compose up -d

1
2
3
4

等待镜像下载

1.3 部署结果：

常见问题：无法拉取镜像，解决方案：

• 1）挂个全局代理试试
• 2）更换镜像

如果问题无法解决的，可以进裙交流。

1.4 最后检查是否所有容器都正常运行：

docker compose ps

1
2

1.5 更新 Dify

进入 dify 源代码的 docker 目录，按顺序执行以下命令：

cd dify/docker
docker compose down
git pull origin main
docker compose pull
docker compose up -d

1
2
3
4
5
6

在浏览器中输入 http://localhost 访问 Dify，点击设置管理员，邮箱密码就可以。

然后登录即可了

（2）源码启动

可参考官网启动手册：https://docs.dify.ai/v/zh-hans/getting-started/install-self-hosted/local-source-code。

在 Dify 中接入 Ollama

1. 下载 Ollama
2. 访问 https://ollama.ai/download，下载对应系统 Ollama 客户端。
3. 运行 Ollama 并与 Llava 聊天

ollama run llava # 或 ollama run llama3.1

1
2

启动成功后，ollama 在本地 11434 端口启动了一个 API 服务，可通过 http://localhost:11434 访问。

其他模型可访问 Ollama Models 了解详情。

4. 在 设置 > 模型供应商 > Ollama 中填入：

配置完成后，添加保存，这时它进行调用请求测试。

配置Bash URL地址：http://host.docker.internal:11434

5. 创建聊天机器人

这次先简单创建一个聊天机器人，作为这篇文章小案例，后续我会分享更多工作流。

第一步：创建聊天机器人

第二步：指定模型

第三步：发布运行该聊天机器人

今天就简单熟悉到这里，Dify提供私有化部署，对于数据保密非常高的行业是非常友好，而且功能非常丰富。如果你所在行业公司有需要，建议在生产上使用k8s来部署Dify，它也依赖很多中间件，也可以外接存储等。

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

本文转自 https://blog.csdn.net/python12345_/article/details/141382850?spm=1001.2014.3001.5501，如有侵权，请联系删除。