AI平台化开发之Dify实战入门

很多人对 AI 应用开发的理解还停在「调一次接口、写一段提示词」。真到了要把大模型接进业务、给同事用、给客户用的时候，问题立刻换了一副面孔：密钥放哪、上下文怎么串、多轮对话状态谁来管、知识库检索效果不稳定怎么办、换个模型是不是整段重写。Dify 这类平台化工具解决的正是这批问题——它不教你写模型，它教你搭一套能跑、能改、能交付的 AI 应用骨架。

这门课填的是哪块缺口

如果你已经会写 Python 调用 OpenAI 兼容接口，但每次做新需求都在重复搭同样的脚手架，那你的缺口不在「模型怎么用」，而在「应用怎么组织」。Dify 把提示词编排、变量、会话记忆、知识库检索、工具调用、工作流这些环节做成了可视化配置，代价是要理解它自己的概念模型：应用类型之间的差别、节点之间数据怎么流动、变量作用域在哪一层。

另一类学习者缺口相反：能看懂界面，会拖节点，但说不清一次请求在平台内部经历了什么。这类人做得出 demo，做不出稳定服务——检索召回率一掉就不知道从哪查，多轮对话串了上下文也定位不到。课程按 Dify 的实际模块展开，正好把「会点」和「讲得清」之间那段补上。

具体会碰到的几件事

• 聊天助手、文本生成、Agent、工作流这几种应用形态各自适合什么场景，选错了后面很难救。
• 提示词里的变量从哪来——用户输入、会话变量、上游节点输出，分别怎么引用、怎么给默认值。
• 知识库的分段、清洗、索引方式和召回参数如何影响答案质量，出问题时先看哪一环。
• 工作流里条件分支、循环、代码节点怎么配合，把一次问答拆成可控的几步。
• 接入外部工具与自有接口的方式，以及调用失败、超时这类情况在流程里怎么兜。
• 应用做完之后怎么发布、怎么对外提供 API、怎么观察每次运行的输入输出。

练习该怎么做

光看操作演示记不住。建议每学完一块就自己造一个最小场景，别用课程里的示例数据：

• 用一份自己熟悉的文档（产品手册、内部规范、错题集都行）建知识库，故意问几个文档里没有的问题，看它会不会硬答。
• 把同一个问答需求分别用聊天助手和工作流各做一遍，对比多轮记忆和流程控制的差别，这个对比比任何讲解都直观。
• 在工作流里加一个条件分支，让不同类型的问题走不同处理路径，再想想如果分支判断本身出错该怎么排查。
• 改一次分段长度或召回条数，观察答案变化，把每次调整前后的结果记下来。

练习的重点不是把功能都点一遍，而是每做一步都能回答「为什么这么设」。如果某个参数你只是照抄，那这块其实还没学会。

看完应该能回答的问题

• 给定一个需求，你能判断该做成聊天助手、Agent 还是工作流吗？依据是什么？
• 一次提问从进入平台到返回答案，中间经过了哪些环节，哪几个环节最可能出问题？
• 知识库答非所问时，你会按什么顺序排查——分段、检索、提示词还是模型？
• 要换一个模型供应商，现有应用里哪些部分需要动，哪些不用动？
• 怎么把做好的应用给不熟悉平台的人用，出了错怎么定位到是哪一步？

如果这些问题你现在答不全，就按顺序过一遍课程，边看边动手。答得上来的部分可以快进，把时间留给工作流编排和知识库调优这两块——它们最费时间，也最影响最终能不能用。