尧图网页设计 
很多人想用大模型做点实际的东西比如给自己的游戏做个问答助手但卡在第一步不会写 Prompt不懂向量数据库甚至不知道 Agent 是什么。如果只是想聊天直接打开网页就行但如果想让 AI 回答“三角洲行动里新手用什么枪顺手”这种问题并且还不能胡编你就得把资料喂给 AI还要让 AI 按你设定的流程输出。这件事过去需要前端、后端、数据库、模型部署一整套工程能力现在用 Dify 可以很快跑通。这里可以先说一个明确判断Dify 的价值不是把大模型套了个壳而是把大模型应用开发中最容易翻车的几个环节——模型接入、知识库检索、Agent 流程——封装成了可视化组件。但 Dify 降低了编码门槛却没有降低思考门槛。你不写代码但你必须搞清楚 RAG 和 Agent 分别解决什么问题否则应用搭出来也只是个玩具。这篇文章会用零基础视角从部署 Dify 开始一步一步做一个“三角洲行动专属游戏助手”。它会基于你上传的游戏攻略资料回答问题还能调用外部工具帮你查询信息。读完你会理解 Dify、RAG、Agent 三者之间的关系能独立搭出第一个 AI 应用也知道遇到问题该从哪里排查。1. 这篇文章真正要解决的问题1.1 零基础做 AI 应用难的不是写代码很多初学者最大的误区是以为“会写代码才能做 AI 应用”。实际上传统 AI 应用开发最难的地方在于要同时搞定模型 API、上下文管理、向量检索、提示词设计、接口部署还要处理用户输入的各种边界情况。每一步单独看都不复杂但串起来就很繁琐。比如你要做一个游戏问答机器人至少要处理这些问题大模型不知道你的私有攻略资料回答只能靠“猜”每次对话都要把历史记录和系统提示词拼在一起容易超出上下文长度用户问法五花八门同一个问题换一种说法AI 就答偏了你希望 AI 调用某个战绩查询接口但普通聊天应用没有工具调用能力。Dify 把这些环节都做成了可视化模块。你不需要写“大模型调用”的代码只需要在界面上选择模型、创建知识库、拖拽工作流节点最后生成一个可以分享的应用链接。1.2 Dify RAG Agent 解决的是一整条链路的问题Dify 解决的是“开发平台”的问题RAG 解决的是“模型如何获得私有知识”的问题Agent 解决的是“AI 如何自主完成多步骤任务”的问题。这三个词经常一起出现但很多人误以为它们是同一个东西。实际上它们在项目里负责不同环节Dify 是容器装下模型、知识库、工作流和对外接口RAG 是外挂记忆让 AI 在回答问题前先检索你的资料库Agent 是大脑皮层让 AI 能拆解任务、决定先做什么后做什么并在需要时调用工具。做一个合格的游戏助手这三者缺一不可。1.3 谁适合读这篇文章如果你正在做下面这些事这篇文章很适合你完全不懂编程但想用 AI 搭建自己的知识问答机器人想让 AI 基于自己的文档、攻略、产品手册回答客户问题想理解 RAG 和 Agent 到底有什么区别而不是只听过名词想从零部署 Dify 社区版并熟悉它的完整操作流程。如果你已经熟练使用 Dify可以直接跳到第五章看知识库切块策略和 Agent 工具设计这两段是容易踩坑的地方。2. Dify、RAG、Agent 的核心概念与关系2.1 Dify 到底是什么Dify 是一个开源的大模型应用开发平台官方定位是“模型中立”的 LLMOps 工具。它可以连接多种模型供应商提供知识库管理、Prompt 编排、工作流、Agent、模型微调接入和 API 发布等功能。通俗理解Dify 像一套乐高积木。模型是积木包里的一种零件知识库是另一种零件Agent 工具又是另一种零件。你不需要自己做积木只需要按图纸把它们拼起来。社区版支持本地部署数据保存在你自己的服务器上。这一点对很多团队很重要因为游戏攻略、内部资料等数据不一定要全部交给第三方平台。2.2 RAG 是什么让 AI 拥有“外挂记忆”RAG 的全称是 Retrieval-Augmented Generation检索增强生成。流程可以概括为当用户提问时先从知识库中检索与问题最相关的内容片段再把这些片段和原问题一起交给大模型让它基于检索结果生成回答。没有 RAG 时你问模型“三角洲行动新版本哪把枪收益高”模型只能靠训练数据里的记忆回答。如果游戏版本更新了它一定答错。有了 RAG你上传最新攻略AI 就会先检索“新版本、枪械”相关段落再基于这些内容回答准确率会高很多。2.3 Agent 是什么让 AI 学会“做事情”Agent 是智能体理解它最简单的方式是AI 不仅能聊天还能“行动”。普通对话是用户问一句、AI 答一句Agent 则可以根据目标自己规划步骤比如判断这个问题是否需要查知识库决定是否需要调用工具调用工具后把结果整理成回答。在 Dify 里Agent 可以绑定工具。工具可以是计算器、搜索引擎、天气查询也可以是自定义 API。比如你的游戏助手可以让玩家输入玩家 IDAgent 自动调用战绩查询接口再结合知识库里的攻略输出结论。2.4 三者的协作关系用一句话概括Dify 是搭建应用的平台RAG 给平台里的 AI 提供资料Agent 给平台里的 AI 赋予行动能力。它们可以独立用也可以组合用。一个典型的组合方式是用 Dify 搭建聊天助手启动 Agent 功能同时挂载游戏攻略知识库并配置一个战绩查询工具。玩家提问后AI 先做意图判断遇到攻略问题就检索知识库遇到查战绩需求就调用工具最后统一生成回答。概念解决什么问题没有它时的情况在 Dify 中的入口DifyAI 应用开发与部署平台需要手写后端服务、前端页面、API 接口项目总览、应用创建、工作流RAG让模型利用私有知识回答模型只能凭训练数据猜测知识库 / 数据集模块Agent让模型具备规划与工具调用能力模型只能一问一答无法完成任务Agent 设置、工具列表3. 环境准备与本地部署 Dify3.1 安装 Docker 与 Docker ComposeDify 社区版推荐用 Docker Compose 方式部署。Docker 能屏蔽环境差异避免你在依赖库上浪费太多时间。版本请以实际项目要求为准本文重点演示通用思路。以 Ubuntu 服务器为例先安装 Dockersudo apt-get update sudo apt-get install -y docker.io docker-compose-v2 sudo systemctl enable --now dockerWindows 用户可以直接安装 Docker Desktop然后在 PowerShell 或 CMD 中运行 docker 命令。macOS 用户也推荐 Docker Desktop。安装完成后验证docker --version docker compose version如果命令能正确输出版本号说明 Docker 环境已经就绪。3.2 下载 Dify 源码并启动Dify 官方仓库中带有一套 docker 编排文件。克隆仓库进入 docker 目录复制环境变量模板然后启动git clone https://github.com/langgenius/dify.git cd dify/docker cp .env.example .env docker compose up -d首次启动需要拉取多个镜像耗时取决于你的网络情况。等待一段时间后执行docker compose ps看到各服务状态为 running说明容器启动成功。3.3 初始化与访问浏览器访问 http://localhost/ 或 http://服务器IP/第一次打开会进入管理员账号设置页面。这里要注意Dify 的管理员账号只在首次初始化时设置创建之后要保存好账号密码。Dify 默认端口是 80如果 80 端口被占用需要修改 .env 中的端口映射例如把 “80:80” 改成 “8080:80”然后重新启动。初始化完成后你会进入 Dify 控制台。到这里Dify 本地部署就完成了。4. 配置模型与创建第一个对话应用4.1 配置模型供应商Dify 本身不提供大模型算力需要接入模型供应商的 API。在控制台右上角头像菜单中点击“设置”进入“模型供应商”页面可以看到 OpenAI、Anthropic、通义千问、智谱、Ollama 等多种选项。选择你实际可用的供应商填入 API Key。如果使用本地 Ollama需要额外配置服务地址和模型名称。需要说明的是不同供应商的 API 地址、模型名、计费方式都不一样配置前先确认你手上有可用的 Key以及该模型是否支持对话补全能力。配置完成后可以在“模型供应商”页面点击“测试”按钮验证连通性。如果测试失败优先检查 API Key 是否复制完整、余额是否充足、网络是否能访问该供应商服务。4.2 创建聊天助手应用在 Dify 首页点击“创建空白应用”选择“聊天助手”类型给应用取一个名字比如“三角洲专属游戏助手”。新建的应用默认是一个最简单的聊天助手。你可以在“编排”页面看到提示词编辑框、上下文设置区和模型选择区。这些已经比直接从零写代码简单得多但离“可用”还有几步。4.3 第一个对话测试在右侧调试预览区输入问题比如“你好介绍一下你自己”。模型会返回基础回答。此时应用还没接入知识库也没有 Agent 能力所以它只是一个普通聊天机器人。接下来就是本文的核心把 RAG 和 Agent 加进来。5. RAG 知识库搭建让 AI 懂三角洲行动5.1 为什么要给 AI 外挂知识库大模型的知识来源于训练数据训练截止日期之后的信息它完全不知道。游戏版本更新、枪械数值调整、地图点位变化这些信息时效性很强模型大概率没有学过。知识库的作用就是把这些高频变化的内容变成模型可以检索的外部资料。你上传文档到 Dify系统会先对文档进行分段再把每个分段做向量化处理。用户提问时Dify 把问题向量化在知识库中找到最相关的若干分段拼接到 Prompt 中交给模型。这个过程不需要重新训练模型成本低、更新快适合游戏攻略、产品说明书、企业制度这类文档型知识。5.2 准备攻略文档并创建数据集准备一份“三角洲行动攻略”文档可以包含枪械排行、地图点位、物资分布、任务流程等内容。格式支持 Markdown、TXT、PDF、DOCX 等。在 Dify 左侧菜单点击“知识库”进入“创建知识库”页面第一步选择数据集类型为“导入已有知识” 第二步上传你的攻略文档 第三步进入分段设置页面。5.3 分段与索引策略切块策略分段是影响 RAG 效果最关键的一步也是新手最容易忽略的步骤。“切块策略”决定了文档被切成多大的段落、相邻段落之间是否保留重叠。如果分段太长检索结果会混入大量无关内容模型容易被带偏如果分段太短语义不完整检索召回率反而下降。常见做法是分段标识符: \n\n 最大分段长度: 500 分段重叠: 50这是 Dify 界面里的可视化配置不用写代码。上面的设置表示以空行作为段落边界每段最多 500 个字符保留 50 个字符的重叠。为什么需要重叠因为一段文档的语义往往跨越边界保留少量重叠可以避免检索时把关键句子拦腰截断。索引方式一般使用“高质量”模式也就是向量检索。向量检索能理解语义比如“新手推荐枪”和“适合萌新的武器”会检索到相似内容。如果为了节省资源也可以选择“经济”模式但效果会下降。5.4 上传文档并检索测试创建数据集后上传刚才的攻略文档。等待系统完成分段和索引然后点击“召回测试”按钮输入一个问题三角洲行动新手适合用什么枪系统会展示命中了哪些分段。如果返回的结果和问题相关说明知识库可用如果返回为空或毫不相关需要检查分段长度、索引方式以及文档是否被正确解析。这里要提醒一个常见问题扫描版 PDF 或图片型 PDFDify 无法直接识别文字内容必须先用 OCR 工具转换成可复制文本否则知识库会变成“空盒”。5.5 把知识库接入聊天助手回到“三角洲专属游戏助手”应用编排页面在“上下文”设置中选择刚创建的知识库。然后修改系统提示词明确要求模型只基于知识库内容回答不要使用记忆中的信息。提示词示例你是一个三角洲行动专属游戏助手。 请优先基于“三角洲攻略”知识库中的内容回答问题。 如果知识库中没有相关信息请如实回答“根据目前资料暂时无法确认”不要编造。 回答需要简洁并尽量给出出处。这样配置后同一个应用就具备了 RAG 能力。玩家在对话框提问AI 会先检索知识库再生成回答。6. Agent 配置让助手会调用工具6.1 Agent 与知识库的区别很多人做完知识库后就开始困惑既然知识库已经能回答问题为什么还需要 Agent答案是知识库是“查资料”Agent 是“办事”。如果你只需要问答RAG 就够了。但如果玩家问“帮我查一下这个玩家的近期战绩”你不可能把每个玩家的战绩都写进知识库——这是实时数据需要调用 API。Agent 就是干这件事的。6.2 开启 Agent 并添加工具在 Dify 应用编排页面找到“Agent”设置开关将其打开。然后进入“工具”列表可以看到系统自带的一组工具比如计算器、天气查询、Web 搜索等。对游戏助手来说比较实用的三类工具是计算器用于计算物资成本、伤害数值等。HTTP 请求工具调用自定义战绩查询接口。搜索工具实时搜索最新活动公告。如果系统工具满足不了需求可以添加自定义工具。Dify 支持 OpenAPI Schema 方式导入你只需要提供一个符合 OpenAPI 规范的 JSON 或 YAML 描述文件。6.3 自定义工具示例战绩查询接口假设你有一个战绩查询接口可以根据玩家 ID 返回最近胜率。自定义工具的 OpenAPI Schema 可以这样写openapi: 3.1.0 info: title: 战绩查询工具 description: 根据玩家ID查询三角洲行动近期战绩 version: 1.0.0 servers: - url: https://api.example.com paths: /stats/{player_id}: get: operationId: getPlayerStats summary: 查询玩家战绩 parameters: - name: player_id in: path required: true schema: type: string description: 玩家 ID responses: 200: description: 查询成功在 Dify 工具页面选择“自定义工具”粘贴这段 Schema再配置真实的 API 地址和鉴权方式。配置完成后Agent 在执行对话时如果发现用户输入了玩家 ID就会自动调用这个工具。这里要强调的是自定义工具需要你自己保证接口的安全性。在生产环境必须做合法的身份校验、请求限流和敏感信息过滤不要直接暴露内部接口。6.4 Agent 提示词设计Agent 提示词决定了 AI 如何判断“什么时候调用工具”。推荐在系统提示词中增加工具使用规范当用户询问战绩、胜率、排位信息时请使用“战绩查询工具”获取实时数据。 当用户询问攻略、枪械、地图信息时请优先检索知识库。 如果无法从知识库和工具中获得答案请直接说明不要猜测。Agent 和多工具配合后游戏助手才真正更像一个“助手”而不是只回答问题的 FAQ 机器人。7. 用工作流把流程固化游戏助手完整示例7.1 什么时候用 Agent什么时候用工作流这里可以给出一个比较直接的判断标准Agent 适合任务路径不固定、需要模型自主决策的场景工作流适合业务路径固定、每一步输入输出都很明确的场景。比如“查战绩”这个动作路径很固定接收玩家 ID → 调接口 → 格式化结果。这件事放工作流里更稳。而“综合回答游戏问题”这种开放场景路径不固定放 Agent 里更灵活。Dify 的成熟用法是“工作流 Agent 混合”用工作流控制主干节点用 Agent 节点承担需要大模型判断的子任务。7.2 整体流程设计三角洲游戏助手的工作流可以这样设计开始节点接收用户输入。意图分类节点用大模型判断用户是想查攻略、查战绩还是闲聊。知识库检索节点如果判断为查攻略检索“三角洲攻略”知识库。Agent 节点如果判断为查战绩调用战绩查询工具。回复节点把检索结果或工具结果组装成最终回答。这个流程可以在 Dify 的“工作流”编排画布中通过拖拽完成不需要手写代码。7.3 各节点配置说明意图分类节点可以使用 LLM 节点提示词写判断用户的意图只输出一个词strategy、stats 或 chat。 strategy询问攻略、枪械、地图、物资等。 stats询问战绩、排位、胜率、玩家数据等。 chat其他情况。知识库检索节点选择“三角洲攻略”数据集设置返回条数为 3。建议设置相似度阈值比如 0.5 以下的结果默认不采用避免无关内容干扰回答。Agent 节点选择“战绩查询工具”并设置输入参数为玩家 ID。为了让 LLM 能正确提取参数可以在系统提示词中说明输入格式。最后回复节点拼接两部分内容如果处理的是攻略问题回复“根据知识库检索结果xxx你可以参考以下建议……”如果处理的是战绩问题回复“该玩家最近战绩xxx”。7.4 发布与访问配置完成后点击右上角“发布”按钮。Dify 会生成一个可访问的 Web App 地址也可以生成嵌入网页的 iframe 代码。如果你想把游戏助手接入自己的网站或社交平台可以在“访问 API”页面获取 API 密钥和调用地址。Dify 提供了标准 HTTP API支持对话消息接口。8. 运行验证与效果测试8.1 测试用例设计应用发布后不要直接用玩家视角乱问而是设计一组覆盖核心场景的测试用例。下面这组用例可以验证基本功能测试用例输入内容预期结果攻略查询新手三角洲行动适合用什么枪返回知识库中的枪械推荐内容版本更新问题新版本武器平衡调整了什么从知识库最新文档中检索到调整说明战绩查询帮我看下玩家ABC123的胜率调用战绩查询工具返回实时数据知识库外问题三角洲行动下一版本上线时间如果资料中没有明确回复“暂无法确认”闲聊你好你能做什么根据系统提示词介绍自己的功能8.2 如何判断成功与失败每个用例都看三点回答是否相关回答是否基于知识库或工具结果而不是模型胡编回答是否格式清晰没有混乱字符。“回答不相关”通常集中出现在 RAG 召回质量不高的位置。此时应该回到知识库做召回测试而不是盲目修改提示词。8.3 失败时的第一排查方向如果应用回答错误建议按下面顺序排查知识库召回测试是否命中正确段落。模型是否真的看到了检索内容这一点可以在“编排”页面的调试输出中查看完整 Prompt。如果 Aget 没有调用工具检查 Agent 是否开启以及工具是否绑定在正确节点。如果工具返回错误用 Postman 或 curl 单独测试接口连通性。9. 常见问题与排查方法问题现象可能原因排查方式解决方案本地部署后页面打不开80 端口被占用或容器未启动检查 docker compose ps确认容器状态修改 .env 端口映射重启容器拉取镜像超时网络原因导致 Docker 镜像拉取失败查看 docker compose up 日志配置镜像加速或重试拉取模型测试不通过API Key 错误 / 账户余额不足 / 模型名不对查看供应商控制台与 Dify 报错信息核验 Key、余额和模型名知识库检索结果为空文档是扫描版 PDF或分段格式异常在知识库中查看文档切分状态先转成文本再重新分段回答不使用知识库内容上下文未挂载知识库或提示词未约束检查“上下文”设置与系统提示词挂载知识库并要求模型优先基于资料回答Agent 没有调用工具Agent 未开启或工具未配置检查 Agent 开关和工具列表开启 Agent把工具绑定到节点自定义工具请求失败接口地址 / 鉴权配置错误用 curl 测试接口修正接口配置回答内容编造知识库没有相关内容但提示词未约束查看调试输出和召回命中增加“查不到就直说”的提示词约束10. 最佳实践与工程建议10.1 知识库要“小步快跑”不要一次性堆大量文档游戏攻略更新速度很快。建议按主题拆分成多个数据集比如“枪械攻略”“地图点位”“活动任务”。每个数据集保持独立更新时可以只替换对应数据不用重建整个知识库。同时把过期文档及时清理干净否则知识库里的旧版本信息会导致回答自相矛盾。10.2 分段参数要实测不要照抄切块策略不是固定的取决于你文档的类型。策略文档适合 200 到 500 字符串表格类内容建议拆得更细。上线前可以准备 10 来个高频问题在 Dify 的召回测试里反复调参直到每个问题都能命中正确段落。10.3 Agent 工具要限定最小权限和使用边界自定义工具接口必须做身份认证只暴露必要字段。如果你的战绩接口只需要玩家 ID就不要让工具返回真实姓名等敏感字段。生产环境建议加一个审批或开关机制防止 Agent 在无人值守时连续调用外部接口产生高额费用。10.4 成本控制与日志记录模型调用按 token 计费知识库召回条数和上下文拼接会直接影响费用。最佳实践是只返回最相关的 2 到 3 个分段不要无脑拉取 10 个段落。同时对线上请求做日志记录统计高频问题和异常失败定期通过日志优化提示词和知识库。10.5 重视版本升级与备份Dify 社区版更新较快升级前必须备份数据库和配置文件。官方 docker 编排目录中包含 .env 和持久化卷先停止服务备份数据目录再拉取新版本镜像启动。不要在没有任何回滚方案的情况下直接升级生产环境。11. 总结与后续学习方向这篇文章从一个“不用敲代码”的诉求出发梳理了 Dify、RAG、Agent 三者的关系并完整演示了如何从零部署 Dify搭建一个带知识库和工具调用能力的三角洲行动专属游戏助手。你不需要真写多少代码但一定要理解Dify 解决的是工程化平台问题RAG 解决的是模型知识来源问题Agent 解决的是模型行动能力问题。建议你先跑通最小闭环部署 Dify → 上传一份攻略 → 挂载知识库 → 发布应用。然后再逐步加入 Agent 工具和工作流。每加一个功能就换一批测试问题验证不要等所有节点堆在一起再调试那样出了问题很难定位。接下来可以继续学习的几个方向Dify 工作流节点的深度配置、知识库召回相关的相似度算法调优、如何在生产环境接入更多自有系统 API、以及怎样用日志分析持续优化提示词。如果你已经把游戏助手跑到 80 分再去研究 Agent 的复杂编排会发现之前积累的经验都在给你打底。只输出最终文章 零基础用Dify+RAG+Agent搭建专属游戏问答助手
很多人想用大模型做点实际的东西比如给自己的游戏做个问答助手但卡在第一步不会写 Prompt不懂向量数据库甚至不知道 Agent 是什么。如果只是想聊天直接打开网页就行但如果想让 AI 回答“三角洲行动里新手用什么枪顺手”这种问题并且还不能胡编你就得把资料喂给 AI还要让 AI 按你设定的流程输出。这件事过去需要前端、后端、数据库、模型部署一整套工程能力现在用 Dify 可以很快跑通。这里可以先说一个明确判断Dify 的价值不是把大模型套了个壳而是把大模型应用开发中最容易翻车的几个环节——模型接入、知识库检索、Agent 流程——封装成了可视化组件。但 Dify 降低了编码门槛却没有降低思考门槛。你不写代码但你必须搞清楚 RAG 和 Agent 分别解决什么问题否则应用搭出来也只是个玩具。这篇文章会用零基础视角从部署 Dify 开始一步一步做一个“三角洲行动专属游戏助手”。它会基于你上传的游戏攻略资料回答问题还能调用外部工具帮你查询信息。读完你会理解 Dify、RAG、Agent 三者之间的关系能独立搭出第一个 AI 应用也知道遇到问题该从哪里排查。1. 这篇文章真正要解决的问题1.1 零基础做 AI 应用难的不是写代码很多初学者最大的误区是以为“会写代码才能做 AI 应用”。实际上传统 AI 应用开发最难的地方在于要同时搞定模型 API、上下文管理、向量检索、提示词设计、接口部署还要处理用户输入的各种边界情况。每一步单独看都不复杂但串起来就很繁琐。比如你要做一个游戏问答机器人至少要处理这些问题大模型不知道你的私有攻略资料回答只能靠“猜”每次对话都要把历史记录和系统提示词拼在一起容易超出上下文长度用户问法五花八门同一个问题换一种说法AI 就答偏了你希望 AI 调用某个战绩查询接口但普通聊天应用没有工具调用能力。Dify 把这些环节都做成了可视化模块。你不需要写“大模型调用”的代码只需要在界面上选择模型、创建知识库、拖拽工作流节点最后生成一个可以分享的应用链接。1.2 Dify RAG Agent 解决的是一整条链路的问题Dify 解决的是“开发平台”的问题RAG 解决的是“模型如何获得私有知识”的问题Agent 解决的是“AI 如何自主完成多步骤任务”的问题。这三个词经常一起出现但很多人误以为它们是同一个东西。实际上它们在项目里负责不同环节Dify 是容器装下模型、知识库、工作流和对外接口RAG 是外挂记忆让 AI 在回答问题前先检索你的资料库Agent 是大脑皮层让 AI 能拆解任务、决定先做什么后做什么并在需要时调用工具。做一个合格的游戏助手这三者缺一不可。1.3 谁适合读这篇文章如果你正在做下面这些事这篇文章很适合你完全不懂编程但想用 AI 搭建自己的知识问答机器人想让 AI 基于自己的文档、攻略、产品手册回答客户问题想理解 RAG 和 Agent 到底有什么区别而不是只听过名词想从零部署 Dify 社区版并熟悉它的完整操作流程。如果你已经熟练使用 Dify可以直接跳到第五章看知识库切块策略和 Agent 工具设计这两段是容易踩坑的地方。2. Dify、RAG、Agent 的核心概念与关系2.1 Dify 到底是什么Dify 是一个开源的大模型应用开发平台官方定位是“模型中立”的 LLMOps 工具。它可以连接多种模型供应商提供知识库管理、Prompt 编排、工作流、Agent、模型微调接入和 API 发布等功能。通俗理解Dify 像一套乐高积木。模型是积木包里的一种零件知识库是另一种零件Agent 工具又是另一种零件。你不需要自己做积木只需要按图纸把它们拼起来。社区版支持本地部署数据保存在你自己的服务器上。这一点对很多团队很重要因为游戏攻略、内部资料等数据不一定要全部交给第三方平台。2.2 RAG 是什么让 AI 拥有“外挂记忆”RAG 的全称是 Retrieval-Augmented Generation检索增强生成。流程可以概括为当用户提问时先从知识库中检索与问题最相关的内容片段再把这些片段和原问题一起交给大模型让它基于检索结果生成回答。没有 RAG 时你问模型“三角洲行动新版本哪把枪收益高”模型只能靠训练数据里的记忆回答。如果游戏版本更新了它一定答错。有了 RAG你上传最新攻略AI 就会先检索“新版本、枪械”相关段落再基于这些内容回答准确率会高很多。2.3 Agent 是什么让 AI 学会“做事情”Agent 是智能体理解它最简单的方式是AI 不仅能聊天还能“行动”。普通对话是用户问一句、AI 答一句Agent 则可以根据目标自己规划步骤比如判断这个问题是否需要查知识库决定是否需要调用工具调用工具后把结果整理成回答。在 Dify 里Agent 可以绑定工具。工具可以是计算器、搜索引擎、天气查询也可以是自定义 API。比如你的游戏助手可以让玩家输入玩家 IDAgent 自动调用战绩查询接口再结合知识库里的攻略输出结论。2.4 三者的协作关系用一句话概括Dify 是搭建应用的平台RAG 给平台里的 AI 提供资料Agent 给平台里的 AI 赋予行动能力。它们可以独立用也可以组合用。一个典型的组合方式是用 Dify 搭建聊天助手启动 Agent 功能同时挂载游戏攻略知识库并配置一个战绩查询工具。玩家提问后AI 先做意图判断遇到攻略问题就检索知识库遇到查战绩需求就调用工具最后统一生成回答。概念解决什么问题没有它时的情况在 Dify 中的入口DifyAI 应用开发与部署平台需要手写后端服务、前端页面、API 接口项目总览、应用创建、工作流RAG让模型利用私有知识回答模型只能凭训练数据猜测知识库 / 数据集模块Agent让模型具备规划与工具调用能力模型只能一问一答无法完成任务Agent 设置、工具列表3. 环境准备与本地部署 Dify3.1 安装 Docker 与 Docker ComposeDify 社区版推荐用 Docker Compose 方式部署。Docker 能屏蔽环境差异避免你在依赖库上浪费太多时间。版本请以实际项目要求为准本文重点演示通用思路。以 Ubuntu 服务器为例先安装 Dockersudo apt-get update sudo apt-get install -y docker.io docker-compose-v2 sudo systemctl enable --now dockerWindows 用户可以直接安装 Docker Desktop然后在 PowerShell 或 CMD 中运行 docker 命令。macOS 用户也推荐 Docker Desktop。安装完成后验证docker --version docker compose version如果命令能正确输出版本号说明 Docker 环境已经就绪。3.2 下载 Dify 源码并启动Dify 官方仓库中带有一套 docker 编排文件。克隆仓库进入 docker 目录复制环境变量模板然后启动git clone https://github.com/langgenius/dify.git cd dify/docker cp .env.example .env docker compose up -d首次启动需要拉取多个镜像耗时取决于你的网络情况。等待一段时间后执行docker compose ps看到各服务状态为 running说明容器启动成功。3.3 初始化与访问浏览器访问 http://localhost/ 或 http://服务器IP/第一次打开会进入管理员账号设置页面。这里要注意Dify 的管理员账号只在首次初始化时设置创建之后要保存好账号密码。Dify 默认端口是 80如果 80 端口被占用需要修改 .env 中的端口映射例如把 “80:80” 改成 “8080:80”然后重新启动。初始化完成后你会进入 Dify 控制台。到这里Dify 本地部署就完成了。4. 配置模型与创建第一个对话应用4.1 配置模型供应商Dify 本身不提供大模型算力需要接入模型供应商的 API。在控制台右上角头像菜单中点击“设置”进入“模型供应商”页面可以看到 OpenAI、Anthropic、通义千问、智谱、Ollama 等多种选项。选择你实际可用的供应商填入 API Key。如果使用本地 Ollama需要额外配置服务地址和模型名称。需要说明的是不同供应商的 API 地址、模型名、计费方式都不一样配置前先确认你手上有可用的 Key以及该模型是否支持对话补全能力。配置完成后可以在“模型供应商”页面点击“测试”按钮验证连通性。如果测试失败优先检查 API Key 是否复制完整、余额是否充足、网络是否能访问该供应商服务。4.2 创建聊天助手应用在 Dify 首页点击“创建空白应用”选择“聊天助手”类型给应用取一个名字比如“三角洲专属游戏助手”。新建的应用默认是一个最简单的聊天助手。你可以在“编排”页面看到提示词编辑框、上下文设置区和模型选择区。这些已经比直接从零写代码简单得多但离“可用”还有几步。4.3 第一个对话测试在右侧调试预览区输入问题比如“你好介绍一下你自己”。模型会返回基础回答。此时应用还没接入知识库也没有 Agent 能力所以它只是一个普通聊天机器人。接下来就是本文的核心把 RAG 和 Agent 加进来。5. RAG 知识库搭建让 AI 懂三角洲行动5.1 为什么要给 AI 外挂知识库大模型的知识来源于训练数据训练截止日期之后的信息它完全不知道。游戏版本更新、枪械数值调整、地图点位变化这些信息时效性很强模型大概率没有学过。知识库的作用就是把这些高频变化的内容变成模型可以检索的外部资料。你上传文档到 Dify系统会先对文档进行分段再把每个分段做向量化处理。用户提问时Dify 把问题向量化在知识库中找到最相关的若干分段拼接到 Prompt 中交给模型。这个过程不需要重新训练模型成本低、更新快适合游戏攻略、产品说明书、企业制度这类文档型知识。5.2 准备攻略文档并创建数据集准备一份“三角洲行动攻略”文档可以包含枪械排行、地图点位、物资分布、任务流程等内容。格式支持 Markdown、TXT、PDF、DOCX 等。在 Dify 左侧菜单点击“知识库”进入“创建知识库”页面第一步选择数据集类型为“导入已有知识” 第二步上传你的攻略文档 第三步进入分段设置页面。5.3 分段与索引策略切块策略分段是影响 RAG 效果最关键的一步也是新手最容易忽略的步骤。“切块策略”决定了文档被切成多大的段落、相邻段落之间是否保留重叠。如果分段太长检索结果会混入大量无关内容模型容易被带偏如果分段太短语义不完整检索召回率反而下降。常见做法是分段标识符: \n\n 最大分段长度: 500 分段重叠: 50这是 Dify 界面里的可视化配置不用写代码。上面的设置表示以空行作为段落边界每段最多 500 个字符保留 50 个字符的重叠。为什么需要重叠因为一段文档的语义往往跨越边界保留少量重叠可以避免检索时把关键句子拦腰截断。索引方式一般使用“高质量”模式也就是向量检索。向量检索能理解语义比如“新手推荐枪”和“适合萌新的武器”会检索到相似内容。如果为了节省资源也可以选择“经济”模式但效果会下降。5.4 上传文档并检索测试创建数据集后上传刚才的攻略文档。等待系统完成分段和索引然后点击“召回测试”按钮输入一个问题三角洲行动新手适合用什么枪系统会展示命中了哪些分段。如果返回的结果和问题相关说明知识库可用如果返回为空或毫不相关需要检查分段长度、索引方式以及文档是否被正确解析。这里要提醒一个常见问题扫描版 PDF 或图片型 PDFDify 无法直接识别文字内容必须先用 OCR 工具转换成可复制文本否则知识库会变成“空盒”。5.5 把知识库接入聊天助手回到“三角洲专属游戏助手”应用编排页面在“上下文”设置中选择刚创建的知识库。然后修改系统提示词明确要求模型只基于知识库内容回答不要使用记忆中的信息。提示词示例你是一个三角洲行动专属游戏助手。 请优先基于“三角洲攻略”知识库中的内容回答问题。 如果知识库中没有相关信息请如实回答“根据目前资料暂时无法确认”不要编造。 回答需要简洁并尽量给出出处。这样配置后同一个应用就具备了 RAG 能力。玩家在对话框提问AI 会先检索知识库再生成回答。6. Agent 配置让助手会调用工具6.1 Agent 与知识库的区别很多人做完知识库后就开始困惑既然知识库已经能回答问题为什么还需要 Agent答案是知识库是“查资料”Agent 是“办事”。如果你只需要问答RAG 就够了。但如果玩家问“帮我查一下这个玩家的近期战绩”你不可能把每个玩家的战绩都写进知识库——这是实时数据需要调用 API。Agent 就是干这件事的。6.2 开启 Agent 并添加工具在 Dify 应用编排页面找到“Agent”设置开关将其打开。然后进入“工具”列表可以看到系统自带的一组工具比如计算器、天气查询、Web 搜索等。对游戏助手来说比较实用的三类工具是计算器用于计算物资成本、伤害数值等。HTTP 请求工具调用自定义战绩查询接口。搜索工具实时搜索最新活动公告。如果系统工具满足不了需求可以添加自定义工具。Dify 支持 OpenAPI Schema 方式导入你只需要提供一个符合 OpenAPI 规范的 JSON 或 YAML 描述文件。6.3 自定义工具示例战绩查询接口假设你有一个战绩查询接口可以根据玩家 ID 返回最近胜率。自定义工具的 OpenAPI Schema 可以这样写openapi: 3.1.0 info: title: 战绩查询工具 description: 根据玩家ID查询三角洲行动近期战绩 version: 1.0.0 servers: - url: https://api.example.com paths: /stats/{player_id}: get: operationId: getPlayerStats summary: 查询玩家战绩 parameters: - name: player_id in: path required: true schema: type: string description: 玩家 ID responses: 200: description: 查询成功在 Dify 工具页面选择“自定义工具”粘贴这段 Schema再配置真实的 API 地址和鉴权方式。配置完成后Agent 在执行对话时如果发现用户输入了玩家 ID就会自动调用这个工具。这里要强调的是自定义工具需要你自己保证接口的安全性。在生产环境必须做合法的身份校验、请求限流和敏感信息过滤不要直接暴露内部接口。6.4 Agent 提示词设计Agent 提示词决定了 AI 如何判断“什么时候调用工具”。推荐在系统提示词中增加工具使用规范当用户询问战绩、胜率、排位信息时请使用“战绩查询工具”获取实时数据。 当用户询问攻略、枪械、地图信息时请优先检索知识库。 如果无法从知识库和工具中获得答案请直接说明不要猜测。Agent 和多工具配合后游戏助手才真正更像一个“助手”而不是只回答问题的 FAQ 机器人。7. 用工作流把流程固化游戏助手完整示例7.1 什么时候用 Agent什么时候用工作流这里可以给出一个比较直接的判断标准Agent 适合任务路径不固定、需要模型自主决策的场景工作流适合业务路径固定、每一步输入输出都很明确的场景。比如“查战绩”这个动作路径很固定接收玩家 ID → 调接口 → 格式化结果。这件事放工作流里更稳。而“综合回答游戏问题”这种开放场景路径不固定放 Agent 里更灵活。Dify 的成熟用法是“工作流 Agent 混合”用工作流控制主干节点用 Agent 节点承担需要大模型判断的子任务。7.2 整体流程设计三角洲游戏助手的工作流可以这样设计开始节点接收用户输入。意图分类节点用大模型判断用户是想查攻略、查战绩还是闲聊。知识库检索节点如果判断为查攻略检索“三角洲攻略”知识库。Agent 节点如果判断为查战绩调用战绩查询工具。回复节点把检索结果或工具结果组装成最终回答。这个流程可以在 Dify 的“工作流”编排画布中通过拖拽完成不需要手写代码。7.3 各节点配置说明意图分类节点可以使用 LLM 节点提示词写判断用户的意图只输出一个词strategy、stats 或 chat。 strategy询问攻略、枪械、地图、物资等。 stats询问战绩、排位、胜率、玩家数据等。 chat其他情况。知识库检索节点选择“三角洲攻略”数据集设置返回条数为 3。建议设置相似度阈值比如 0.5 以下的结果默认不采用避免无关内容干扰回答。Agent 节点选择“战绩查询工具”并设置输入参数为玩家 ID。为了让 LLM 能正确提取参数可以在系统提示词中说明输入格式。最后回复节点拼接两部分内容如果处理的是攻略问题回复“根据知识库检索结果xxx你可以参考以下建议……”如果处理的是战绩问题回复“该玩家最近战绩xxx”。7.4 发布与访问配置完成后点击右上角“发布”按钮。Dify 会生成一个可访问的 Web App 地址也可以生成嵌入网页的 iframe 代码。如果你想把游戏助手接入自己的网站或社交平台可以在“访问 API”页面获取 API 密钥和调用地址。Dify 提供了标准 HTTP API支持对话消息接口。8. 运行验证与效果测试8.1 测试用例设计应用发布后不要直接用玩家视角乱问而是设计一组覆盖核心场景的测试用例。下面这组用例可以验证基本功能测试用例输入内容预期结果攻略查询新手三角洲行动适合用什么枪返回知识库中的枪械推荐内容版本更新问题新版本武器平衡调整了什么从知识库最新文档中检索到调整说明战绩查询帮我看下玩家ABC123的胜率调用战绩查询工具返回实时数据知识库外问题三角洲行动下一版本上线时间如果资料中没有明确回复“暂无法确认”闲聊你好你能做什么根据系统提示词介绍自己的功能8.2 如何判断成功与失败每个用例都看三点回答是否相关回答是否基于知识库或工具结果而不是模型胡编回答是否格式清晰没有混乱字符。“回答不相关”通常集中出现在 RAG 召回质量不高的位置。此时应该回到知识库做召回测试而不是盲目修改提示词。8.3 失败时的第一排查方向如果应用回答错误建议按下面顺序排查知识库召回测试是否命中正确段落。模型是否真的看到了检索内容这一点可以在“编排”页面的调试输出中查看完整 Prompt。如果 Aget 没有调用工具检查 Agent 是否开启以及工具是否绑定在正确节点。如果工具返回错误用 Postman 或 curl 单独测试接口连通性。9. 常见问题与排查方法问题现象可能原因排查方式解决方案本地部署后页面打不开80 端口被占用或容器未启动检查 docker compose ps确认容器状态修改 .env 端口映射重启容器拉取镜像超时网络原因导致 Docker 镜像拉取失败查看 docker compose up 日志配置镜像加速或重试拉取模型测试不通过API Key 错误 / 账户余额不足 / 模型名不对查看供应商控制台与 Dify 报错信息核验 Key、余额和模型名知识库检索结果为空文档是扫描版 PDF或分段格式异常在知识库中查看文档切分状态先转成文本再重新分段回答不使用知识库内容上下文未挂载知识库或提示词未约束检查“上下文”设置与系统提示词挂载知识库并要求模型优先基于资料回答Agent 没有调用工具Agent 未开启或工具未配置检查 Agent 开关和工具列表开启 Agent把工具绑定到节点自定义工具请求失败接口地址 / 鉴权配置错误用 curl 测试接口修正接口配置回答内容编造知识库没有相关内容但提示词未约束查看调试输出和召回命中增加“查不到就直说”的提示词约束10. 最佳实践与工程建议10.1 知识库要“小步快跑”不要一次性堆大量文档游戏攻略更新速度很快。建议按主题拆分成多个数据集比如“枪械攻略”“地图点位”“活动任务”。每个数据集保持独立更新时可以只替换对应数据不用重建整个知识库。同时把过期文档及时清理干净否则知识库里的旧版本信息会导致回答自相矛盾。10.2 分段参数要实测不要照抄切块策略不是固定的取决于你文档的类型。策略文档适合 200 到 500 字符串表格类内容建议拆得更细。上线前可以准备 10 来个高频问题在 Dify 的召回测试里反复调参直到每个问题都能命中正确段落。10.3 Agent 工具要限定最小权限和使用边界自定义工具接口必须做身份认证只暴露必要字段。如果你的战绩接口只需要玩家 ID就不要让工具返回真实姓名等敏感字段。生产环境建议加一个审批或开关机制防止 Agent 在无人值守时连续调用外部接口产生高额费用。10.4 成本控制与日志记录模型调用按 token 计费知识库召回条数和上下文拼接会直接影响费用。最佳实践是只返回最相关的 2 到 3 个分段不要无脑拉取 10 个段落。同时对线上请求做日志记录统计高频问题和异常失败定期通过日志优化提示词和知识库。10.5 重视版本升级与备份Dify 社区版更新较快升级前必须备份数据库和配置文件。官方 docker 编排目录中包含 .env 和持久化卷先停止服务备份数据目录再拉取新版本镜像启动。不要在没有任何回滚方案的情况下直接升级生产环境。11. 总结与后续学习方向这篇文章从一个“不用敲代码”的诉求出发梳理了 Dify、RAG、Agent 三者的关系并完整演示了如何从零部署 Dify搭建一个带知识库和工具调用能力的三角洲行动专属游戏助手。你不需要真写多少代码但一定要理解Dify 解决的是工程化平台问题RAG 解决的是模型知识来源问题Agent 解决的是模型行动能力问题。建议你先跑通最小闭环部署 Dify → 上传一份攻略 → 挂载知识库 → 发布应用。然后再逐步加入 Agent 工具和工作流。每加一个功能就换一批测试问题验证不要等所有节点堆在一起再调试那样出了问题很难定位。接下来可以继续学习的几个方向Dify 工作流节点的深度配置、知识库召回相关的相似度算法调优、如何在生产环境接入更多自有系统 API、以及怎样用日志分析持续优化提示词。如果你已经把游戏助手跑到 80 分再去研究 Agent 的复杂编排会发现之前积累的经验都在给你打底。只输出最终文章