Dify部署全攻略：从Docker环境到LLM应用平台落地

最近好多朋友私信问我同一件事：Dify 到底怎么装？尤其是第一次接触 LLM 应用开发的同学，往往在“环境准备”这一步就卡住了。我特别理解这种挫败感——Dify 官方文档写得不算差，但它默认你懂 Docker、懂 Git、懂环境变量，而这些前置知识恰恰是新手最容易栽跟头的地方。这篇文章不打算复述官方 README，而是把我自己从零到一部署 Dify 的完整过程扒开来讲：每一步命令为什么要执行、配置文件里每个变量改的是什么、启动失败时该看哪个日志、以后想升级怎么操作。内容同时覆盖 Windows 和 Linux 两种场景，不管你是想在笔记本上本地体验，还是打算部署到云服务器当团队平台，照着走基本都能顺利落地。

我还会把一些网上搜不到的细节补上，比如 .env 里容易忽略的 SECRET_KEY、向量数据库的选型逻辑、以及用 Ollama 接本地模型的设置方法。当然，实操中肯定有坑，我也会把踩坑记录整理成排查清单，帮你避开我当初折腾过的那些弯路。

1. 动手之前：理解 Dify 的部署逻辑与资源清单

很多人在安装 Dify 时失败，不是因为命令敲错了，而是根本没搞懂自己到底在装什么。Dify 不是一个单文件程序，它是一组服务的组合，需要 Docker 这样的容器编排工具把它们一起拉起来。先把这一点弄清楚，后面遇到任何报错都不会懵。

1.1 Dify 是什么、安装它到底装了哪些东西

Dify 是一个开源的大语言模型（LLM）应用开发平台。你可以把它理解成一个“AI 应用工作台”：在网页界面上拖拽节点就能编排 Prompt、搭建工作流、挂知识库、创建 Agent，还能统一管理多家模型厂商的 API Key。它内置了模型管理、数据集管理、日志分析、API 发布等能力，省掉了从零搭后端的巨大工作量。

当你执行安装命令之后，Dify 并不是启动一个进程，而是会按照编排文件拉起一整套互相协作的容器服务。典型的服务包括：

• api：后端 API 服务，负责业务逻辑、鉴权、知识库检索、工作流执行。
• worker：异步任务队列消费者，处理文档索引、数据集切分、批处理任务。
• web：前端界面服务，也就是你浏览器里看到的初始化页面和操作台。
• db：PostgreSQL 数据库，存储用户、应用、工作流配置等元数据。
• redis：缓存与消息队列，支撑 worker 任务分发。
• sandbox：代码执行沙箱，用于安全运行工作流中的 Python/Node 代码节点。
• ssrf_proxy：请求代理服务，防止服务端请求伪造攻击。
• nginx：反向代理入口，统一转发到 web 和 api。
• weaviate / qdrant：向量数据库（二选一），存放知识库的向量化数据。

我第一次部署时看到容器列表也有点头大，后来总结了一句话：只要记住“nginx 是门卫、api 是大脑、db 是记事本、向量库是索引卡”就够用了。排查问题时，顺着这条链路去查日志，基本不会跑偏。

1.2 部署前需要准备的环境清单

先别急着敲命令，对照下面的清单确认一下你的机器是否达标。Dify 对硬件要求其实不高，但太弱跑起来会卡，尤其是知识库切分和模型调用时很吃内存。

很多人忽略端口占用问题。Dify 默认用 80 端口对外提供服务，如果本机 80 端口已经被其他 Web 服务占用，启动后页面会打不开。提前用 netstat -ano | findstr :80（Windows）或 ss -tlnp | grep :80（Linux）检查一下，省得到时候一头雾水。

1.3 本地还是服务器：两种部署场景怎么选