tag dify

標籤
貢獻10
101
04:18 PM · Nov 03 ,2025
u_15591470 頭像 gmicloud 頭像 mangrandedanche 頭像 informat 頭像 u_16213649 頭像 alixitongruanjianjishu 頭像 u_12226 頭像 u_16459925 頭像 old_it 頭像 weidejianpan 頭像

@dify / 博客 RSS 訂閱

u_16459925 頭像

wx6583a3b0b06d1 - DIFY-WEB Docker 容器化部署指南

概述 DIFY-WEB是Dify.AI的前端應用Docker鏡像，Dify是一款LLM應用開發平台，目前已支持超過10萬款應用的構建。該平台集成了Backend as a Service (BaaS)和LLMOps的核心概念，覆蓋了構建生成式AI原生應用所需的核心技術棧，包括內置的RAG引擎。通過DIFY，用户可以基於任何LLM模型自助部署類似Assistants API和

生產環境 , 數據可視化 , dify部署 , 人工智能 , dify , Docker

收藏 評論

u_15591470 頭像

ceshiren2022 - 大廠熱門測試基礎設施揭秘：Dify工作流引擎的設計哲學與最佳實踐分析

當今軟件開發領域，測試基礎設施的效率和可靠性直接關係到產品的交付質量與速度。隨着AI技術的普及，如何將智能能力深度融入測試流程成為各大廠面臨的共同挑戰。 Dify作為一款開源的大模型應用開發平台，通過其強大的工作流引擎，正被越來越多的大廠選為核心測試基礎設施，將AI應用系統整合週期從平均12周縮短至3-4周，整合效率提升高達70%。 本文將深入解析Dify工作流引擎的設計哲學，並分享在大

人工智能 , 基礎設施 , 深度學習 , dify , 工作流引擎

收藏 評論

u_15591470 頭像

ceshiren2022 - 藉助Dify工作流構建AI測試智能體，效率提升可達500%

在軟件開發領域，測試工作一直是保障產品質量的關鍵環節，但傳統的手工測試用例編寫方式效率低下且容易遺漏邊界場景。每個新功能上線，測試團隊都需要手動編寫大量測試用例，這個過程不僅耗時耗力，而且極易出錯。 通過Dify工作流，我們可以構建智能測試AI體，實現測試效率500%的提升，徹底告別測試的"手工作坊"時代。 一、痛點分析：為什麼測試工作急需變革？ 傳統測試開發的困境 在引入D

測試用例 , 測試數據 , 人工智能 , 深度學習 , dify

收藏 評論

u_15591470 頭像

ceshiren2022 - 提升測試效率5倍！Dify驅動的可視化工作流實現自動化測試“開箱即用”

在快速迭代的軟件開發週期中，測試環節往往成為交付瓶頸。傳統自動化測試需要大量編碼工作，維護成本高昂，讓許多團隊望而卻步。 現在，通過Dify的可視化工作流，即使是測試新手也能快速構建專業的自動化測試體系，實現真正的“開箱即用”。 一、傳統自動化測試的困境與破局 為什麼傳統自動化測試難以普及？ 1.技術門檻高 # 傳統測試腳本示例 - 需要專業的編程能力 from sele

人工智能 , 深度學習 , dify , 自動化測試 , Docker , 瀏覽器版本

收藏 評論

u_15591470 頭像

ceshiren2022 - Dify vs Coze：誰是最終的AI工作流解決方案？

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 在人工智能技術飛速發展的今天，低代碼/無代碼AI工作流平台正成為企業和開發者快速構建智能應用的首選工具。Dify和Coze作為兩款備受關注的開源項目，憑藉各自優勢吸引了大量用户。 本文將從架構設計、工作流能力、適用場景等多維度深入對比這兩大平台，幫助您根據實際需求做出最佳選擇。 一、核心概覽

coze , 人工智能 , 深度學習 , dify

收藏 評論

mangrandedanche 頭像

數據庫分享小北 - 基於 DMS Dify+Notebook+Airflow 實現 Agent 的一站式開發

本文作者：阿里雲數據庫開發專家 陳樞華 背景與挑戰 Dify 作為一款低代碼 AI 應用開發平台，憑藉其直觀的可視化工作流編排能力，極大降低了大模型應用的開發門檻。然而，在實際企業級落地過程中，我們發現其原生能力仍存在兩個關鍵瓶頸： 代碼執行能力受限：Dify 內置的 Sandbox 節點雖支持基礎 Python 代碼執行，但無法安裝自定義 Python 包，難以支撐複雜的業務邏輯、數據處理或

資訊 , 知識 , 數據庫 , dify

收藏 評論

weidejianpan 頭像

商湯萬象開發者 - LazyLLM x MemU：20 行代碼打造有長記憶的知識問答

在開發知識問答助手的過程中，常見的挑戰之一就是如何讓智能體記住之前的對話和交互內容。 很多應用在實現多輪問答時，會遇到信息丟失或上下文混亂的問題：用户提過的問題、提供的數據、甚至助手之前的回答都無法被系統持續記憶，導致體驗斷層。對於企業級知識庫或面向用户的個人助手來説，這種缺失不僅影響回答的準確性，也使得智能體難以形成長期價值。 構建一個能夠記憶的問答系統，並非簡單地將對話記錄寫入數據庫。 智能

科技 , 人工智能 , 開源 , llama , dify

收藏 評論

old_it 頭像

老IT人 - 本地部署 Dify，構建智能內容生成工作流

近期我們的技術小夥伴研究並部署了一個基於 Dify 工作流，融合 FLUX 生圖模型、多模態識別模塊以及語音合成與播放功能，構建了一個智能內容生成鏈路。 通過 Dify 工作流流程編排與低代碼擴展能力實現跨模態的任務（文本輸入-語義理解-圖像生成-語音輸出）。這個工作流同時可以本地化部署至贊奇AI一體機，形成一套安全可控、開箱即用的軟硬件一體交付方案。 完整工作流鏈路 下面我們會從硬件配置

segmentfault , dify , 程序員 , 前端

收藏 評論

u_15591470 頭像

ceshiren2022 - 簡化接口測試：利用Dify工作流結合CI/CD，實現一鍵式迴歸驗證

在敏捷開發與DevOps成為主流的今天，我們追求的是快速迭代、持續交付。然而，每當新功能開發完成或代碼發生變更時，繁瑣的接口迴歸測試往往成為流程中的“剎車片”。手動執行測試用例、核對響應數據、撰寫測試報告……這些重複性工作不僅效率低下，還容易出錯，嚴重拖慢了交付節奏。 有沒有一種方法，能將接口測試無縫嵌入到CI/CD流水線中，實現一鍵觸發、全自動迴歸驗證，並將結果清晰可溯地反饋給團隊？答

API , 人工智能 , 深度學習 , dify , 接口測試

收藏 評論

gmicloud 頭像

GMICloud - Dify 上線 GMl Cloud 插件！構建深度研究作流只需 5 步！

摘要 GMI Cloud 插件正式無縫集成到 Dify！提供高性能的多系列模型，如Minimax、DeepSeek、GPT OSS、Qwen、Keling等，支持市場研究、模型評估、文獻綜述等任務處理。大家只需獲取 GMI Cloud API 密鑰，在 Dify 安裝配置插件，即可藉助模板構建深度研究工作流程。本文為步驟的詳細教程。 01 概

機器學習 , AI , 雲GPU , 人工智能 , dify , cloud , 工作流

收藏 評論

informat 頭像

織信informat - 對話織信：聊聊它與 Dify (Agentic)工作流開發平台的區別與聯繫

在AI與低代碼深度融合的賽道上，織信的進階之路頗具代表性。從早期的傳統低代碼平台，到如今的AI企業級低代碼標杆，織信用數年時間完成了一次關鍵跨越。不少人會好奇： 織信和當下熱門的Dify到底有什麼不同？ 它從低代碼向AI企業級低代碼轉型的過程中，又經歷了哪些關鍵節點？ 本期我們對話織信創始人杜總，覆盤織信的轉型歷程，拆解它與Dify的核心差異，探尋其背後的決策邏輯。 （訪談內容2萬多字，本

低代碼 , dify , 工作流

收藏 評論

u_12226 頭像

小蝌蚪 - C# SDK實現百度雲OCR的文字識別功能

為了驗證Dify對票據識別的正確率，博主開發了一個批量調用Dify API 完成OCR識別工具，在RPA項目上測試樣本數據識別的正確率。只需要點一下按鈕，程序就放出10次請求，然後把AI智能體OCR識別的結果全部返回。感謝zoujiawei提供的DifyWebClient類庫，我們只需要直接調用就行，不過還是有一些地方需要博主説

API , ocr , 後端開發 , dify , c , Python

收藏 評論

u_15591470 頭像

ceshiren2022 - 2025年測試工程師的核心能力：掌握Dify工作流編排AI測試智能體

測試工程師的角色正從“腳本執行者”向“質量策略架構師”躍遷。掌握用Dify這樣的AI工作流平台來編排“AI測試智能體”，將成為你的新護城河。 在傳統的自動化測試中，我們編寫腳本（如Selenium, Playwright）來模擬用户操作，驗證預設結果。這套模式在過去二十年裏非常有效。然而，隨着AI應用的爆炸式增長，尤其是大語言模型（LLM）和Agent（智能體）的普及，軟件界面、交互邏輯

智能體 , AI , 人工智能 , 深度學習 , dify , 測試報告

收藏 評論

u_15591470 頭像

ceshiren2022 - 避免人為漏測：Dify工作流成為你的“測試策略大腦”，全天候在線排查

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 在軟件開發中，我們是否經常面臨這樣的困境？儘管測試團隊傾盡全力，但線上漏測問題依然像幽靈一樣不時出現。人為的測試總有極限：測試用例設計可能覆蓋不全、迴歸測試因時間緊張而被壓縮、疲勞可能導致誤判…… 這些“人性化”的漏點，單靠增加人力或延長工時往往收效甚微。 那麼，有沒有一種方法，能將我們的測試策

測試策略 , API , 測試類 , 人工智能 , 深度學習 , dify

收藏 評論

u_15591470 頭像

ceshiren2022 - 實測見證！利用Dify工作流與AI智能體，我們的測試效率提升300%

如果你也厭倦了在無盡的測試用例、重複的迴歸測試和脆弱的UI腳本中掙扎，那麼這篇文章正是為你準備的。我將分享我們團隊如何利用Dify工作流編排AI測試智能體，實現測試效率的指數級提升，讓測試工作變得前所未有的智能和高效。 一、 困局：我們曾在測試泥潭中寸步難行 在引入新方法之前，我們團隊面臨典型的測試瓶頸： 迴歸測試耗時漫長： 每次發版前，全量回歸測試需要2個測試人員投入整整3個工

迴歸測試 , AI , 人工智能 , 深度學習 , dify

收藏 評論

mangrandedanche 頭像

數據庫分享小北 - 在Dify on DMS上搭建專屬版Deep Research Agent

引言 目前的Deep Research解決方案都一定程度上存在着以下兩個痛點問題： 一是“信息牆”：現有的Deep Research Agent大部分都依賴Web Search去搜索公開可用的網絡內容，這使得它們無法觸及企業內部的私域知識，結果就是，它做的研究報告，雖然看起來高大上，但跟咱們的實際業務貼不上邊，沒法直接用； 二是“信任牆”：當前Deep Research Agent的內部工作機制，

資訊 , 數據管理 , 數據 , 數據庫 , dify

收藏 評論

gmicloud 頭像

GMICloud - Dify 上線 GMl Cloud 插件！構建深度研究工作流只需 5 步！

摘要 GMI Cloud 插件正式無縫集成到 Dify！提供高性能的多系列模型，如Minimax、DeepSeek、GPT OSS、Qwen、Keling等，支持市場研究、模型評估、文獻綜述等任務處理。大家只需獲取 GMI Cloud API 密鑰，在 Dify 安裝配置插件，即可藉助模板構建深度研究工作流程。本文為步驟的詳細教程。** 01 概述 GMI Cloud 是一個強大的雲原生 GPU

人工智能 , dify , 工作流

收藏 評論

alixitongruanjianjishu 頭像

阿里云云原生 - 告別數據庫“膨脹”：Dify x SLS 構建高可用生產級 AI 架構

作者：無哲、言合 一、前言：Dify 的規模化挑戰 Dify 是當前最受歡迎的低代碼 LLM 應用開發平台之一，在 Github 上已斬獲 120k+ 的星標數。國內外有眾多企業基於 Dify 構建自己的智能體應用。阿里雲可觀測團隊既是 Dify 的深度用户，也是社區的活躍貢獻者。 在大規模生產實踐中，我們發現 Dify 在高負載場景下面臨顯著的數據庫性能瓶頸：其執行引擎高度依賴 Postgre

阿里雲 , 雲原生 , dify

收藏 評論

u_16213649 頭像

mob64ca14082604 - Web API中使用Dependency Resolver

1、安裝pipeline docker run -d -p 9099:9099 --add-host=host.docker.internal:host-gateway -v pipelines:/app/pipelines --name pipelines --restart always ghcr.io/open-webui/pipe

容器 , 運維 , OpenWebUI , dify , Css , 前端開發 , HTML , Json

收藏 評論