Sådan bruger du Dify: En praktisk guide til hurtig udvikling af AI-apps og -agenter
Hvis du nogensinde har ønsket at kunne bygge en produktionsklar AI-chatbot, et udvidet QA-system med hentning (retrieval-augmented QA system) eller en automatiseret agent uden at kæmpe med kompleks kode, er Dify skabt til dig. Det kombinerer en visuel workflow-bygger, promt-styring, RAG (retrieval-augmented generation) og værktøjsintegrationer i én strømlinet platform. I denne praktiske, løsningsorienterede guide lærer du præcis, hvordan du bruger Dify – fra første login til implementering af en poleret AI-app.
Værd at bemærke: Dify positionerer sig som en førende agentisk AI-udviklingsplatform med træk-og-slip-workflows og app-skabeloner, der dramatisk fremskynder time-to-value. Hvis du foretrækker en praktisk gennemgang, er der solide begyndervenlige tutorials, der viser end-to-end-builds for chat-apps og dataset-backed assistenter, plus community-kurerede guides til at mestre kerneblokke som HTTP-noder og JSON-håndtering. For en struktureret demo-projektoplevelse er der også en trin-for-trin tutorial tilgængelig.
I denne guide vil vi dække:
- Hvad Dify er, og hvor det udmærker sig
- Opsætning af dit arbejdsområde og dine nøgler
- Opbygning af din første app (chatbot og RAG-assistent)
- Visuelle workflows, værktøjer og forbindelser
- Agenter og flertrins-ræsonnement
- Evaluering, observerbarhed og iteration
- Best practices for implementering og team-workflows
Vi vil også flette praktiske tips, almindelige faldgruber og tidsbesparende mønstre ind – så du kan levere hurtigere med tillid.
Hvad er Dify, og hvorfor bruge det?
Dify er en low/no-code platform til at sammensætte AI-applikationer gennem et visuelt lærred, med indbygget prompt-orkestrering, statushåndtering, RAG og agentfunktioner. Det reducerer dramatisk VVS-arbejde og hjælper dig med at:
- Bygge chatbots, assistenter og flertrins-automatiseringer
- Implementere Retrieval-Augmented Generation (RAG) med din egen videnbase
- Integrere værktøjer (websøgning, API'er, databaser) uden brugerdefineret glue-kode
- Iterere prompts, spore ydeevne og observere spor end-to-end
Difys visuelle workflows og app-skabeloner gør det særligt overbevisende for teams, der har brug for at prototype hurtigt og udvikle sig mod produktion. Tredjeparts tutorials og demoer kan hjælpe dig med at gå fra nul til en fungerende app hurtigt, og det bruges ofte til agentiske mønstre med datahentning. Observerbarheds-integrationer er også tilgængelige, når du er klar til at evaluere og skalere.
Hurtig start: Konto, modeller og nøgler
- Opret dit Dify-arbejdsområde
- Tilmeld dig og opret et nyt arbejdsområde.
- Vælg cloud (hurtigst) eller forbered dig på selv-hosting senere, hvis du har brug for fuld kontrol.
- I Indstillinger skal du oprette forbindelse til dine foretrukne LLM'er (f.eks. OpenAI, Anthropic osv.).
- Tilføj API-nøglerne sikkert. Test med små prompts for at bekræfte forbindelsen.
- Opret en ny app eller workflow. Navngiv den tydeligt (f.eks. "Customer Support RAG" eller "Lead Qualifier Agent").
- Beslut dig for dit første leveringsprodukt: chat-app, internt værktøj eller agent.
Tip: Start med en baseline-model for hurtig iteration, og skift derefter til avancerede modeller senere.
Byg din første chat-app på få minutter
Her er en enkel måde at bygge en hjælpsom chat-assistent på.
- I App Gallery skal du vælge en "Chat"-skabelon. Dette giver beskedskabeloner ud af boksen.
- Udarbejd din system-prompt
- Definér rolle, tone, grænser og outputformat. Eksempel:
"Du er en præcis, venlig produktassistent. Angiv altid kilder, brug punktopstillinger til trin, og stil et afklarende spørgsmål, hvis brugerens anmodning er vag."
- Tilføj eksempel-turns (few-shot prompting)
- Vis eksemplariske Q&A-par for at tilskynde til konsistent adfærd.
- Hold dem korte og repræsentative.
- Brug den indbyggede chat-tester til at prøve rigtige forespørgsler.
- Juster system-prompten for stil og temperaturen for kreativitet.
- Tilføj sikkerhedsforanstaltninger
- Definér stopsekvenser, maksimale tokens og indholdsfiltre efter behov.
- Aktivér appens delingslink, eller integrer via widget.
Det er hurtigst at lære ved at gøre – video-gennemgange kan hjælpe dig med at visualisere hvert klik.
Lav den om til en RAG-assistent (Knowledge-Aware Chat)
RAG lader din assistent svare med dine private dokumenter, FAQ'er eller wiki-indhold.
- Opret et datasæt (videnbase)
- Upload PDF'er, markdown, eller opret forbindelse til en datakilde.
- Dify vil dele, integrere og indeksere dit indhold.
- Finjuster chunking og embeddings
- Vælg embedding-model og chunk-størrelser. Større chunks bevarer kontekst; mindre chunks forbedrer granulariteten. Start med 400-800 tokens.
- Vælg top-k-resultater (f.eks. 4-8), relevanstærskel og valgfri reranking.
- Tilføj filtre (f.eks. efter tag eller dokumenttype) for præcision.
- Brug workflow-lærredet eller appens RAG-toggle til at indsprøjte hentet kontekst i prompten. Inkluder citater i den endelige svarskabelon.
- Test med rigtige spørgsmål
- Prøv både lette og vanskelige forespørgsler. Valider citater, formatering og latenstid.
Hvis du bruger en vektordatabase som Milvus, er der trin-for-trin-gennemgange af integration af Dify til robuste RAG-pipelines.
Visuelle Workflows: Automatiser flertrins-logik
Difys lærred giver dig mulighed for at kæde trin sammen, forgrene logik og kalde værktøjer.
Almindelige blokke:
- Input/Output: definer skema for indgående brugerdata og endeligt svar.
- LLM Node: udarbejd prompts, indstil modeller, styr temperaturen.
- Retrieval Node: forespørg dine datasæt.
- HTTP Node: kald eksterne API'er (søgning, CRM, interne tjenester).
- Code Node: kør letvægts-transformationer, parsing eller validering.
- Condition/Branch: rute stier baseret på brugerhensigt eller data.
Eksempel: Web-research-assistent
- Registrer hensigt → Hvis "research", kald HTTP-node til søgning → Opsummer resultater med en LLM → Returner bullet-point-resultater med kilder.
For konkrete how-to's om tilslutning af HTTP-noder og parsing af JSON-svar er community-tutorials nyttige.
Agenter: Værktøjsbrugende, flertrins-ræsonnement
Agenter i Dify kombinerer planlægning, værktøjsvalg og iterativ ræsonnement for at fuldføre mål.
Hvornår skal man bruge agenter:
- Opgaver har brug for flertrinsplaner ("research → sammenlign → opsummer").
- Assistenten skal kalde værktøjer: websøgning, databaser, lommeregnere, interne API'er.
- Du ønsker, at modellen dynamisk skal beslutte de næste handlinger.
Byg en agent:
- Definér målet og begrænsningerne i system-prompten.
- Registrer værktøjer (HTTP, søgning, datahentning, brugerdefinerede funktioner).
- Aktivér planlægning: lad modellen foreslå trin og kritisere sit arbejde.
- Indstil maksimale trin, timeouts og værktøjsbudgetter.
- Test med varierede opgaver, og se spor for at diagnosticere loops.
Hvis dit use case kræver nøjagtig webdatahentning, kan du parre Dify med specialiserede data-plugins for at berige agentfunktioner.
Connectorer og værktøjer: Bring din stak ind
Dify integreres med eksterne tjenester via connectorer og HTTP-noder:
- Websøgning, scraping eller viden-API'er
- CRM'er og helpdesks (f.eks. Salesforce, Zendesk)
- Interne REST/GraphQL-endpoints
- Vektorlagre og data warehouses
Best practices:
- Normaliser svar til JSON, og valider skemaer.
- Hold værktøjsbeskrivelser præcise, så modellen ved, hvornår den skal bruge dem.
- Tilføj rate limits og retries.
Prompt Engineering i Dify
Gør prompts modulære og testbare:
- Brug variabler til brugerinput, hentet kontekst og værktøjsoutput.
- Standardiser outputformat med JSON eller bulletlister til downstream-parsing.
- Giv trin-for-trin rubrikker (f.eks. "Tænk i nummererede trin") for at reducere fejl.
- Inkluder afvisningspolitikker og stilguider i system-prompten.
Iterationsloop:
- Tilføj et testsæt af repræsentative prompts.
- Kør batchevalueringer, og sammenlign modelindstillinger.
- Log fejltilfælde, og opret nye eksempler eller grene.
Observerbarhed, test og optimering
Når du går fra prototype til pilot, betyder observerbarhed og tracing noget. Du kan tilføje tracing for at se tokenbrug, latenser og trin-for-trin-beslutninger for at debugge og forbedre kvaliteten.
Vigtige kontroller før lancering:
- Hallucinationsrate med og uden RAG
- Latenstidsbudget pr. anmodning og pr. værktøjskald
- Edge cases: tomt input, langt input, irrelevante forespørgsler
Implementering til brugere
Dify understøtter flere implementeringsstier:
- Del en hostet chat-UI til intern test
- Integrer en widget på dit websted eller produkt
- Eksponer et API-endpoint, som din applikation kan kalde
Driftstips:
- Tilføj analyser: sessioner, CSAT, fallback-rater
- Cache hyppige svar, og prefetch hentning
- Indstil alarmer for timeouts og upstream-modelfejl
Teamsamarbejde og Governance
Efterhånden som din app vokser:
- Brug rollebaserede adgangskontroller, og adskil dev/staging/prod
- Versioner prompts/workflows; tag udgivelser
- Opret en runbook til hændelser og værktøjsnedbrud
- Dokumentér værktøjskontrakter (inputs/outputs) og SLA'er
Avancerede mønstre at prøve næste gang
- Funktionskald med strenge JSON-skemaer til strukturerede outputs
- Hybrid søgning (BM25 + embeddings) for bedre recall
- Multi-vektor RAG (titel, brødtekst, metadata embeddings)
- Reranking for at forbedre snippet-præcision
- Selvrefleksionsloops til komplekse opgaver
- Sikkerhedsforanstaltninger med regex eller JSON-skemavalidering
Fejlfinding: Almindelige faldgruber og rettelser
- Agenten looper eller tager for lang tid
- Sænk maksimale trin, stram værktøjsbeskrivelser, tilføj stopbetingelser.
- Irrelevante hentningssnippets
- Juster chunking, tilføj metadatafiltre, prøv reranking, juster top-k.
- Rodede eller inkonsistente outputs
- Gennemtving JSON-skema, tilføj eksempler, reducer temperaturen.
- Cache hentning, paralleliser værktøjskald, skift til hurtigere modeller.
- Styrk systembegrænsninger, angiv altid kilder, foretræk RAG og verifikationstrin.
I øvrigt: Fremskyndelse af indholdsworkflows
Hvis dit mål er indholdsidegenerering, udarbejdelse og researchsyntese, er det værd at bemærke, at assistenter bygget med Dify passer godt sammen med produktivitetsværktøjer som Sider.AI til daglig skrivning og opsummering. Sider kan sidde ved siden af din browser for at hjælpe med at udarbejde, oversætte og analysere indhold hurtigt; når det kombineres med en Dify-drevet RAG-backend, får du både nøjagtig domænekontekst og en smidig forfatteroplevelse (https://sider.ai/). Vigtigste pointer
- Start enkelt med en chat-skabelon, og tilføj derefter RAG og værktøjer.
- Brug workflow-lærredet til at visualisere logik og undgå skrøbelig kode.
- Behandl prompts som kode: versioner, test og evaluer.
- Observer alt – spor, omkostninger, latenser – for at skalere sikkert.
- Agenter er kraftfulde, men sikkerhedsforanstaltninger og budgetter holder dem pålidelige.
Yderligere ressourcer
- Dify oversigt og positionering.
- Begyndervenlig video-tutorial til at bygge en AI-app.
- Community-guide til HTTP-noder og JSON-håndtering.
- Struktureret tutorial med et demo-projekt.
- Opbygning af agenter med webdatahentnings-plugins.
- Observerbarhed og tracing for Dify-apps.
- RAG med Dify og Milvus walkthrough.
FAQ
Q1:Hvad bruges Dify til?
Dify er en platform til at bygge AI-apps og -agenter ved hjælp af visuelle workflows, prompt-orkestrering og RAG. Det hjælper teams med at oprette chatbots, vidensassistenter og automatiseringer hurtigt.
Q2:Hvordan opretter jeg en RAG-chatbot i Dify?
Opret et datasæt, konfigurer embeddings og hentning, og indsprøjt derefter hentet kontekst i din prompt via workflowet. Test top-k, chunk-størrelser og reranking for at optimere nøjagtigheden.
Q3:Kan Dify oprette forbindelse til mine API'er og værktøjer?
Ja. Brug HTTP-noder og connectorer til at kalde webtjenester, databaser og søge-API'er. Opbevar svar i JSON, og definer klare værktøjsbeskrivelser, så agenten bruger dem korrekt.
Q4:Hvordan stopper jeg min agent fra at loope?
Reducer maksimale trin, tilføj termineringskriterier, og stram værktøjsinstruktioner. Observerbarhed og tracing hjælper med at identificere, hvor loopen opstår, så du kan justere prompts og værktøjslogik.
Q5:Hvad er den bedste måde at evaluere mit Dify-workflow på?
Opret et testsæt, kør batchevalueringer, og inspicer spor for latenstid og omkostninger. Spor hallucinationer, gennemtving strukturerede outputs, og iterer prompts med eksempler.
