自建AI平台：一步步教你搭建Dify，使用Agent工作流并实现AI微信消息生成发送

好的，作为一位在AI应用开发领域深耕多年的技术博主，我来接手这篇文章。原文的技术信息很扎实，但表达上确实带了些AI味儿。咱们接下来就把这股“机器感”去掉，让它读起来更像是一位在一线摸爬滚打过的工程师，在跟同行分享自己的实战心得。

最近一直在琢磨怎么把那些复杂的AI工作流落地到实际项目中，试来试去，发现自建一个类似Coze的AI应用开发平台，可能是现阶段最靠谱的选择。Coze海外版开始收索免费额度了，这账大家心里都清楚。市面上能支持复杂AI工作流的开源项目，掰着手指头数也就两个：FastGPT和Dify。从网上的反馈和实操体验来看，我个人觉得Dify的操作界面更顺手，支持的模型也更全面一些。下面就把我的实践过程拆开了讲一讲。

Dify是什么

Dify的官方项目地址和介绍大家可以在GitHub上找到，这里不赘述。简单说，它是一套开源的大语言模型（LLM）应用开发平台。它的核心思路是把“后端即服务”（BaaS）和“LLMOps”的理念揉在一起，让开发者能快速把生产级的生成式AI应用搭起来。哪怕不是技术人员，也能参与到应用的定义和数据运营中。

关键在于，Dify内置了构建LLM应用的关键技术栈：从支持数百个模型、可视化的Prompt编排界面，到高质量的RAG引擎、稳健的Agent框架，再到灵活的流程编排和一整套易用的界面与API。这些东西，以往每一个都得花不少时间去“造轮子”，现在它直接帮你打包好了，剩下的精力可以完全集中在业务创新上。

搭建实战

官方文档里有很详细的搭建教程，跟着走基本不会出大问题。核心步骤就是先把GitHub上的开源项目clone下来，然后用docker部署运行。

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

这里有一个很实际的坑需要注意：官方配置文件里默认的端口是80和443，这在本地环境里十有八九会跟已有项目冲突。一定要记得把`docker/.env`文件里的`EXPOSE_NGINX_PORT`和`EXPOSE_NGINX_SSL_PORT`改成不冲突的端口，比如8080和8443。改完之后，通过修改后的端口访问，设置管理员的账号密码，就能直接进入主应用界面了。


从Coze迁移一个微信消息机器人

安装好之后，我打算把之前在Coze上做的微信消息转发机器人迁移过来试试水。在开始之前，首先要添加大模型供应商。这里有个小门道：OpenAI的API Key可以去某宝上买，性价比很高。在右上角头像的设置里，把OpenAI的ChatGPT-4模型配置好。


接着需要理清一个关键概念：在Dify里，Agent和Workflow是两种完全不同的东西。

：你可以把它理解成一个“智能助理”。它利用大语言模型的推理能力，能自主地对复杂任务进行目标规划、任务拆解、工具调用，并在没有人类干预的情况下完成。它处理的是比较笼统的对话或任务指令。

：这更适合自动化和批处理场景。像是高质量翻译、数据分析、内容生成、电子邮件自动化这类需要精确控制每一步细节的任务，就得靠它。Workflow比较“重”，需要你自己精心设计每一步的流程。

在实际应用中，通常是两者结合：让Agent负责理解用户意图和对话上下文，然后调度Workflow去执行具体的、结构化的功能。这次迁移任务，我就是这么干的。

具体步骤：先创建一个Workflow。添加两个输入参数：一个是“好友昵称”，一个是“消息内容”。


然后，在Workflow后面加一个HTTP请求节点，用来调用微信消息发送的API。关于如何获取这个微信发送消息的接口，可以参考我之前分享的文章《独门秘诀，用Coze机器人创建插件调用微信接口代替我发消息》。简单说，就是把接收到的“好友昵称”和“消息内容”组装成API需要的参数格式。


最后，再创建一个“结束”节点，把HTTP请求的返回结果（成功或失败状态）作为最终输出。发布这个Workflow时，记得给它起一个别名，比如`wechat_message`，后面Agent调用时要用到。

接下来创建一个Agent。在Agent的工具箱里，把刚才发布的`wechat_message`工作流添加进来。然后，给它设置一段默认的Prompt，告诉它该怎么使用这个工具：

请确保你作为一个聊天机器人，在处理对话时能够深刻理解对话内容及对话者的意图。使用wechat_message工具时，不要简单地直接转发信息，而应该基于对话的上下文，生成富有洞察力且相关的回复。这样的处理不仅展示了你的语义理解能力，还能有效地提升对话的质量和参与度。


效果实测下来，整个流程跑得非常顺畅。当你给Agent发送一条消息，它会先理解上下文，然后调用`wechat_message`工作流，生成一个符合语境的回复，并通过微信发送出去。跟Coze的效果几乎一致，但整个控制和定制权都握在自己手里了。