目录

第一部分：思想与基石——万法归宗，筑基问道

第1章：AI 应用的哲学——从“调用模型”到“构建系统”

• 1.1思维范式转换：为什么说 LLM 是新型 CPU，而 Dify 是操作系统？

• 1.2架构的演进：从简单的 Chatbot 到复杂的 Agent 智能体。

• 1.3解构 Dify：低代码、工作流与 LLM 编排的本质。

• 1.4破除迷思：什么时候该用代码，什么时候该用 Dify？

第2章：工欲善其事——Dify 环境与基础设施

• 2.1私有化之基：Docker 与 Docker Compose 的极简部署之道。

• 2.2模型的“军火库”：接入 OpenAI、DeepSeek、Claude 以及本地 Ollama。

• 2.3存储的艺术：理解 Dify 后的 PostgreSQL、Redis 与向量数据库（Vector DB）。

• 2.4环境调优：如何为企业级生产环境配置高性能 Dify 实例。

第二部分：术法万千——Dify 核心引擎全解析

第3章：工作流的律动——Workflow 与 Chatflow 详解

• 3.1节点漫谈：从开始到结束，理解变量在节点间的流动逻辑。

• 3.2逻辑的支柱：条件分支（IF-ELSE）、迭代（Iteration）与代码块（Code）。

• 3.3变量管理：全局变量、环境变量与会话变量的妙用。

第4章：知识的海洋——RAG 检索增强生成的深度实践

• 4.1RAG 的内功：分段（Chunking）、嵌入（Embedding）与检索（Retrieval）。

• 4.2混合检索与重排序：为什么 Keyword + Vector + Rerank 才是工业标准？

• 4.3知识库治理：如何清洗非结构化数据，让 AI 不再说胡话。

第5章：灵魂的舞者——Agent 智能体与工具调用

• 5.1Agent 认知模型：理解 Planning（规划）、Memory（记忆）与 Action（执行）。

• 5.2工具箱（Tools）：API 扩展、Google Search、以及自定义 Tool 的开发。

• 5.3ReAct 与多 Agent 协作：让一群 Agent 像一个团队一样工作。

第三部分：登堂入室——高级工程化与平台扩展

第6章：代码节点与 Sandbox 安全体系

• 6.1Python/Node.js 赋能：在 Dify 节点中处理复杂 JSON 与数据清洗。

• 6.2Sandbox 隔离机制：如何在保障安全的前提下运行自定义逻辑。

• 6.3API 联调：将 Dify 工作流作为后端的 BaaS（Backend as AI Service）模式。

第7章：插件系统与 MCP（模型上下文协议）

• 7.1插件开发实战：从 Manifest 定义到后端逻辑的闭环。

• 7.2迎接 MCP 时代：让 Dify 无缝连接本地文件、数据库与企业系统。

• 7.3跨平台集成：Dify 插件在不同生态中的分发与复用。

第8章：LLMOps——监控、评估与迭代

• 8.1性能度量：Token 消耗、响应延迟与调用成本监控。

• 8.2调试的智慧：使用日志与追踪（Tracing）定位工作流中的故障。

• 8.3自动化回归：如何评估模型升级对现有工作流的影响。

第四部分：知行合一——实战演练与商业落地

第9章：实战项目一：企业级智能知识库系统

• 9.1场景定义：多模态文档处理（PDF、Excel、Markdown）。

• 9.2高阶 RAG 优化：使用多路召回与多轮对话改写（Query Rewrite）。

• 9.3前端集成：WebApp 发布与第三方（钉钉、企业微信）对接。

第10章：实战项目二：全自动内容创作与分发流水线

• 10.1创意 Agent：选题、大纲、扩写的工作流编排。

• 10.2多模态联动：结合 Stability AI/Midjourney 生成配图，TTS 生成语音。

• 10.3API 自动化：一键推送到 WordPress、小红书等社交平台。

第五部分：未来已来——商业模式与开发者成长

第11章：Dify 的商业化变现路径

• 11.1SaaS 与本地化私有云：针对不同客户的交付策略。

• 11.2AI 咨询师之路：如何为企业量身定做工作流解决方案。

• 11.3开源贡献与生态分红。

第12章：终身学习——AI 架构师的自我进化

• 12.1技术嗅觉：如何跟踪 LLM 领域的最新论文与技术变迁。

• 12.2架构审美：从“能跑通”到“优雅且高效”。

• 12.3奶奶的寄语：在 AI 时代，保持人类独有的好奇心与同理心。

附录：工具箱

• A. Dify 快捷键与常用参数速查表

• B. 常用 Embedding 与 Rerank 模型对比

• C. 工作流常用 Python 脚本代码片段

• D. MCP 服务器配置指南