Dify 一天踩坑实录：从部署到业务接入，全搞

今天几乎一整天都在折腾 Dify，从下载安装到业务接入，收获不少，简单总结一下： ✅ 学会了 Dify 如何自动选择工具（Tool Calling），让大模型根据用户问题自动决定调用哪个接口，而不是手动指定。 ✅ 搞明白了业务系统如何接入 Dify。Spring Boot 提供 API 就能对接，也了解了 MCP Server 的方案，Java 同样可以实现，为后续接入更多业务系统提供了思路。 ✅ 研究了通过 API 调用 Dify 时，如何区分不同应用，以及 API Key 的获取和管理方式。 ✅ 体验了 Embed Chatbot，终于弄清楚了 Token 的消耗到底算在哪里，避免后续成本估算出错。 ✅ 尝试配置不同的大模型，包括接入第三方模型，了解了 Dify 的模型管理机制。 当然，踩坑也不少： ❌ Docker 部署过程中遇到 SSRF 防护导致内网接口无法访问，需要修改配置才能调用局域网服务。 ❌ VMware Ubuntu 网络时断时续，甚至锁屏后网络直接掉线，排查了很久，最后发现和 Linux 电源管理有关，关闭休眠时又导致网络服务异常，继续折腾中…… 总体来说，Dify 确实把 AI 应用开发门槛降低了不少，很多以前需要自己写的 Agent、工具编排、知识库，现在基本都能可视化完成。 不过真正要做企业级 AI 应用，除了 Prompt 和知识库，更重要的还是业务接口、权限体系、工作流设计以及稳定性。 继续深入，后面准备分享更多 Dify 实战开发经验，希望少踩一点坑，多积累一点经验。 #AI #Dify #人工智能 #AI开发 #知识库 #Agent #MCP #Java #SpringBoot #Docker