Dify入門チュートリアル

Dify(Do It For You)は、現在最も人気のあるオープンソースLLMアプリ開発プラットフォームであり、大規模言語モデル(LLM)を搭載した生成AIアプリの構築に特化して設計されています。

Difyは、AIワークフローオーケストレーション、RAGナレッジベース、Agentフレームワーク、モデル管理、可観測性を1つのビジュアルプラットフォームに統合し、LLMインフラをゼロから構築することなく、プロトタイプから本番環境へ迅速に移行できます。

Difyは、RAGパイプライン、AIワークフロー、可観測性ツール、モデル管理を統合することで、AIアプリケーションの作成プロセスを簡素化します。

LangChainが「AIアプリの部品工場(柔軟だが大量の手書きコードが必要)なら、Difyは「AIアプリのビジュアルIDE」——コンポーネントがすべて揃っており、ドラッグ&ドロップで線を結ぶだけで実行できます。

他のツールとの比較

以下は、DifyとLangChain、n8nを主要な観点で比較したものです。

観点DifyLangChainn8n
主なユーザー開発者 + プロダクトマネージャー開発者運用/自動化
プログラミング要件ローコード / ノーコードPython/JSの記述が必要ローコード
RAG内蔵完全内蔵手動での組み立てが必要限定的
Agentフレームワーク内蔵内蔵限定的
可観測性内蔵サードパーティ製が必要限定的
セルフホスティング完全サポートサポートサポート
ライセンスApache 2.0MITFair-code

Difyの直感的なビジュアルオーケストレーションスタジオは、機能的なAIアプリを迅速に構築する必要があるスタートアップや企業にとって理想的な選択肢です。

LangChainは、カスタム統合と開発者の深い関与を必要とするエンタープライズ級の複雑なアプリケーションに適しています。

Difyを利用しているのは誰か?

バイオメディカルから自動車業界まで、Difyはさまざまな企業に信頼性の高いソリューションを提供しています。

Volvo Carsは、AIフロンティア戦略ナビゲーションにおいてDifyを使用してアイデアを迅速に検証しています。

ユーザーがDifyを高く評価する点は、AI Agentの開発を民主化し、強力なAI/ML機能をノーコードプラットフォームに組み合わせられることです。


中核概念

操作を始める前に、Difyの基本概念を理解しておきましょう。

概念 説明
アプリ(App) Difyにおける基本的なデプロイ単位です。各アプリは独立したAI機能に対応し、独自のSystem Prompt、関連するナレッジベース、ツール設定、APIキーを持ちます。
ナレッジベース(Knowledge Base) ナレッジベースは、AIアプリに統合できる独自のデータ集合です。LLMが回答する際に、専有データを追加の真実の情報源として利用できるようにし、回答の正確性・関連性を高め、幻覚(ハルシネーション)を起こしにくくします。
RAG(検索拡張生成) ユーザーが質問すると、システムはまずナレッジベースから最も関連性の高い情報を検索し(Retrieval)、その検索結果をユーザーの元の質問と組み合わせてLLMに送信します(Augmented)。LLMはこのコンテキストに基づいて、より正確な回答を生成します(Generation)。
Workflow(ワークフロー) ビジュアルキャンバス上で強力なAIワークフローを構築・テストできます。ノードと接続をドラッグ&ドロップして、多段階のAI処理ロジックを定義します。
Agent(エージェント) LLMのFunction CallingまたはReActに基づいてAgentを定義し、プリビルトまたはカスタムツールを追加できます。DifyはAI Agent向けに、Google Search、DALL E、Stable Diffusion、WolframAlphaなど50以上の組み込みツールを提供しています。
ノード(Node) ワークフローの基本単位です。各ノードは、LLM推論、ナレッジ検索、コード実行、HTTPリクエスト、条件分岐などの具体的な操作を1つ実行します。

インストールと起動

4つのインストール方法。ゼロ秒で始められる方法から高可用性クラスターデプロイまで。

方法1:Dify Cloud(最速、0秒で始められる)

アクセスして、アカウントを登録するとすぐに使用できます。cloud.dify.ai無料のSandboxプランには、月200件のメッセージと5個のアプリが含まれており、環境設定は一切不要です。

クイック体験、個人プロジェクト、プロトタイプのテストに適しています。

方法2:Docker Compose セルフホスティング(本番環境での使用を推奨)


方法2:Docker Compose セルフホスティング(本番環境での使用を推奨)

システム要件

リソース

最小要件推奨構成2コア
CPU4コアメモリ
ディスク4 GB8 GB
最新版20 GB50 GB+
DockerEngine 20.10+最新版
Docker Composev2.2+最新版

インストール手順

ステップ1: リポジトリをクローンする

Difyリポジトリをローカルにクローンします:

git clone https://github.com/langgenius/dify.git
cd dify

ステップ2: docker ディレクトリに移動し、環境設定をコピーする

cd docker
# 从模板复制环境配置文件
cp .env.example .env

ステップ3(重要): SECRET_KEY を設定する

v1.14.1 以降、Docker デプロイは公開されたデフォルトキーに依存しなくなりました。SECRET_KEY が空の場合、API は実行時キーを自動生成して永続化します。.env ファイルに明示的に設定することをお勧めします。

# 生成一个安全的随机密钥
openssl rand -base64 42

.env ファイルを編集し、SECRET_KEY を見つけて、上で生成したランダムな文字列に設定します:

SECRET_KEY=your-very-long-random-secret-key-here

ステップ4: サービスを起動する

# 启动所有 Dify 服务(首次会拉取镜像,约需 3-10 分钟)
docker compose up -d

ステップ5: アクセスして初期化する

ブラウザで http://localhost/install にアクセスし、管理者アカウントの登録を完了します。

ステップ6: サービスの状態を確認する

# 查看所有容器状态,全部为 healthy 即表示运行正常
docker compose ps

すべてのコンテナ(api、worker、web、db、redis、weaviate、nginx など)の状態が healthy であれば、正常に動作しています。

停止と再起動

# 停止所有服务(数据保留在 Docker volumes 中)
docker compose down

# 重新启动所有服务
docker compose up -d

新バージョンへのアップグレード

# 进入 docker 目录
cd dify/docker

# 拉取最新代码
git pull origin main

# 拉取新镜像
docker compose pull

# 重新启动
docker compose up -d

データは Docker ボリュームに永続化されるため、更新しても既存のアプリケーション、ナレッジベース、会話履歴には影響しません。メジャーバージョンアップグレードの前に PostgreSQL データベースのバックアップを推奨します。


方法3:AWS Marketplace ワンクリックデプロイ

AWS で運用するスタートアップや中小企業向けに、AWS Marketplace の Dify Premium を使用すると、自分の AWS VPC にワンクリックでデプロイでき、カスタムロゴやブランドにも対応しています。


方法4:Kubernetes デプロイ(高可用性)

高可用性構成が必要なシナリオでは、コミュニティが Helm Charts と YAML ファイルを提供しており、Dify を Kubernetes クラスターにデプロイできます。

# 添加 Dify Helm 仓库
helm repo add dify https://langgenius.github.io/dify-helm

# 使用自定义 values.yaml 安装
helm install dify dify/dify -f values.yaml

モデルプロバイダーの設定

インストール完了後、最初のステップは AI モデルを接続することです。

操作手順

Dify にログインしたら、右上のアバターをクリックし、Settings(設定)に入り、Model Provider(モデルプロバイダー)を選択します。

例えば、DeepSeek というモデルプロバイダーをインストールして、API キーを設定できます:

主要プロバイダーの設定

Anthropic(Claude シリーズ):

Provider: Anthropic
API Key: sk-ant-xxxxxxxx(从 console.anthropic.com 获取)
推荐模型:claude-sonnet-4-6(综合性能最佳)

OpenAI:

Provider: OpenAI
API Key: sk-xxxxxxxx(从 platform.openai.com 获取)
推荐模型:gpt-4o(性价比高)

Google(Gemini シリーズ):

Provider: Google
API Key: xxxxxxxx(从 aistudio.google.com 获取)
推荐模型:gemini-2.0-flash(速度快,适合大量请求)

OpenRouter(1つのキーで 300+ モデルにアクセス):

Provider: OpenRouter
API Key: sk-or-xxxxxxxx(从 openrouter.ai 获取)
Base URL: https://openrouter.ai/api/v1

ローカルモデル(Ollama):

Provider: Ollama
Base URL: http://host.docker.internal:11434  # Docker 内访问宿主机
(先在宿主机运行:ollama pull llama3.3)

Embeddingモデルの設定(ナレッジベースに必須)

ナレッジベースのベクトル化には Embedding モデルが必要です。以下は推奨オプションです:

モデル特徴適用シーン
OpenAI text-embedding-3-small低コストで効果が高い一般的なシーン
Zhipu AI embedding-3中国語サポートが優れている中国語中心のコンテンツ
ローカル nomic-embed-text(Ollama)完全オフラインデータセキュリティ要件が高い

モデルの利用可否を確認

Settings に戻り、設定済みのプロバイダーを見つけ、モデル名の横にある Test ボタンをクリックします。緑のチェックマークが表示されれば設定成功です。


5つのアプリタイプの詳細

Dify のホームページで Create App(アプリ作成)をクリックすると、5つのタイプが表示され、それぞれ異なる使用シーンに対応しています。

空白アプリの作成をクリックすると、5つのタイプのアプリを確認できます:

1. Chatbot(チャットアシスタント)

標準的なマルチターン対話アプリで、永続的なセッション記憶を持ちます。

属性説明
適したシーンカスタマーサポートボット、パーソナルアシスタント、FAQ 応答
主な特徴対話記憶の内蔵(記憶戦略の設定可能)、ナレッジベースの追加可能(RAG 有効化)、ストリーミング出力のサポート、ワンクリックでWebページ埋め込みコードとして公開

2. Text Generator(テキスト生成器)

1回の入力から1回の出力までで、会話履歴は保持されません。

属性説明
適したシーン文章のリライト、要約生成、SEO コピー、メールの下書き
主な特徴構造が明確(入力フォーム + 出力テキスト)、バッチ処理に適している、変数プレースホルダーをサポート(例:{{product_name}})

3. Agent(エージェント)

ツールを能動的に呼び出し、多段階タスクを自律的に計画・実行できる AI です。

属性説明
適したシーンデータの照会と分析、検索と要約、コード実行
主な特徴Function Calling と ReAct の2つの推論モードをサポート、50以上のツールを内蔵(検索、画像生成、コードインタープリターなど)、カスタム API ツールをサポート、ツール呼び出しプロセスがユーザーに可視

4. Chatflow(対話フロー)

Workflow を基盤にマルチターン対話機能を追加し、フローオーケストレーションとセッションコンテキストの両方を備えています。

属性説明
適したシーン複雑なカスタマーサポートフロー、多段階の判断が必要なチャットボット
主な特徴Workflow のノードオーケストレーション能力を持ちながら、対話のマルチターン記憶を保持し、対話中に自動化フローをトリガーできます

5. Workflow(ワークフロー)

純粋に自動化された多段階処理フローで、対話インターフェースはなく、API トリガーまたは手動実行で動作します。

属性説明
適したシーンバッチデータ処理、スケジュール自動化タスク、バックエンド AI 処理パイプライン
主な特徴ビジュアルキャンバス上で AI ワークフローを構築・テスト可能、並列分岐・ループ・条件分岐をサポート、Human-in-the-Loop(Human Input ノード)をサポート、出力結果を他のシステムと連携可能

選択ガイド

ニーズに応じてどのアプリタイプを使うかを素早く決定します:

需要多轮对话?
├─ 是 → 需要复杂流程逻辑?
│        ├─ 是 → Chatflow
│        └─ 否 → Chatbot 或 Agent(需要工具调用时选 Agent)
└─ 否 → 单次输入输出?
          ├─ 是 → Text Generator
          └─ 需要多步骤自动化 → Workflow

ナレッジベース(RAG):AIにあなたのプライベートデータを回答させる

ナレッジベースは Dify の最も強力な機能の1つであり、ほとんどの企業アプリケーションの中核です。

ナレッジベースの作成

  1. ナビゲーションバーで Knowledge(ナレッジベース)を選択し、Create Knowledge(ナレッジベース作成)をクリックします
  2. ナレッジベースに名前を付けます(例:「製品マニュアル」や「社内ポリシー文書」)
  3. 作成方法を選択

方法1: ファイルのアップロード(最も一般的)

Dify は PDF、Word(.docx)、Markdown(.md)、プレーンテキスト(.txt)、CSV、HTML 形式のファイルを受け付けます。

Markdown またはプレーンテキストを推奨します。これらは最も確実に解析できます。

レイアウトが複雑な PDF やスキャン版の PDF は前処理が必要な場合があります。まず OCR ツールでテキストを抽出してからアップロードすることをお勧めします。

方法2: Knowledge Pipeline(エンタープライズ向け)

Knowledge Pipeline は、ドキュメント取り込み処理に特化したビジュアルなノード型オーケストレーションシステムです。

これは従来の RAG の3つの課題を解決します:分散したデータソース、解析プロセス中の情報損失(図表や数式が破棄される)、そしてブラックボックス処理プロセス(失敗原因の診断が難しい)です。

方法3: 外部ナレッジベース API

API 経由で既存の外部ナレッジベースを同期でき、データ移行は不要です。

ドキュメント分割戦略

アップロード後、Dify は自動的にテキスト分割(チャンキング)を行います。主要パラメータの説明は以下の通りです:

パラメータ説明推奨値
チャンクサイズ各チャンクのトークン数500-1000(中国語)
チャンクオーバーラップ隣接するチャンクのオーバーラップトークン数50-100
区切り文字何で分割するか(段落/文)段落

中国語コンテンツでは、チャンクサイズを約500トークンに設定することをお勧めします。長すぎると検索の精度が低下し、短すぎるとコンテキストが失われます。

インデックスモード

モード説明コスト
高品質(デフォルト)Embedding モデルを使用してベクトルを生成し、最も効果的Embedding API を消費
エコノミーモード転置インデックス(キーワードマッチング)、Embedding 不要無料

検索設定

ナレッジベースに入り、Settings を選択して検索パラメータを設定します:

検索方法説明適用シーン
ベクトル検索セマンティック類似度マッチング意味的に関連するクエリ
全文検索キーワードマッチング正確な語彙クエリ
ハイブリッド検索(推奨)両方を組み合わせ、リランキングモデルで精度を向上一般的なシーン

類似度しきい値は0.5〜0.7に設定することを推奨します。

類似度しきい値が高すぎると結果が返されず、低すぎると無関係な内容が返されます。0.6からテストし、効果に応じて微調整することをお勧めします。

検索効果のテスト

ナレッジベースで「Retrieval Testing(検索テスト)」をクリックし、テスト質問を入力して、返されたChunkを直接確認し、検索品質を検証します。実際に会話を開始する必要はありません。

ナレッジベースをアプリに連携する

アプリ編集ページで「Context(コンテキスト)」を選択し、「Add(追加)」をクリックして、作成済みのナレッジベースを選択して保存します。

連携後、このアプリの各会話はナレッジベースを先に検索してから回答します。


Workflow ワークフロー:多段階タスクをビジュアルに編成

ノードと接続線をドラッグ&ドロップして、多段階のAI処理ロジックを定義します。

Workflowエディターを開く

アプリ作成時にWorkflowを選択するか、既存のWorkflowアプリで「Edit(編集)」をクリックしてキャンバスに入ります。

主要ノードタイプ

以下はWorkflowエディターで最も一般的に使われるノードとその機能です:

ノード機能典型的な用途
Startフロー入口、入力変数を定義ユーザー入力または外部パラメータを受け取る
LLM言語モデルを呼び出すテキスト生成、分析、翻訳
Knowledge Retrievalナレッジベースから検索RAGシナリオ
IF/ELSE条件分岐コンテンツに応じて異なる処理パスにルーティング
CodePythonまたはJSコードを実行データ変換、形式処理、計算
HTTP Request外部APIを呼び出すデータベースの照会、通知の送信
Template変数テンプレートのレンダリング複数ノードの出力を組み合わせる
Variable Assigner変数の設定/更新ノード間でデータを渡す
Iterationリストをループ処理複数データを一括処理
Agent組み込みAgentノードワークフロー内の特定のステップに自律推論機能を持たせる
Human Input一時停止して手動レビューを待つ人と機械の協働における重要な決定ポイント
Endフロー出口、出力を定義最終結果を返す

ノード間の変数受け渡し

各ノードの出力は後続ノードで参照でき、構文は「{{ノード名.出力変数名}}」です。

以下は典型的なRAG Q&Aワークフローの変数受け渡しの例です:

Start 节点输出 user_query
  ↓
Knowledge Retrieval 节点:
  输入:{{Start.user_query}}
  输出:result(检索结果)
  ↓
LLM 节点:
  System Prompt:你是一个客服助理,根据以下资料回答问题
  User:用户问题:{{Start.user_query}}
        参考资料:{{Knowledge Retrieval.result}}
  ↓
End 节点:
  返回:{{LLM.text}}

Human Input ノード(HITL)

Human Inputノードは重要なアップデートであり、ワークフローが重要な決定ポイントで実行を一時停止できるようにします。

このノードは、人間が変数をレビューおよび修正(ドラフトの編集やデータの修正など)するためのUIを生成し、カスタムボタン(「承認」「拒否」「エスカレーション」など)に基づいて後続のパスを決定します。

これにより、従来のワークフローにおける「完全自動化か完全手動か」という二分法のジレンマが解決され、高リスクなシナリオ(契約審査、医療アドバイス、金融判断)でも自動化AIを利用できるようになります。

ワークフローのデバッグ

キャンバス右上の「Run(実行)」をクリックし、テストパラメータを入力して、各ノードの入出力と所要時間を確認します。

ノードの横に緑(成功)または赤(失敗)のマークが表示され、クリックすると詳細な実行ログを確認できます。


実践シナリオ1:社内ナレッジQ&Aボット

Difyを使って、社内文書の質問に正確に回答し、回答に出典を引用するチャットボットを構築します。

業務背景

会社には大量の社内文書(HRポリシー、製品マニュアル、技術Wiki)があり、従業員は情報を探すことがよくありますが、文書が分散しており検索が困難です。

ステップ1:ナレッジベースの準備

  1. 文書を整理:HRポリシー(PDF)、製品マニュアル(Word)、技術Wiki(Markdown)をエクスポートしてバックアップ
  2. Knowledgeで「Create Knowledge」を選択し、「会社内部ナレッジベース」と命名
  3. ファイルをアップロードし、高品質インデックスモードを選択
  4. ベクトル化が完了するのを待つ(進捗バーが表示されます)

文書品質の最適化テクニック:無関係な情報、ヘッダー・フッター、特殊文字を削除します。明確な見出しと短い段落を使用します。1つの文書に複数の異なるトピックが含まれる場合は、独立したファイルに分割することを検討します。

ステップ2:Chatbotアプリの作成

  1. 「Create App」をクリックし、Chatbotを選択して「内部アシスタント」と命名
  2. モデルを選択(推奨:Claude Sonnet 4.6 または GPT-4o)
  3. System Promptを作成

あなたは会社内部の知識アシスタントであり、社員が内部文書情報を探すのを専門にサポートします。

行動規範:
- 提供されたナレッジベースの内容にのみ基づいて回答し、情報を捏造しない
- 回答時には出典のドキュメント名を明記する
- ナレッジベースに関連情報がない場合は、「ドキュメントに関連情報が見つかりませんでした」と直接伝え、担当部門への連絡を提案する
- 簡潔で専門的な言葉遣いを使用する
- 会社機密以外の話題については議論しない
  1. Contextで「Add」をクリックし、「会社内部ナレッジベース」を選択
  2. 検索パラメータを設定:ハイブリッド検索、類似度しきい値0.6、Top 5チャンクを返す

ステップ3:テストとチューニング

実際の質問でテストします。以下は推奨テストケースです:

测试问题示例:
"年假怎么申请?" → 应该从 HR 政策文档返回正确步骤
"产品 A 的定价是多少?" → 应该从产品手册返回准确价格
"如何配置 VPN?" → 应该从技术 Wiki 返回步骤
"CEO 是谁?" → 如果文档中没有,应该诚实说不知道

一般的なチューニング操作

問題解決策
回答が不正確類似度しきい値を下げ(例:0.5)、返されるChunk数を増やす
回答が無関係しきい値を上げ(例:0.7)、文書のチャンク分割が適切か確認する
回答が不完全チャンクサイズを大きくし、各Chunkに完全な段落を含める

ステップ4:公開と統合

Webアプリとして公開:アプリページで「Overview」を選択し、「Embedded」をクリックして、埋め込みコードをコピーし、社内Wikiまたはイントラネットページに貼り付けます。

APIとして公開:アプリページで「API Reference」を選択し、API Keyをコピーします。呼び出し例:

# 调用聊天 API,向知识问答机器人发送问题
curl -X POST 'https://api.dify.ai/v1/chat-messages' \
  -H 'Authorization: Bearer app-xxxxxxxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "年假怎么申请?",
    "response_mode": "blocking",
    "user": "employee-001"
  }'

実践シナリオ2:自動化コンテンツ生成パイプライン

Workflowを使用して、異なるチャネル向けのマーケティングコンテンツを並行生成します。

業務背景

マーケティングチームは、製品更新ログ(技術用語)を異なるチャネル向けのコンテンツ(WeChat公式アカウントの記事、技術ブログ、ショート動画スクリプト)に一括変換する必要があります。

ワークフロー設計

Start(输入:更新日志文本)
  ↓ 并行分支
  ├─→ LLM-1:生成微信推文(轻松活泼,500字,含表情符号)
  ├─→ LLM-2:生成技术博客(专业详细,1500字,含代码示例)
  └─→ LLM-3:生成短视频脚本(口语化,300字,分镜头格式)
  ↓ 合并
End(输出:三份内容)

具体的な構築手順

ステップ1:Workflowアプリを作成し、「コンテンツ生成パイプライン」と命名します。

ステップ2:Startノードを設定し、入力変数を追加します:

変数名タイプ説明
update_contentテキストタイプ製品更新ログの原文
product_nameテキストタイプ製品名
versionテキストタイプバージョン番号

ステップ3:3つのLLMノードを追加します(並列)。

3つのLLMノードをすべてStartノードに接続すると、Difyが自動的に並列実行します。

LLM-1(WeChat記事)のプロンプト例:

你是一位擅长社交媒体写作的内容创作者。

请将以下 {{product_name}} v{{version}} 的更新日志改写成微信公众号推文:
- 字数:400-600字
- 语气:轻松活泼,贴近用户
- 结构:开头吸引眼球,中间介绍亮点,结尾引导互动
- 适当使用 emoji
- 不要使用技术术语,用用户能理解的语言

更新日志原文:
{{Start.update_content}}

LLM-2(技術ブログ)とLLM-3(ショート動画スクリプト)も同様に構成し、プロンプトとモデルを調整するだけです。

ステップ4:Endノードを追加し、出力変数を設定:

wechat_post:引用 {{LLM-1.text}}
tech_blog:引用 {{LLM-2.text}}
video_script:引用 {{LLM-3.text}}

ステップ5:API経由で社内ツールに統合します。

例

import requests

def generate_content(update_content: str, product_name: str, version: str):
    """Dify Workflow APIを呼び出して複数バージョンのコンテンツを一括生成"""
    # APIアドレス:api.dify.aiを自分のDifyインスタンスのドメインに置き換えてください
    url = "https://api.dify.ai/v1/workflows/run"
    # リクエストヘッダー:自分のアプリのAPI Keyに置き換えてください
    headers = {
        "Authorization": "Bearer app-xxxxxxxx",  # 必須:アプリのAPI Key
        "Content-Type": "application/json"
    }
    # リクエストボディ:Startノードで定義した3つの入力変数を渡します
    payload = {
        "inputs": {
            "update_content": update_content,  # 更新ログの原文
            "product_name": product_name,      # 製品名
            "version": version                 # バージョン番号
        },
        "response_mode": "blocking",  # ブロッキングモードで完全な結果を待機
        "user": "content-team"        # ユーザー識別子、ログ追跡用
    }
    response = requests.post(url, headers=headers, json=payload)
    # レスポンスからoutputsフィールドを抽出します。3つのLLMノードの生成結果が含まれます
    return response.json()["data"]["outputs"]

実践シナリオ3:カスタマーサポートAgent(Human-in-the-Loopを含む)

スマートカスタマーサポートのチケット処理システムを構築し、AIが標準的な問題を自動処理し、複雑な問題は事前分析付きで人間に転送します。

業務背景

ECプラットフォームのカスタマーサポートチケットは1日あたり平均500件以上で、大部分は標準的な問題(物流照会、返品ポリシー)ですが、約20%は人手による処理(複雑なクレーム、高額返金)が必要です。

ワークフロー設計

Start(接收用户工单:问题类型 + 内容 + 订单号)
  ↓
LLM-分类:判断问题类型(standard / complex)
  ↓
IF/ELSE:问题类型是否为 standard?
  ├─ standard →
  │    Knowledge Retrieval(从客服知识库检索)
  │      ↓
  │    LLM-回复:生成标准回答
  │      ↓
  │    End(直接回复用户)
  │
  └─ complex →
       LLM-预分析:生成问题摘要和建议处理方案
         ↓
       Human Input(人工审核,可编辑 AI 建议,选择"批准"/"修改"/"升级")
         ↓
       End(发送经过人工确认的回复)

主要ノードの設定

分類LLMノード(構造化JSONを出力):

例

{
  "system": "あなたはカスタマーサポートのチケット分類の専門家です。以下のチケットを分析し、JSON形式で分類結果を出力してください。",
  "output_schema": {
    "category": standard または complex,
    "reason": 分類理由(一言),
    "priority": "low / medium / high"
  },
  "criteria": {
    "standard": 物流照会、返品ポリシー、通常返金(<500元)、アカウント問題,
    "complex": 高額返金(>500元)、クレーム、紛争、製品品質問題
  }
}

Human Input ノード設定:

設定項目説明
表示内容AI 事前分析結果 + 推奨返信ドラフト
編集可能フィールド返信内容、優先度
カスタムボタン承認(AI の推奨返信を使用)、修正後承認(手動編集後に返信)、エスカレーション処理(専門対応チームに転送)

期待される効果

チケット種別処理方法効果向上
標準問題(約 80%)AI 完全自動処理応答時間が 4 時間から 30 秒に短縮
複雑な問題(約 20%)AI が人間を支援し、分析とドラフトを提供手動処理時間が 60% 削減
全体-チケット処理効率が約 3 倍に向上

外部公開:API、Webページ埋め込み、MCPサーバー

Dify アプリを外部システムに公開します。API 呼び出し、Web 埋め込み、MCP サーバーの 3 つの方法に対応しています。

APIとして公開

すべての Dify アプリには REST API が自動的に用意されています。アプリページで API Access(API アクセス)を選択して取得します。

チャットアプリの API 呼び出し例:

# 调用聊天 API(流式返回模式)
curl -X POST 'https://api.dify.ai/v1/chat-messages' \
  -H 'Authorization: Bearer {API_KEY}' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "你好",
    "response_mode": "streaming",
    "conversation_id": "",
    "user": "user-001"
  }'

ワークフローアプリの API 呼び出し例:

# 调用 Workflow API(阻塞模式)
curl -X POST 'https://api.dify.ai/v1/workflows/run' \
  -H 'Authorization: Bearer {API_KEY}' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {"your_variable": "your_value"},
    "response_mode": "blocking",
    "user": "user-001"
  }'

API Key の形式は app- で始まります。クエリパラメータではなく、リクエストヘッダーで Authorization: Bearer として渡してください。各 API Key は特定の 1 つのアプリにのみ対応し、異なるアプリ間で Key は共通ではありません。

Webページ埋め込み

アプリページで Overview を選択し、Embedded をクリックすると、3 つの埋め込み方法が提供されます:

方法 1:iframe 埋め込み

例

<!-- iframe 埋め込み方式。既存の Web ページに直接統合するのに適しています -->
<iframe
 src="https://udify.app/chatbot/xxxxxxxx"
 style="width: 100%; height: 100%; min-height: 700px"
 frameborder="0"
 allow="microphone">
</iframe>

方法 2:バブルボタン(Web ページ右下にフローティング表示)

例

<!-- バブルボタン埋め込み。Web ページ右下にフローティング表示され、クリックするとチャットウィンドウがポップアップします -->
<script>
  window.difyChatbotConfig = { token: 'xxxxxxxx' }
</script>
<script
 src="https://udify.app/embed.min.js"
 id="xxxxxxxx"
 defer>
</script>

方法 3:全画面 Web ページ。独立アクセスで、リンク https://udify.app/chat/xxxxxxxx を直接共有します。

MCPサーバーとして公開

Dify は、構築したワークフローまたは Agent を標準 MCP サーバーとして公開することをサポートしており、事前認可モードと認証不要モードに対応しています。

つまり、Dify で構築した知識ベース Q&A アプリは、Claude Code、Cursor、omp などの AI プログラミングツールのツールノードとして直接利用でき、開発ワークフローにシームレスに統合できます。

操作手順:アプリで Publish を選択し、MCP Server をクリックします。


可観測性:監視と継続的改善

ログ、アノテーション、統計、外部プラットフォーム統合を通じて、AI アプリのパフォーマンスを継続的に監視・最適化します。

アプリログの確認

アプリページで Logs(ログ)を選択すると、各会話の完全な入出力、Token 使用量(入力と出力をそれぞれ統計)、応答時間、モデルとパラメータ情報を確認できます。

会話にアノテーションを付ける

ログで特定の会話をクリックし、回答の横にあるいいねまたはよくないねボタンをクリックすると、理想的な回答をアノテーションとして追加できます。

アノテーションデータの用途には、アノテーションによるファインチューニング用データセットの構築、知識ベースでカバーされていない領域の特定、頻繁にエラーが発生する問題タイプの発見が含まれます。

アプリデータ統計

アプリページで Overview を選択し、Analytics(データ分析)をクリックすると、以下を確認できます:

統計項目説明
会話数の傾向日/週/月単位での会話量の変化
平均 Token 消費量1 回の会話あたりの平均 Token 使用量
ユーザー満足度スコアいいね/よくないねの分布統計
アクティブユーザー数このアプリを使用した重複排除ユーザー数

外部可観測性プラットフォームとの統合

Dify は Opik、Langfuse、Arize Phoenix などの可観測性プラットフォームをサポートしています。

Langfuse を例にすると:Settings で Monitoring を選択し、Langfuse を選択して、Public Key と Secret Key を入力して保存します。以降、すべてのアプリの呼び出しチェーンは自動的に Langfuse に同期され、完全な Span トレースと Token コストの詳細を確認できます。

継続的改善サイクル

以下の継続的改善プロセスを確立することをお勧めします:

部署上线
  ↓
收集对话日志(1-2 周)
  ↓
分析差评对话:哪些问题回答得不好?
  ↓
改进知识库(补充文档、调整分块)或优化 Prompt
  ↓
A/B 测试:对比改进前后的效果
  ↓
再次部署

料金とプラン

Dify Cloud とセルフホスティングの料金体系を理解し、最適なプランを選択しましょう。

Dify Cloud プラン

プラン月額料金説明
Sandbox無料200 メッセージ/月、5 アプリ、体験シーン向け
Professional$59/月5,000 メッセージ/月、50 アプリ、チームコラボレーション対応
Team$159/月10,000 メッセージ/月、アプリ無制限、優先サポート
Enterpriseカスタム無制限利用、プライベートデプロイオプション、SLA 保証

セルフホスティングのコスト

セルフホスティングのコミュニティ版は完全無料で、使用制限は一切ありません。

必要なのはサーバーホスティング費用(VPS 1 台で約 $5-50/月)と、AI モデルの API 呼び出し費用のみです。

費用の見積もり(セルフホスティング、10,000 会話/月):

構成要素費用見積もり
VPS(4 コア 8 GB)$20-40/月
Claude Sonnet 4.6(1 会話あたり約 1K Token)~$30/月
Embedding(text-embedding-3-small)~$2/月
合計~$52-72/月

Dify Cloud Professional($59/月、さらにモデル API 費用が必要)と比較すると、セルフホスティングは大量利用時に通常より経済的です。

コスト削減のヒント

ヒント説明
知識ベースを経済モードでインデックス化既存のキーワード検索で十分な場合は、ベクトル化は不要
適切なモデルの選択簡単な Q&A には GPT-4o-mini または Gemini Flash を使用し、複雑なタスクにはフラッグシップモデルを使用
Token 上限の設定LLM ノードで max_tokens を設定し、1 回の呼び出しが長すぎるのを防ぐ
キャッシュの有効化類似した問題には前回の回答を自動的に再利用(Prompt Cache)

よくある質問とトラブルシューティング

起動、知識ベース検索、API 呼び出し、ワークフローの 4 つのカテゴリの一般的な問題のトラブルシューティング方法を網羅しています。

起動時の問題

問題:docker compose up -d 実行後にサービスが unhealthy になる

例

# api コンテナのログを確認し、具体的なエラーを特定
docker compose logs api

# worker コンテナのログを確認
docker compose logs worker

# メモリが十分か確認(少なくとも 4 GB 必要)
free -h

# ポートが使用中でないか確認(80 または 443)
sudo lsof -i :80

問題:http://localhost にアクセスすると 502 Bad Gateway が表示される

例

# すべてのコンテナが完全に起動するまで待機(通常 1〜2 分かかる)
docker compose ps

# api、web、worker がすべて healthy 状態であることを確認してから再アクセス

ナレッジベース検索の問題

問題:知識ベースが関連コンテンツを検索できない

トラブルシューティング手順:

  1. 知識ベースで Retrieval Testing をクリックし、具体的な問題をテストして検索できるか確認
  2. 検索できない場合:類似度しきい値を下げて(0.6 から 0.3 へ)、結果が出るかテスト
  3. それでも結果がない場合:Embedding モデルの設定が正しいか、知識ベースのインデックスが完了しているかを確認
  4. 結果はあるが内容が正しくない場合:ドキュメントのチャンク分割戦略を確認し、大きなファイルは手動分割を検討

問題:RAG が関連性のないコンテンツを返す

検索された Chunk の内容を確認します。Chunk が関連性がない場合は、チャンクサイズを小さくしてスコアしきい値を上げます。Chunk が返されない場合は、しきい値が高すぎる可能性があるため、一時的に 0.3 に下げて再テストします。また、知識ベースがアプリのオーケストレーションパネルに関連付けられていることを確認します。

API呼び出しの問題

問題:API が 401 Unauthorized を返す

API Key の形式を確認します——Dify アプリの API Key は app- で始まります。リクエストヘッダーで Authorization: Bearer として渡すようにしてください。クエリパラメータとしては渡さないでください。また、この API Key が正しいアプリに属していることを確認してください——Key はアプリレベルであり、異なるアプリの Key は互換性がありません。

問題:ストリーミング応答が途中で切断される

これは通常、タイムアウトの問題です。リバースプロキシのタイムアウト設定を確認してください——Nginx のデフォルトは 60 秒ですが、複雑なワークフローには不十分な場合があります。

# nginx.conf 中增加超时配置,确保长时间运行的工作流不被中断
proxy_read_timeout 300s;
proxy_connect_timeout 300s;
proxy_send_timeout 300s;

ワークフローの問題

問題:ワークフローの特定ノードでエラーが発生する

調査手順:

  1. デバッグパネルを開き、エラーが発生したノードの入力/出力を確認します
  2. ノードの横にある赤いマークをクリックして、詳細なエラー情報を確認します
  3. よくある原因:変数参照パスのエラー({{ノード名.変数名}} のスペルを確認してください)

リソース

初心者から上級者まで役立つ、おすすめの学習パスと関連リソースです。

推奨学習パス

注册 Dify Cloud,用 Sandbox 体验
    ↓
配置自己的模型提供商(Anthropic 或 OpenAI)
    ↓
创建第一个知识库,上传 5-10 个文档,测试检索效果
    ↓
创建 Chatbot 应用,关联知识库,完成场景实战一
    ↓
学习 Workflow,完成场景实战二(内容生成流水线)
    ↓
探索 Human Input 节点,完成场景实战三(客服 Agent)
    ↓
用 Docker Compose 搭建本地/服务器自托管版本
    ↓
通过 API 将 Dify 应用集成到现有系统
    ↓
探索 MCP Server 发布,接入 AI 编程工具生态

公式リソース

リソースリンク説明
公式サイトdify.ai製品情報と登録エントリー
ドキュメントdocs.dify.ai完全な製品使用ドキュメント
GitHubgithub.com/langgenius/difyApache 2.0 オープンソースで、ソースコードの閲覧と Issue の提出が可能です。
Discord コミュニティdiscord.gg/FngNHpbcY7コミュニティメンバーや公式チームと交流できます
テンプレートマーケットアプリ内 Templatesコミュニティが共有するワークフローテンプレートを直接利用できます
Dify Blogdify.ai/blog機能更新と使用事例
ナレッジベース FAQdocs.dify.ai/faqよくある質問の公式回答
その他の拡張