面试题手册

Dify 的知识库功能基于向量检索技术，工作原理如下：文档上传与处理支持多种格式：TXT、PDF、Markdown、Word、CSV 等自动分块：将长文档切分成适合检索的小块文本清洗：去除无关字符和格式向量化处理使用嵌入模型将文本转换为向量支持多种嵌入模型（如 OpenAI embeddings、HuggingFace 模型）向量存储在向量数据库中（如 Milvus、Weaviate）检索流程用户提问转换为查询向量计算查询向量与文档块的相似度返回最相关的文档块答案生成将检索到的相关文档块作为上下文结合用户提问，使用 LLM 生成答案优化建议：合理设置分块大小和重叠度选择合适的嵌入模型定期更新知识库内容添加元数据标签提高检索精度面试者应该了解向量检索的基本原理，以及如何优化知识库的检索效果。

Dify 的工作流（Workflow）功能允许用户通过可视化方式编排复杂的 AI 应用流程，核心概念包括：节点类型开始节点：定义工作流的输入参数LLM 节点：调用大语言模型进行文本生成知识库检索节点：从知识库中检索相关信息条件判断节点：根据条件分支执行不同逻辑代码节点：执行自定义 Python/JavaScript 代码HTTP 请求节点：调用外部 API模板转换节点：使用 Jinja2 模板处理文本结束节点：定义工作流的输出数据流转节点之间通过变量传递数据支持引用前序节点的输出支持全局变量和上下文变量编排方式拖拽式可视化界面支持串行和并行执行支持循环和条件分支应用场景：复杂的问答流程（多步骤检索、验证、生成）自动化文档处理（提取、分析、生成报告）多模型协作（使用不同模型完成不同任务）外部系统集成（调用第三方 API）面试者应该了解工作流的基本概念，以及如何设计复杂的工作流来解决实际问题。

Dify 提供了插件扩展功能，允许开发者通过插件扩展平台能力。插件系统的核心概念包括：插件类型工具插件（Tool Plugins）：提供额外的工具和功能模型插件（Model Plugins）：集成新的 LLM 模型数据源插件（Data Source Plugins）：连接外部数据源输出插件（Output Plugins）：自定义输出格式和渠道插件开发使用 Python 开发插件遵循 Dify 插件规范实现必要的接口和方法提供插件配置界面插件管理插件安装和卸载插件启用和禁用插件版本管理插件依赖管理常见插件应用场景搜索工具：Google Search、Bing Search数据处理：Excel 处理、PDF 解析外部 API：调用第三方服务消息推送：Slack、钉钉、企业微信插件开发示例（Python）：from typing import Any, Dictfrom dify_plugin import Toolclass MyCustomTool(Tool): def get_runtime_parameters(self) -> Dict[str, Any]: return { "name": "my_tool", "description": "My custom tool", "parameters": { "input": { "type": "string", "description": "Input parameter" } } } def invoke(self, parameters: Dict[str, Any]) -> Dict[str, Any]: input_data = parameters.get("input", "") # 处理逻辑 result = f"Processed: {input_data}" return {"result": result}最佳实践：插件应该有清晰的文档和示例处理好错误和异常情况提供合理的默认配置考虑性能和资源消耗面试者应该了解 Dify 插件系统的基本概念，以及如何开发和使用插件来扩展 Dify 的功能。

Dify 作为 AI 应用开发平台，与其他同类平台相比有独特的优势。主要对比对象包括：与 LangChain 对比Dify：可视化界面，低代码，开箱即用LangChain：代码优先，需要编程能力，更灵活适用场景：Dify 适合快速原型和非技术人员，LangChain 适合深度定制与 Flowise 对比Dify：功能更全面，内置知识库、工作流等Flowise：专注于工作流编排，界面更简洁适用场景：Dify 适合完整应用开发，Flowise 适合流程编排与 OpenAI Assistants API 对比Dify：支持多种模型，私有化部署，成本更低OpenAI：仅支持 OpenAI 模型，托管服务，集成简单适用场景：Dify 适合需要多模型和私有化，OpenAI 适合快速集成与自定义开发对比Dify：开发速度快，维护成本低，功能完善自定义开发：完全可控，可深度定制，但开发周期长适用场景：Dify 适合大多数场景，自定义开发适合特殊需求Dify 的核心优势：开源免费，可私有化部署支持多种大语言模型低代码可视化界面完善的知识库和工作流功能强大的 API 集成能力活跃的社区支持选择建议：快速原型开发：选择 Dify需要深度定制：考虑 LangChain 或自定义开发仅需简单集成：考虑 OpenAI Assistants API团队协作需求：Dify 的团队功能更完善面试者应该了解不同平台的优缺点，以及如何根据项目需求选择合适的平台。

Dify 提供了全面的监控和日志功能，帮助用户了解应用的运行状况和优化性能。核心功能包括：应用监控调用统计：记录 API 调用次数、成功率、响应时间Token 使用量：监控输入和输出 token 消耗成本统计：根据模型定价计算使用成本用户活跃度：追踪活跃用户数和使用频率对话日志完整的对话历史记录用户输入和 AI 输出上下文和参数信息时间戳和用户标识性能指标平均响应时间P50/P95/P99 延迟错误率和异常统计并发请求数日志查询按时间范围筛选按用户 ID 查询按应用 ID 查询按关键词搜索数据导出支持导出 CSV 格式支持导出 JSON 格式支持批量导出优化建议：定期分析日志，发现性能瓶颈监控 token 使用量，控制成本关注错误日志，及时修复问题使用 A/B 测试优化提示词面试者应该了解 Dify 的监控和日志功能，以及如何利用这些数据优化应用性能。

Dify 提供了多种应用类型，每种类型适用于不同的场景：聊天助手（Chatbot）适用场景：客户服务、智能问答、个人助手特点：支持多轮对话、上下文记忆、自然语言交互知识库问答（Knowledge Base）适用场景：文档检索、FAQ 系统、企业知识管理特点：基于向量搜索、支持多种文档格式、精准答案提取工作流（Workflow）适用场景：自动化流程、复杂任务编排、业务流程自动化特点：可视化编排、支持条件判断、可扩展节点文本生成（Text Generation）适用场景：内容创作、文案生成、翻译特点：批量处理、模板化输出、风格定制面试者应该了解不同应用类型的特点，以及如何根据业务需求选择合适的应用类型。

Dify 提供了完善的 API 接口，允许开发者将 AI 应用集成到自己的系统中。主要 API 类型包括：对话 API（Chat API）端点：/v1/chat-messages功能：发送消息并获取 AI 回复支持流式响应和普通响应支持多轮对话上下文工作流 API（Workflow API）端点：/v1/workflows/run功能：触发工作流执行支持传递输入参数返回工作流执行结果知识库 API（Knowledge Base API）端点：/v1/datasets/{dataset_id}/documents功能：管理知识库文档支持上传、删除、查询文档应用管理 API（App API）端点：/v1/apps/{app_id}功能：获取应用信息、配置支持应用列表查询API 认证：使用 API Key 进行认证在应用设置中生成 API Key在请求头中添加 Authorization: Bearer {api_key}使用示例（Python）：import requestsurl = "https://api.dify.ai/v1/chat-messages"headers = { "Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json"}data = { "inputs": {}, "query": "你好", "user": "user-123", "response_mode": "blocking", "conversation_id": ""}response = requests.post(url, headers=headers, json=data)print(response.json())面试者应该了解 Dify API 的基本使用方法，以及如何在自己的应用中集成 Dify 的功能。

Dify 提供了完善的团队协作和权限管理功能，适合企业级使用。核心功能包括：用户角色管理所有者（Owner）：拥有所有权限，可以删除工作空间管理员（Admin）：可以管理成员、应用和资源编辑者（Editor）：可以创建和编辑应用查看者（Viewer）：只能查看应用，不能编辑工作空间（Workspace）支持多个工作空间隔离每个工作空间有独立的资源和权限成员可以加入多个工作空间应用级别权限应用可见性控制API Key 权限管理应用访问日志记录资源权限知识库访问权限数据集管理权限模型配置权限审计日志记录用户操作历史追踪 API 调用记录监控资源使用情况最佳实践：根据职责分配最小权限原则定期审查用户权限使用 API Key 而非用户凭证进行集成启用审计日志进行安全监控面试者应该了解 Dify 的权限管理机制，以及如何在企业环境中合理配置权限。

Dify 提供了强大的提示词工程功能，帮助用户优化 AI 应用的输出质量。核心概念包括：提示词模板（Prompt Template）使用 Jinja2 模板语法支持变量插值：{{variable}}支持条件判断：{% if condition %}支持循环：{% for item in items %}系统提示词（System Prompt）定义 AI 的角色和行为设置输出格式要求指定回答风格和语气提示词优化技巧清晰明确的指令：使用具体、可操作的指令提供示例：通过 few-shot learning 提高准确性分步骤思考：要求 AI 逐步推理约束输出格式：指定 JSON、Markdown 等格式添加上下文：提供足够的背景信息变量管理输入变量：用户提供的动态数据环境变量：应用级别的配置上下文变量：对话历史和中间结果示例：你是一个专业的{{role}}，请根据以下信息回答用户问题。背景信息：{{background}}用户问题：{{query}}要求：1. 回答要准确、专业2. 使用{{language}}语言3. 格式清晰，易于阅读优化建议：使用 A/B 测试比较不同提示词效果根据用户反馈持续优化关注模型的 token 使用量定期更新提示词以适应业务变化面试者应该了解提示词工程的基本原理，以及如何在 Dify 中编写和优化高效的提示词。

Dify 支持私有化部署，这对于需要数据安全和企业级控制的企业非常重要。部署方式包括：Docker 部署（推荐）使用 Docker Compose 快速部署包含所有必要的服务组件适合快速测试和小规模使用部署步骤： git clone https://github.com/langgenius/dify.git cd dify/docker cp .env.example .env docker compose up -d源码部署从源码编译和部署更灵活的定制化适合需要深度定制的场景Kubernetes 部署使用 Helm Chart 部署支持高可用和自动扩缩容适合大规模生产环境私有化部署的优势：数据完全本地化，符合数据安全要求可以使用本地 LLM，降低成本不受网络限制，访问速度更快可以深度定制和扩展不受第三方服务限制部署注意事项：硬件要求：至少 4GB 内存，推荐 8GB 以上需要配置向量数据库（如 Milvus、Weaviate）需要配置数据库（PostgreSQL）需要配置 Redis 缓存需要配置对象存储（如 MinIO）面试者应该了解 Dify 的私有化部署方式，以及在不同场景下如何选择合适的部署方案。