在 Dify 中完成应用创建、数据集管理与模型训练评估

Dify 是一个用于搭建生成式 AI 应用的平台：把模型、提示词、知识库、工具和变量组合成一个可运行的应用，再发布给真实用户使用。它适合想快速把想法做成可试用产品的人，也适合需要把大模型能力接入业务流程的团队。基础操作并不只是点几个按钮，而是一条有顺序的操作线：先建应用，再配模型和变量，接着接知识库或工具，最后发布并试用。这篇教程就按这条线走一遍，每一步给出可照做的操作与代码。站内也整理了 Dify 的工具条目，可以先看一眼再动手。

需要提前说明的是：Dify 的界面布局、菜单名称、支持的模型与文件格式会随版本变化，本文描述的是基础操作的主干流程。涉及价格、配额、可用模型清单这类易变信息，请以官网当前信息为准。

准备工作

在开始操作之前，先把下面几件事确认好，能省掉后面大量返工。

一个可用的 Dify 实例：可以是自建部署，也可以是已开通的云端工作区。自建部署需要先完成环境搭建与配置检查，确认 Python、依赖、数据库都正常，服务能启动并登录进去。如果登录后页面能正常打开、侧边栏能展开，说明环境这一关已经过了。
至少一个可调用的模型供应商：应用要跑起来必须有模型可用。在模型管理里配置好供应商与密钥，确认模型列表里能看到目标模型。没有可用模型时，应用可以创建，但无法运行测试。
一份准备好的数据材料：如果应用需要基于自有资料回答，先准备好文档或表格文件。素材中提到的支持格式包括 CSV、JSON 等，实际上传时以界面提示的可选格式为准。
一个明确的应用目标：每建一个应用，都给它写一行说明——解决什么问题、用哪份材料、谁负责验收。应用多了以后，这一行说明能避免工作台变成杂物间。
本地可选的辅助环境：如果要在上传前自己先清洗数据，准备一个能运行 Python 的环境，装好 pandas 即可。

操作步骤

第一步：认识界面分区

进入 Dify 后，先花几分钟熟悉界面。整体布局比较直观，主要分三块：

侧边栏：快速访问不同功能模块，例如模型管理、数据上传、任务管理等。后续所有操作基本都从这里进入。
工作区：显示当前操作的详细信息和状态，进度和结果都在这里查看。
状态栏：显示当前操作状态，以及系统提示和通知。

熟悉这三块之后，操作路径就清楚了：从侧边栏进入某个模块，在工作区完成配置，通过状态栏确认结果。

第二步：上传数据集

如果应用需要基于自有资料工作，第一步是把资料变成平台里的数据集。

从侧边栏进入数据集管理模块。
点击上传数据集的入口，选择本地要上传的文件。素材中列出的支持格式包括 CSV、JSON 等，具体可选格式以界面上显示的为准。
确认上传。平台会自动解析数据并生成预览。
上传完成后，在数据集管理列表里点击对应数据集，进入预览页面。

上传环节最常见的坑是文件编码与表头不规范：列名缺失、分隔符不一致、混入大量空行，都会让解析结果和预期不符。建议上传前先在本地打开确认一遍结构。

第三步：预览与清洗数据集

数据集上传成功后，在预览页面可以查看数据的基本信息，并进行清洗和预处理，例如删除空值、过滤噪声数据。平台提供了可视化界面完成这些操作；如果数据量较大或规则较复杂，也可以先在本地用脚本处理好再上传。

下面是一段读取与预处理 CSV 的示例代码，可作为上传前的清洗模板：

import pandas as pd

# 读取数据集
data = pd.read_csv('data.csv')

# 显示数据集的前五行
print(data.head())

# 删除空值
data = data.dropna()

# 过滤某一特定条件的数据
threshold = 10
filtered_data = data[data['column_name'] > threshold]

# 查看清洗后的规模
print(filtered_data.shape)

这段代码做了三件事：确认数据结构、去掉含空值的行、按某一列的阈值过滤。实际使用时把 column_name 换成自己的列名，把 threshold 换成业务上合理的阈值。清洗后的结果另存为新文件再上传，原始文件保留一份，便于回溯。

第四步：创建应用并配置模型与变量

数据集准备好之后，回到工作台创建应用。创建时先选定应用类型，再进入编排界面。编排界面里需要完成三件事：

选择模型：从已配置的模型供应商中挑选本次要用的模型。不同模型在速度、成本、上下文长度上差异明显，先用一个够用的模型把流程跑通，再考虑替换。
填写提示词：把应用要解决的问题、输入输出的约定写清楚。提示词里可以引用变量，让同一套逻辑适配不同输入。
配置变量：把需要用户填写或系统传入的内容定义成变量，例如查询内容、用户标识、筛选条件。变量定义好之后，提示词和后续节点都可以引用。

这一步的判断标准很简单：创建应用、选择模型、填写提示词、运行测试并保存发布，这个完整闭环跑通之后，再增加复杂节点。不要在流程还没跑通时就堆叠分支和工具调用。

第五步：接入知识库或工具

基础问答跑通后，按需扩展能力。两条常见路径：

接入知识库：把第二步上传的数据集关联到应用，让回答基于自有资料。关联后需要实际提问验证检索是否命中预期内容，而不是只看配置成功。
接入工具：让应用调用外部能力，例如查询接口、执行计算。工具接入后同样要单独测试一次，确认参数传递正确。

扩展的顺序建议是：先只接一个知识库或一个工具，验证通过后再加第二个。一次加多个，出问题时很难定位是哪一环。

第六步：训练模型

如果使用平台内的模型训练能力，从侧边栏进入模型管理模块，点击训练模型的入口，然后指定以下信息：

选择数据集：从之前上传的数据集中选择本次训练要用的那一份。
选择模型类型：平台支持多种模型类型，包括分类、回归等，按任务性质选择。
设定参数：可以调整学习率、迭代次数、批大小等模型参数。

参数没有通用最优值，取决于数据规模和任务难度。稳妥的做法是先用默认参数跑一轮，看评估结果，再针对性地调整单个参数，每次只改一个，便于判断影响。

第七步：评估模型

训练完成后进入评估环节。平台会自动计算准确率、召回率等指标并给出分数，评估界面中也可以生成可视化图表，帮助分析模型表现。

看指标时注意两点：一是准确率高不代表各类别都表现好，要结合分类别的结果看；二是评估用的数据应当与训练数据分开，否则分数会虚高。如果指标不理想，回到第六步调整参数或补充数据，而不是直接发布。

第八步：发布并试用

流程验证通过后，把应用发布出去，交给真实用户试用。发布前再确认一遍：提示词里的变量都有默认值或必填校验，知识库关联的是正确版本的数据集，模型选择与预期一致。试用阶段收集真实提问，作为下一轮优化的输入。

一个完整示例

下面把上面的步骤串成一个最小可跑通的例子：做一个基于自有资料回答问题的应用。

准备数据：整理一份 CSV，第一行为表头，内容为常见问题与标准答案。用上面的示例代码检查前五行、删除空值，另存为 faq_clean.csv。
上传数据集：从侧边栏进入数据集管理，上传 faq_clean.csv，确认解析预览中的列名与行数与预期一致。
创建应用：在工作台新建应用，进入编排界面。
配置模型：选择一个已配置好的模型。
定义变量：新增一个变量，例如 question，用于接收用户提问。
填写提示词：在提示词中引用 question，并约定回答只依据检索到的资料，资料中没有的内容明确说明无法回答。
关联知识库：把第二步上传的数据集关联到应用。
运行测试：输入一个数据集里明确有答案的问题，确认回答引用了正确内容；再输入一个数据集里没有的问题，确认应用按约定说明无法回答。
保存并发布：两项测试都通过后保存，发布给试用用户。

这个例子的价值在于它覆盖了完整闭环：数据、模型、提示词、变量、知识库、测试、发布。闭环跑通之后，再往里加工具调用、多轮分支或模型训练，出问题时才有对照基线。

注意事项

先闭环，后复杂：创建应用、选择模型、填写提示词、运行测试、保存发布这五步没跑通之前，不要增加复杂节点。这是排查问题成本最低的顺序。
每个应用写一行说明：解决什么问题、用哪份材料、谁负责验收。应用数量增长后，这一行说明是工作台保持可用的关键。
文件格式与编码：上传前确认表头完整、编码统一、空行已清理。解析结果异常时，优先怀疑源文件而不是平台。
训练参数逐个调：学习率、迭代次数、批大小一次只改一个，否则无法判断是哪个参数带来了变化。
评估数据要独立：用训练数据本身做评估会得到虚高的分数，评估集应当与训练集分开。
易变信息以官网为准：模型供应商清单、可用模型、文件格式支持、配额与价格都会随版本和套餐变化，操作前以官网当前信息为准。
发布前再测一次：配置改动后重新跑一遍测试用例，尤其是关联的数据集或模型被替换过的情况。