实战教程，基于DeepSeek + Dify搭建工作流，实现本地化私有部署

不知道大家用没用过ERP系统，就是企业里面用于管理业务流程的软件，比如财务审批等。以前想开发类似这种业务流程软件，费时费力，因为前后端都需要自己写代码。

但由于AI大模型的出现，一切都变得简单起来。你可以在AI开发平台上搭建属于自己的工作流，低代码甚至零代码就可以实现，而且有DeepSeek这样的超级AI作为大脑，人人都可以开发自动化工作流。

比如我搭建的邮件助手工作流，可以自动润色各种邮件内容。

什么是工作流，有什么好处？

工作流是由于DeepSeek等大模型的兴起而开始风靡的，它可以基于AI和流程设计来实现自动化的AI应用，比如说自动化生成业务报告、AI自媒体写作、简历筛选机器人等。

这些复杂繁琐的工作可以通过DeepSeek这类的大模型生成解决方案，并最终输出结果，形成一套工作流。

目前市面上有不少搭建工作流的工具，比如字节Coze、腾讯元器、OpenAI GPTs等，支持通过拖拉拽设计工作流实现一个AI工具的搭建，但这些平台都是大厂的商业应用，你只能在它的平台里搭建和使用，无法离线部署，缺乏应用的灵活性和数据安全性。

如果你想在本地部署私有工作流，可以使用Dify来实现，配合本地部署的DeepSeek作为模型基座，这样就是实现完全离线的AI工作流，非常适合数据敏感的企业。

下面会讲到在本地电脑搭建工作流需要的软件和硬件要求，以及详细的配置过程。

软/硬件配置要求

Dify是一款开源的AI开发框架，可以快速的将AI大模型应用到工作流程中，简单来说就是帮你造好了各种轮子，你只需要设计流程就能独立开发AI应用，哪怕你没有任何代码能力，是不是很方便。

以下是Dify官方对其能力的总结，我觉得很到位。

Dify的源码托管在Github上，因其是开源的，所以你可以随意研究其源码，甚至定制化开发。

选择Dify搭建工作流有两种路径，第一种是使用它的云服务，直接线上使用，和字节Coze类似。

第二种是使用Docker来进行Dify本地化的部署，这是本文要讲的。

Docker是一种容器技术，它可以将软件和其依赖打包成「集装箱」，这样的好处是不依赖云服务，数据完全私有化，且定制化程度高。

所以使用Docker来在本地私有化部署Dify，进而搭建工作流是非常好的方式，适合任何对数据安全敏感的企业。

除了Docker外，还会用到Git技术，它的作用是将托管在Github上的Dify源码克隆到本地环境，然后用于Docker部署。

我是在Win 11系统上进行部署的，要想运行上述软件，本地电脑硬件配置要求并不高，最低双核CPU、2GB运行内存即可。

但是如果你需要在本地部署DeepSeek R1模型，来作为Dify的大模型基座，则需要更高的配置，后面会讲到。

部署流程

第一步：克隆源码到本地

首先你的电脑上需要有Git软件，用来克隆Dify源码到本地。

Git下载链接如下：
https://git-scm.com/downloads

安装好后，打开Git CMD，切换到你想要的文件路径，比如D盘，然后运行下面的代码。

# 当前Dify最新版本为 1.0.0，安装最新的即可
git clone https://github.com/langgenius/dify.git --branch 1.0.0

克隆好后，本地电脑就会出现Dify 1.0.0的所有源码。

第二步：在Docker中启动Dify

我是Win 11系统，需要先下载Docker客户端，这里注意Docker在Win上运行默认依赖 WSL 2（适用于 Linux 的 Windows 子系统），可以利用其轻量级特性降低资源消耗，所以你电脑上得有WSL 2。

其他操作系统参考：

Docker客户端下载：
https://docs.docker.com/desktop/setup/install/windows-install

安装好Docker后，界面如下。

然后开始在Docker中启动Dify，打开CMD命令行，进入刚刚克隆Dify源码的路径：

cd dify/docker

接着要复制环境配置文件：

cp .env.example .env

进一步启动Docker容器（这里需要科学上网​）：

docker compose up -d

命令运行成功出现以下提示，说明安装好了。

PS：这个过程，很多人会出现报错，一般都是网络的问题，如果没法科学上网，则需要配置国内镜像加速，网上有很多教程。

再打开Docker客户端，安装好的Dify软件和其依赖会出现在里面。

因为Dify是web应用，安装在了本地环境，所以需要在浏览器中打开，输入以下链接到浏览器：

http://localhost

打开后，就会出现Dify的软件界面，需要先设置管理员账号再登陆。

以下是登陆后的工作面板：

Dify包含了两大核心功能，工作室和知识库，其中工作室可以创建聊天助手、Agent、工作流。

你可以在工作室->工作流->创建空白面板中，创建新的工作流。

第三步：配置DeepSeek R1本地化模型

部署好Dify后，你需要在里面配置DeepSeek等各种AI大模型，用于工作流的使用，这里以配置本地部署的DeepSeek R1 7B模型为例。

我之前已经在本地电脑，使用ollama部署好了DeepSeek R1 7B离线模型，你可以按照我写的教程自己部署。

首先打开Dify设置界面，找到并安装模型供应商里面的olloma插件。

然后配置本地安装好的DeepSeek R1 7B模型，这里注意基础URL需要填：
http://host.docker.internal:11434

然后就配置好了本地DeepSeek R1 7B模型，后面在工作流中可以直接调用。

如果你想配置在线的DeepSeek官方模型，直接填写API地址和key即可，key需要你去DeepSeek官网申请。

第四步：搭建本地工作流（案例）

想要搭建工作流，先在Dify首页新建一个空白工作流应用，填好名称信息。

我建了一个名为”DeepSeek文档阅读器“的工作流，用于直接提炼PDF文档关键信息，不需要再写Prompt。

打开工作流设计界面，然后会进入到类似画布的设计框。

你可以在里面添加节点和注释，搭建工作流。

Dify提供了很多官方的工具和插件，比如LLM（大模型）、代码执行（Python）等，能直接使用。

如果不够，它还有插件社区，可以去下载。

我设计的”DeepSeek文档阅读器“分四个步骤：

开始（导入PDF文档）-> 文档提取器（从文档中提取文本）->LLM（DeepSeek本地模型分析）-> 结束（输出结果）

其中LLM里面接入的是DeepSeek R1 7B模型，支持设置各种参数，比如温度、Top P、Top K等。

这里需要注意配置好system prompt和user prompt，因为涉及到模型是否能正常工作。

最后测试下，我上传了一个关于汽车数字化的行业分析报告PDF，模型跑出来了结果。

这只是一个简单的流程，你可以设计一个更加复杂的工作流，Dify都能轻松实现。

结论

在Dify中搭建本地工作流非常的实用，不光能保证数据安全，还可以做很多定制化开发，比如写Python脚本等。对于很多小企业来说，AI工作流应用可以替代一些商业软件，还能更适应本地的知识库，绝对是值得挖掘的机会。