Dify 基础功能上手后，这些进阶玩法能让你的 AI 应用真正跑在生产环境里。
API 集成：把 Dify 当 AI 后端用
每个 Dify 应用发布后自动生成一套 REST API。在 App → API Access 页面拿到 API Key，你的前端或后端直接调就行。
import requestsAPI_KEY = "app-xxxxxxxxxxxx"
BASE_URL = "http://localhost/v1"
发送消息（流式返回）
response = requests.post(f"{BASE_URL}/chat-messages",
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"inputs": {},
"query": "帮我总结一下这个季度的销售数据",
"user": "user-123",
"response_mode": "streaming",
"conversation_id": "" # 空字符串 = 新对话
},
stream=True)for line in response.iter_lines():
if line:
print(line.decode())
几个实用接口：
POST /chat-messages— 发消息（支持 streaming）GET /conversations— 列出用户的所有对话POST /audio-to-text— 语音转文字GET /messages/{id}/feedbacks— 获取用户反馈
这套 API 最实用的地方是：你可以用任何语言、任何框架调用 Dify。React、Vue、Flutter、微信小程序——只要能发 HTTP 请求就行。不需要绑定 Dify 的前端。
MCP 协议：双向打通外部工具链
Dify v1.6.0 起原生支持 MCP（Model Context Protocol），而且是双向的：
- 作为 MCP Client：Dify 可以调用外部 MCP Server 提供的工具（比如 Claude Code 的文件操作、数据库查询）
- 作为 MCP Server：Dify 的应用可以被其他 MCP 客户端调用
这意味着你可以把 Dify 接入更大的 AI 工具生态。比如在 Claude Desktop 里直接调用你在 Dify 搭建的 RAG 知识库。
插件生态和 Marketplace
Dify v1.0 引入了插件架构。模型、工具、Agent 策略都是插件，可以独立安装、升级、替换。
Marketplace（marketplace.dify.ai）上有社区贡献的插件：
- 模型插件：接入各种 LLM provider
- 工具插件：Slack 发消息、Jira 创建 ticket、发邮件
- Agent 策略插件：CoT、ToT（Tree-of-Thought）、GoT（Graph-of-Thought）
自己开发插件也不复杂——写一个 manifest.yaml 定义元信息，Python 写逻辑，上传到 Marketplace。
生产环境优化
Dify 跑 demo 容易，跑在生产环境需要注意几件事：
1. 反向代理
# Nginx 配置示例
server {
listen 443 ssl;
server_name dify.yourcompany.com; location / {
proxy_pass http://127.0.0.1:80;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_buffering off; # 重要：SSE 流式输出需要关闭缓冲
}
}
2. 向量数据库选型：默认 Weaviate 够用。数据量大（100 万+ 文档）考虑换 Qdrant 或 Milvus。
3. Worker 扩容：高并发场景增加 Celery Worker 副本数。
4. 监控：Dify 内置 LLMOps 日志面板，按应用维度看调用量、延迟、token 消耗、用户满意度。
真实案例
Kakaku.com（日本价格比较网站）：75% 的员工用 Dify 搭建 AI 应用，一家公司内部跑着近 950 个 Dify 应用。
全球科技公司 VoC 分析：用 Dify Workflow 编排 5 个 Agent（翻译、标注、分析、质检、汇总），每月处理 5 万条用户评价，单次分析时间从 8 小时降到 3 小时。
企业快速原型：某公司一个月内用 Dify 搭了 200+ AI 应用，其中一个应用被使用近 1 万次。
这些案例说明一个趋势：Dify 正在从"开发者工具"变成"全员 AI 平台"。
