dify私有部署知识库rag企业docker

用 Dify 私有部署搭企业知识库（含完整 Docker Compose）

发布 2026-08-02更新 2026-08-02核实 2026-08-02

一句话结论

Dify 私有部署企业知识库是**「数据不出内网 + 工作流强」**场景的最优解之一。一条 docker compose up -d 起完整栈（API / worker / web / PostgreSQL / Redis / Weaviate），模型可接国产 API 或本地 Ollama / vLLM，RAG 调优重点在 embedding 选型 + chunk 策略。社区版 RAG 精度不如 FastGPT，但工作流能力碾压——要「知识库 + Agent + 工作流」三件套，Dify 无可替代。

延伸阅读：Dify 私有部署 1 个月运营记（真实账单 + 踩坑）。

架构选型

形态	适合	门槛
单机 Docker Compose	中小团队（<500 日活）	低，推荐起步
集群 / K8s	日活上千、高可用	高
离线 / air-gapped	涉密单位	需离线镜像 + 本地模型

绝大多数企业从单机起步，8 核 16G 云主机 + 托管 PostgreSQL 足够撑内部几百人。

完整 Docker Compose 配置

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env

.env 关键项：

# 向量库（默认 Weaviate，也可换 pgvector / Qdrant）
VECTOR_STORE=weaviate

# 模型代理（国内接国产模型走这里，不必每个 tool 配 key）
# 在 Dify 控制台「设置 → 模型供应商」里填 key 即可

# 文件上传上限（社区版默认 15MB，超了失败）
UPLOAD_FILE_SIZE_LIMIT=50

docker compose up -d
# 默认 http://localhost，首次建 admin 账号

AIHO 观点：.env 改完务必 docker compose down && up -d——restart 不重载 env，这是「改了不生效」最常见的坑。

模型接入

模型线	接入方式	适合
OpenAI / Claude	官方 provider + key	通用 / 复杂推理
国产（DeepSeek / 通义 / 文心 / 豆包）	原生支持，填 key	国内 toB，零中转
Ollama（Qwen2.5-32B）	本地 endpoint	脱敏任务、零 API 成本
vLLM（自部署）	OpenAI 兼容 endpoint	高并发批量

国产模型原生支持是 Dify 国内流行关键——不像 FastGPT 需要 OneAPI 中转。

RAG 调优：embedding 选型 + chunk 策略

embedding 选型

场景	推荐 embedding	理由
中文文档为主	bge-large-zh / 阿里 text-embedding	中文召回优
中英混合	OpenAI text-embedding-3	多语均衡
本地化	Ollama 跑 bge / nomic	数据不出机

chunk 策略

默认 500 字符 / 50 重叠 → 答非所问率约 30%
递归分块 1000 字符 / 150 重叠 → 降到 ~15%
加外部 rerank（Cohere / bge-reranker）→ 再 +10 个百分点

社区版默认基础语义检索，多路召回 + 重排在企业版才解锁。纯知识库 QA 极致精度看 FastGPT；要工作流编排选 Dify。

权限模型：部门 / 角色 / 知识库隔离

企业多部门场景：

知识库隔离：每个部门建独立知识库，只授权本部门成员
角色：管理员（建应用）/ 编辑（传文档）/ 访客（只问）
SSO：企业版支持 SAML / OIDC，对接内部账号体系
审计：企业版有操作日志，合规必需

常见问题

Q：社区版够企业用吗？ A：中小团队够。但要 SSO / 审计 / 多路召回，得上企业版。

Q：RAG 答不准先调什么？ A：先调 chunk 策略到 1000 字 + 重叠，再加 rerank，最后换 embedding。

Q：和 FastGPT 怎么选？ A：纯 QA 精度 FastGPT 强；要工作流 + Agent + 私有化一体，Dify。详见 Coze vs Dify vs FastGPT。