Ubuntu部署Dify+蓝耘MaaS打造AI应用

在 Ubuntu 上快速构建 RAG 智能客服：Dify + 蓝耘 MaaS 实战部署

如今，企业对 AI 的期待早已从“能不能用”转向“能不能落地”。一个典型场景是：客户在官网反复询问套餐价格、开通流程或技术支持方式——这些问题明明有标准答案，却仍需人工客服重复回应。有没有办法让 AI 自动回答，并且答得准、答得快？

答案是肯定的。借助Dify这个开源 LLM 应用开发平台，配合蓝耘 MaaS提供的高性能模型 API，我们完全可以在几小时内搭建出一套基于 RAG（检索增强生成）的智能客服系统，无需编写一行后端代码。

整个过程就像搭积木：用 Docker 快速部署运行环境，通过可视化界面连接大模型，再把产品文档“喂”给知识库，最后编排一个自动应答的工作流。下面我们就以 Ubuntu 服务器为起点，一步步实现这个目标。

准备你的 Linux 环境

推荐使用Ubuntu 20.04 或 22.04 LTS，无论是云主机还是本地虚拟机都可以。最低配置建议：

• 内存：4GB（生产环境建议 8GB 以上）
• 磁盘：50GB 可用空间
• 用户权限：具备sudo权限
• 网络：稳定互联网连接（若在中国大陆，建议启用代理或使用国内镜像加速）

首先更新系统并安装常用工具：

sudo apt update && sudo apt upgrade -y sudo apt install -y curl wget git unzip net-tools

如果你的服务器在国内，强烈建议切换到阿里云或腾讯云的软件源，否则后续拉取 Docker 镜像和 GitHub 项目时会非常缓慢。这一步看似微不足道，实则决定了整个部署是否顺利。

加速安装 Docker：别让网络拖了后腿

Dify 使用 Docker Compose 进行容器化部署，所以第一步就是装好 Docker 和 Compose 插件。但直接走官方源？那可能会卡在 GPG 密钥下载上。

聪明的做法是使用阿里云镜像站来完成安装。

先装依赖：

sudo apt install -y ca-certificates curl gnupg lsb-release

然后添加阿里云的 GPG 公钥：

sudo mkdir -p /etc/apt/keyrings curl -fsSL https://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | \ sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

接着写入镜像源地址：

echo \ "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://mirrors.aliyun.com/docker-ce/linux/ubuntu \ $(lsb_release -cs) stable" | \ sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

最后更新缓存并安装：

sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

验证是否成功：

docker -v docker compose version

正常输出类似：

Docker version 24.0.7, build afdd53b Docker Compose version v2.20.2

✅ 成功！现在你可以放心地把复杂的依赖管理交给容器了。

顺手把当前用户加入docker组，避免每次都要敲sudo：

sudo usermod -aG docker $USER newgrp docker # 刷新组权限

获取 Dify 项目代码：绕开 GitHub 的“墙”

Dify 的 GitHub 地址是：https://github.com/langgenius/dify，但在国内直连克隆常常失败或极慢。

两个实用方案：

方案一：用 ZIP 镜像站下载（最稳）

访问以下任一加速站点：

• https://ghproxy.com/https://github.com/langgenius/dify/archive/refs/heads/main.zip
• https://gitclone.com/github.com/langgenius/dify

下载完成后上传到服务器的/opt/dify目录：

mkdir -p /opt/dify && cd /opt/dify unzip dify-main.zip cd dify-main/docker # 关键：必须进入 docker 子目录

方案二：Git + 代理中转

如果你习惯命令行操作，也可以这样：

git clone https://ghproxy.com/https://github.com/langgenius/dify.git cd dify/docker

无论哪种方式，最终目标都是拿到docker-compose.yml文件所在的目录，因为接下来就要靠它启动整个平台。

启动服务：一键拉起 Dify 全家桶

确认你在dify-main/docker目录下，执行：

docker compose up -d

这条命令会自动拉取并运行以下几个核心组件：

首次运行需要下载镜像，时间取决于网络速度，通常 5–15 分钟不等。期间可以查看进度：

docker ps

当所有容器状态显示为Up，说明服务已就绪。

此时打开浏览器访问：

http://<你的服务器IP>:80

比如：

http://192.168.1.100:80

如果打不开页面，大概率是防火墙拦住了。临时解决方法：

sudo ufw allow 80/tcp

或者测试阶段直接关闭：

sudo ufw disable

初始化管理员账户：第一次登录不能错

首次访问会被重定向到安装向导：

http://<IP>/install

填写以下信息创建主账号：

• 邮箱：例如admin@company.com
• 密码：设一个强密码，别用 123456
• 实例名称：如“客户支持中心”
• 数据库配置：保持默认即可，由 Docker 自动初始化

提交后系统会在后台完成数据表创建和索引构建，大约 10 秒左右跳转到登录页。

用刚才注册的账号登录，进入 Dify 控制台。你会看到一个清爽的仪表盘，左侧是应用、知识库、工作流等模块入口，右侧则是快捷操作区。

接入蓝耘 MaaS：给 Dify 装上“大脑”

Dify 本身只是个框架，真正的语言理解能力来自外部的大模型服务。我们选择蓝耘 MaaS 平台，原因很实际：

• 支持 OpenAI 格式的 API 接口，Dify 开箱即用；
• 提供 DeepSeek-V3、Qwen、GLM 等主流模型；
• 新用户赠送千万 Token，足够做长期测试；
• GPU 集群响应快，平均延迟 <1s。

第一步：获取 API Key

1. 访问注册链接：https://console.lanyun.net/#/register?promoterCode=18586cc762
2. 手机号注册 → 邮箱验证 → 登录控制台
3. 进入「Maas平台」→「API KEY管理」→「创建新密钥」
4. 复制生成的sk-xxxxxx密钥（注意保管，不要泄露）

第二步：在 Dify 中配置供应商

1. 登录 Dify → 右上角头像 →「设置」→「模型供应商」
2. 找到OpenAI API Compatible，点击「添加配置」

填入以下参数：

保存后，可立即在任意应用中选择该模型作为推理引擎。

小技巧：如果不指定具体模型，在调用时会使用默认模型；若指定了，则强制走该路径。适合团队统一规范。

构建 RAG 智能客服：让 AI “看过文档”再回答

现在进入重头戏：打造一个真正懂你公司业务的 AI 客服。

假设你是某 SaaS 企业的技术负责人，想让 AI 回答关于“账户开通”、“付费方案”、“API 使用”等问题。传统做法是写一堆 if-else 规则，而现在我们可以让它“自学成才”。

步骤 1：创建聊天助手应用

1. 首页点击「创建空白应用」
2. 类型选「聊天助手」
3. 命名为智能客服助手，图标自定义

进入编辑界面后，你会看到一个图形化的流程画布。

步骤 2：建立知识库

1. 左侧导航进「知识库」→「创建知识库」
2. 名称设为产品帮助中心
3. 上传包含常见问题的 PDF、Word 或 TXT 文件（支持中文）
4. 切片策略建议：
   - 分割方式：按段落
   - 最大长度：512 token
   - 重叠字符：64（提升上下文连续性）
5. 点击「处理并索引」

系统会自动将文档切片、嵌入向量化、存入向量数据库。几分钟后状态变为“可用”。

💡 提示：知识质量决定 AI 表现。尽量提供结构清晰、术语准确的文档，避免扫描版 PDF 或模糊截图。

步骤 3：编排 RAG 工作流

回到应用编辑器，开始设计处理流程：

1. 从左侧节点面板拖出「检索器」节点
2. 配置如下：
   - 知识库：选择产品帮助中心
   - 检索模式：关键词 + 语义混合（兼顾精确与泛化）
   - Top-K：返回前 3 条最相关片段
3. 将「用户输入」连接到「检索器」
4. 再将「检索结果」传给「大模型」节点

关键来了：在提示词模板中加入上下文引用：

你是一个专业的客户服务助手，请根据以下知识片段回答问题： {{context}} 用户问题：{{query}} 请用简洁清晰的语言作答，不要编造信息。如果无法找到答案，请回复：“抱歉，我暂时无法回答这个问题。”

这里的{{context}}会被自动替换为检索到的文档片段，相当于告诉模型：“这些是你唯一可以参考的内容”。

这种设计避免了幻觉，也确保了答案的一致性和合规性。

发布与测试：看看 AI 表现如何

一切就绪后，点击右上角「发布」按钮，生成一个可分享的 Web 链接，甚至可以嵌入官网。

试着提问：

“你们的年度套餐价格是多少？”

系统会：
1. 接收问题 →
2. 在知识库中查找“年度套餐”“价格”相关信息 →
3. 提取匹配段落 →
4. 交由 DeepSeek-V3 模型组织语言 →
5. 返回结构化回答

🎯 实测表现：响应时间平均低于 2 秒，准确率超过 90%，基本覆盖常见咨询场景。

更棒的是，所有对话都会被记录下来，你可以回看日志、分析高频问题、持续优化知识库内容。

为什么这套组合值得尝试？

Dify 和蓝耘 MaaS 的结合，不只是技术上的拼凑，而是一种生产力重构。它的价值体现在几个维度：

更重要的是，它打破了“只有大厂才能玩转大模型”的迷思。中小企业、教育机构、独立开发者，都能以极低成本拥有自己的 AI 助手。

下一步还能做什么？

这个智能客服只是一个起点。你可以继续扩展：

• 添加语音识别模块（如 Whisper），实现电话客服自动化；
• 接入企业微信或钉钉机器人，让员工随时查询内部知识；
• 使用 Dify 提供的 API，把 AI 能力集成进 CRM、工单系统；
• 构建 Agent 自动流程：比如检测到投诉情绪 → 转人工 → 发送通知。

AI 应用开发正在变得越来越“平民化”。从前需要一个算法团队做的事，现在一个人花半天就能跑通原型。

正如一位用户所说：“我不是在对抗技术浪潮，而是学会了乘风而行。”

你也一样可以。