目录
第一部分：思想与基石——万法归宗，筑基问道
第1章：AI 应用的哲学——从“调用模型”到“构建系统”
1.1思维范式转换：为什么说 LLM 是新型 CPU，而 Dify 是操作系统？
1.2架构的演进：从简单的 Chatbot 到复杂的 Agent 智能体。
1.3解构 Dify：低代码、工作流与 LLM 编排的本质。
1.4破除迷思：什么时候该用代码，什么时候该用 Dify？
第2章：工欲善其事——Dify 环境与基础设施
2.1私有化之基：Docker 与 Docker Compose 的极简部署之道。
2.2模型的“军火库”：接入 OpenAI、DeepSeek、Claude 以及本地 Ollama。
2.3存储的艺术：理解 Dify 后的 PostgreSQL、Redis 与向量数据库（Vector DB）。
2.4环境调优：如何为企业级生产环境配置高性能 Dify 实例。
第二部分：术法万千——Dify 核心引擎全解析
第3章：工作流的律动——Workflow 与 Chatflow 详解
3.1节点漫谈：从开始到结束，理解变量在节点间的流动逻辑。
3.2逻辑的支柱：条件分支（IF-ELSE）、迭代（Iteration）与代码块（Code）。
3.3变量管理：全局变量、环境变量与会话变量的妙用。
第4章：知识的海洋——RAG 检索增强生成的深度实践
4.1RAG 的内功：分段（Chunking）、嵌入（Embedding）与检索（Retrieval）。
4.2混合检索与重排序：为什么 Keyword + Vector + Rerank 才是工业标准？
4.3知识库治理：如何清洗非结构化数据，让 AI 不再说胡话。
第5章：灵魂的舞者——Agent 智能体与工具调用
5.1Agent 认知模型：理解 Planning（规划）、Memory（记忆）与 Action（执行）。
5.2工具箱（Tools）：API 扩展、Google Search、以及自定义 Tool 的开发。
5.3ReAct 与多 Agent 协作：让一群 Agent 像一个团队一样工作。
第三部分：登堂入室——高级工程化与平台扩展
第6章：代码节点与 Sandbox 安全体系
6.1Python/Node.js 赋能：在 Dify 节点中处理复杂 JSON 与数据清洗。
6.2Sandbox 隔离机制：如何在保障安全的前提下运行自定义逻辑。
6.3API 联调：将 Dify 工作流作为后端的 BaaS（Backend as AI Service）模式。
第7章：插件系统与 MCP（模型上下文协议）
7.1插件开发实战：从 Manifest 定义到后端逻辑的闭环。
7.2迎接 MCP 时代：让 Dify 无缝连接本地文件、数据库与企业系统。
7.3跨平台集成：Dify 插件在不同生态中的分发与复用。
第8章：LLMOps——监控、评估与迭代
8.1性能度量：Token 消耗、响应延迟与调用成本监控。
8.2调试的智慧：使用日志与追踪（Tracing）定位工作流中的故障。
8.3自动化回归：如何评估模型升级对现有工作流的影响。
第四部分：知行合一——实战演练与商业落地
第9章：实战项目一：企业级智能知识库系统
9.1场景定义：多模态文档处理（PDF、Excel、Markdown）。
9.2高阶 RAG 优化：使用多路召回与多轮对话改写（Query Rewrite）。
9.3前端集成：WebApp 发布与第三方（钉钉、企业微信）对接。
第10章：实战项目二：全自动内容创作与分发流水线
10.1创意 Agent：选题、大纲、扩写的工作流编排。
10.2多模态联动：结合 Stability AI/Midjourney 生成配图，TTS 生成语音。
10.3API 自动化：一键推送到 WordPress、小红书等社交平台。
第五部分：未来已来——商业模式与开发者成长
第11章：Dify 的商业化变现路径
11.1SaaS 与本地化私有云：针对不同客户的交付策略。
11.2AI 咨询师之路：如何为企业量身定做工作流解决方案。
11.3开源贡献与生态分红。
第12章：终身学习——AI 架构师的自我进化
12.1技术嗅觉：如何跟踪 LLM 领域的最新论文与技术变迁。
12.2架构审美：从“能跑通”到“优雅且高效”。
12.3奶奶的寄语：在 AI 时代，保持人类独有的好奇心与同理心。
附录：工具箱
A. Dify 快捷键与常用参数速查表
B. 常用 Embedding 与 Rerank 模型对比
C. 工作流常用 Python 脚本代码片段
D. MCP 服务器配置指南
