Dify-Plus:企业级AI管理核弹!开源方案吊打SaaS,额度+密钥+鉴权系统全面集成

简介: Dify-Plus 是基于 Dify 二次开发的企业级增强版项目,新增用户额度、密钥管理、Web 登录鉴权等功能,优化权限管理,适合企业场景使用。

❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发感兴趣,我会每日分享大模型与 AI 领域的开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术!

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜:蚝油菜花 🥦


🔐 "CTO集体失眠!这个开源项目让企业AI管理进入上帝模式"

大家好,我是蚝油菜花。当同行还在为API调用次数和预算超支扯皮时,这个国产神器已经让AI资源管理进化到「纳米级操控」!

你是否经历过这些管理噩梦:

  • 💸 实习生手滑调用GPT-4烧光季度预算
  • 🔑 离职员工带走密钥,埋下数据泄漏核弹
  • 📊 财务追着要AI费用报表,你只能掏出混沌Excel...

今天解密的 Dify-Plus ,正在重写企业AI管理法则!这个基于Dify的增强型开源中枢,用三大杀手锏终结混乱:

  • AI计划经济:对话次数/API调用/模型权限精准到人,杜绝资源黑洞
  • 密钥风控矩阵:实时监控+用量预测+异常熔断,比银行系统更严谨
  • 财务透视眼:自动生成多维度费用报表,支持成本分摊到部门

已有金融集团用它管理上千个AI应用,文末附《企业AI治理白皮书》——你的IT部门准备好迎接次世代管理革命了吗?

🚀 快速阅读

Dify-Plus 是基于 Dify 二次开发的企业级增强版项目,新增了多项功能以支持企业场景。

  1. 核心功能:用户额度管理、密钥额度设置、Web 登录鉴权、应用中心等。
  2. 技术原理:基于 gin-vue-admin 的管理中心,集成 JWT 认证和异步处理机制,确保系统高效安全。

Dify-Plus 是什么

dify-plus-cover

Dify-Plus 是基于 Dify 二次开发的企业级增强版项目,集成了基于 gin-vue-admin 的管理中心。它在 Dify 的基础上新增了用户额度、密钥额度、Web 公开页登录鉴权、应用中心等功能,并优化了权限管理,特别适合企业场景使用。

Dify-Plus 项目开源,旨在解决企业资源精细化管理的痛点。无论是用户额度控制、密钥管理,还是应用开发与安全管理,Dify-Plus 都提供了全面的解决方案,帮助企业高效管理 AI 资源。

Dify-Plus 的主要功能

  • 用户额度管理
    • 对话余额限制:限制用户对话的使用次数。
    • 异步计算用户额度:后台异步处理用户额度的计算逻辑。
    • 额度显示:在界面左上角显示用户的使用额度。
    • 个人监测页:用户能查看自己的额度使用情况。
  • 密钥管理
    • 密钥额度设置:限制应用 API 调用的余额。
    • 密钥使用分析:提供密钥使用情况的分析和报表。
    • 每月密钥额度花费:统计密钥的每月使用费用。
  • 安全管理
    • Web 公开页登录鉴权:确保只有授权用户可以访问。
    • 鉴权 Cookie:支持安全的 Cookie 鉴权机制。
  • 应用管理
    • 应用中心页面:集中管理所有应用。
    • 应用使用次数记录:记录每个应用的使用次数,按使用次数排序。
    • 同步应用到模板中心:管理员能将应用同步到模板中心。
  • 管理中心
    • 用户同步:同步用户信息到管理中心。
    • 模型同步工作区:同步模型到工作区。
    • 用户额度修改:管理员修改用户的额度。
    • 费用报表:生成费用报表,方便财务管理和分析。
  • 权限管理
    • 权限调整:普通成员无法关闭模型,非管理员无法查看密钥。
    • 优化 CSV 编码监测:修复批量请求问题,支持 Windows 下载后保存再上传。
    • Markdown 图片放大优化:提升用户体验。

Dify-Plus 的技术原理

  • 基于 gin-vue-admin 的管理中心
    • 前端:基于 Vue.js 构建现代化的用户界面,提供良好的用户体验。
    • 后端:Go 语言的 Gin 框架构建高效的后端服务。
  • JWT 认证:基于 JSON Web Tokens (JWT) 实现用户认证和授权,确保系统的安全性。
  • 与 Dify 的集成:基于 RESTful API 与 Dify 进行交互,实现功能扩展。同步用户、模型和应用数据,确保管理中心与 Dify 的数据一致性。

  • 异步处理:用异步任务处理用户额度计算等耗时操作,提升系统性能。

如何运行 Dify-Plus (使用 Docker Compose)

1. 克隆项目

首先,需要从 GitHub 克隆 Dify-Plus 项目到本地。打开终端并运行以下命令:

git clone git@github.com:YFGaia/dify-plus.git

提示:确保本地已安装 Git 和 Docker,并且 Docker 守护进程正在运行。

2. 使用 Docker Compose 启动服务

进入克隆下来的项目目录,并使用 Docker Compose 启动服务:

cd dify-plus/docker
docker-compose -f docker-compose.dify-plus.yaml up -d

备注:该 docker-compose.dify-plus.yaml 文件是从原 Dify 项目精简而来,仅保留了最小化启动所需的服务。如有其他需求,可根据实际情况自行调整。

3. 检查服务是否启动正常

使用以下命令检查容器的运行状态:

docker compose ps

确保所有相关服务的状态均为 running,这表明服务已成功启动。

如何运行 Dify-Plus (使用源码部署)

前置依赖

在部署 Dify-Plus 之前,需要确保以下环境和工具已正确安装并配置:

语言版本

  • Python:3.11 或 3.12
  • Node.js:>=18.17.0
  • Golang:>=1.22.0

基础服务

  • Redis:用于缓存和消息队列
  • PostgreSQL:用于存储数据

提示:确保 Redis 和 PostgreSQL 已启动并正常运行,且可以通过本地连接访问。

启动步骤

启动 Dify API 服务

Dify API 服务是核心服务,负责处理业务逻辑。以下是具体步骤:

# 1. 进入 API 目录
cd api

# 2. 复制环境变量配置文件
cp .env.example .env

# 3. 生成随机密钥并替换 .env 中的 SECRET_KEY
awk -v key="$(openssl rand -base64 42)" '/^SECRET_KEY=/ {sub(/=.*/, "=" key)} 1' .env > temp_env && mv temp_env .env

# 4. 安装依赖包
poetry env use 3.11
poetry install

# 5. 执行数据库迁移
poetry shell
flask db upgrade

# 6. 启动 API 服务
flask run --host 0.0.0.0 --port=5001 --debug

API 服务启动后,可以通过 http://localhost:5001 访问。

启动 Dify Web 服务

Dify Web 服务提供用户界面,供用户与系统交互。以下是具体步骤:

# 1. 进入 Web 目录
cd web

# 2. 安装依赖包
npm install

# 3. 复制环境变量配置文件
cp .env.example .env.local

# 4. 根据需求配置环境变量
vim .env.local

# 5. 构建代码
npm run build

# 6. 启动 Web 服务
npm run start
# 或使用以下命令:
# yarn start
# pnpm start

Web 服务启动后,可以通过 http://localhost:3000 访问。

启动 Dify Worker 服务

Dify Worker 服务负责处理后台任务,例如数据处理和邮件发送。以下是具体步骤:

# Linux / MacOS 启动
celery -A app.celery worker -P gevent -c 1 -Q dataset,generation,mail,ops_trace,extend_high,extend_low --loglevel INFO

# Windows 启动
celery -A app.celery worker -P solo --without-gossip --without-mingle -Q dataset,generation,mail,ops_trace,extend_high,extend_low --loglevel INFO

说明:相比原版 Dify,新增了两个队列:extend_high(处理高频任务)和 extend_low(处理低频任务)。

启动 Dify Beat 服务

Dify Beat 服务负责调度定时任务,以下是具体步骤:

celery -A app.celery beat --loglevel INFO

启动 Admin-Web 服务

Admin-Web 服务提供管理员界面,以下是具体步骤:

cd admin/web
yarn install
yarn run serve

Admin-Web 服务启动后,可以通过 http://localhost:8081 访问。

启动 Admin-Server 服务

Admin-Server 服务负责管理后台逻辑,以下是具体步骤:

cd admin/server
go mod tidy
go run main.go

初始化管理员账号

  1. 访问以下地址,初始化管理员账号:

    http://localhost:3000/install
    
  2. 填写管理员账号信息(例如邮箱和密码),并完成初始化。

初始化管理中心的数据库表

  1. 访问以下地址,初始化管理中心的数据库表:

    http://localhost:8081/#/init
    
  2. 填写对应的数据库配置信息,点击初始化按钮。

注意

  • 管理中心和 Dify 使用同一个数据库。
  • 管理员后台账号密码与 Dify 第一个账号相同。

常见问题

后台管理员账号

后台管理员账号的用户名和密码与 Dify 第一个账号一致。例如,如果初始化的 Dify 第一个账号为 famousmai@qq.com,则管理员后台的登录账号为 famousmai,密码相同。

资源


❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发感兴趣,我会每日分享大模型与 AI 领域的开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术!

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜:蚝油菜花 🥦

相关文章
|
8月前
|
供应链 JavaScript 数据挖掘
一套SaaS ERP管理系统源码,生产管理系统源代码
小微企业SaaS ERP系统,基于SpringBoot+Vue+UniAPP开发,集成进销存、采购销售、MRP生产、财务、CRM、OA等全流程管理功能,支持自定义表单与工作流,助力企业数字化转型。
497 1
|
10月前
|
SQL 人工智能 JSON
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
简介:本文整理自阿里云高级技术专家李麟在Flink Forward Asia 2025新加坡站的分享,介绍了Flink 2.1 SQL在实时数据处理与AI融合方面的关键进展,包括AI函数集成、Join优化及未来发展方向,助力构建高效实时AI管道。
1221 43
|
9月前
|
数据采集 存储 人工智能
拆解AI-Agentforce企业级智能体中台:如何让企业AI落地从“噱头”到“实效”
在GDMS峰会上,迈富时集团尹思源指出41.3%中国企业尚未布局AI Agent,已应用者亦陷“Demo化、孤岛化”困局。其发布的AI-Agentforce智能体中台,以“冰山模型”重构架构,打通认知、价值、能力三重鸿沟,覆盖内容、获客、销售、陪练、分析五大场景,助力企业实现AI从“工具”到“数字员工”的全链路协同升级。
|
10月前
|
SQL 人工智能 JSON
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
本文整理自阿里云的高级技术专家、Apache Flink PMC 成员李麟老师在 Flink Forward Asia 2025 新加坡[1]站 —— 实时 AI 专场中的分享。将带来关于 Flink 2.1 版本中 SQL 在实时数据处理和 AI 方面进展的话题。
594 0
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
|
8月前
|
消息中间件 运维 监控
SaaS云医院HIS系统源码,运行稳定的区域HIS系统
一套SaaS架构的Java版云HIS系统源码,支持电子病历四级应用。采用前后端分离技术,前端基于Angular,后端使用SpringBoot+MyBatisPlus,结合Redis、RabbitMQ、XXL-JOB等主流组件。
706 2
SaaS云医院HIS系统源码,运行稳定的区域HIS系统
|
10月前
|
数据采集 存储 人工智能
基于 EventBridge 构筑 AI 领域高效数据集成方案
本文深入探讨了AI时代数据处理的变革与挑战,分析了事件驱动架构(EventBridge)在AI数据处理中的技术优势,并结合实践案例,展示了其在多源数据接入、向量数据库优化、智能数据转换等方面的应用价值。
825 30
|
9月前
|
存储 人工智能 数据可视化
企业级 AI 模型无代码落地指南:基于阿里云工具链,从 0 到 1 实现业务价值
某汽车零部件厂商通过阿里云PAI、OSS等工具,实现无代码AI质检落地:仅用控制台操作完成数据治理到部署,质检效率提升3倍,模型周期从2月缩至2周。本文详解全栈可视化方案,助力企业零代码落地AI。
1004 1
|
9月前
|
存储 人工智能 Serverless
企业级 AI Agent 开发指南:基于函数计算 FC Sandbox 方案实现类 Chat Coding AI Agent
本文深入解析AI Agent系统架构,特别是以Sandbox为核心的落地实践。聚焦泛Chat模式下AI应用的挑战与解决方案,涵盖会话亲和性、隔离性、存储机制、会话恢复、资源弹性等关键技术点,阿里云函数计算(FC)为 AI Agent 系统在企业中的落地实践提供实际解决方案,展示了如何高效、安全地构建可扩展的 AI 应用系统。
|
9月前
|
存储 人工智能 安全
企业级 AI Agent 开发指南:基于函数计算 FC Sandbox 方案实现类 Chat Coding AI Agent
通过 Sandbox 与 Serverless 的深度融合,AI Agent 不再是“黑盒”实验,而是可被企业精准掌控的生产力工具。这种架构不仅适配当前 AI Agent 的动态交互特性,更为未来多模态 Agent、跨系统协作等复杂场景提供了可复用的技术底座。若您的企业正面临 AI Agent 规模化落地的挑战,不妨从 Sandbox 架构入手,结合函数计算 FC 的能力,快速验证并构建安全、高效、可扩展的 AI 应用系统。

热门文章

最新文章