Dify搭建AI图片生成助手中的坑！

使用 Dify 搭建 AI 图片生成助手并不是什么难事，而且不需要你会编程知识，也能轻松实现。

但是，Dify 在搭建 AI 图片生成助手的过程中会遇到很多坑，例如以下这些：

有些组件随着时间的推移，已经不能正常调用了；
有些组件在国内需要魔法才能使用；
有些组件需要复杂的本地部署才能正常调用；
有些组件虽然能用，但生成的速度、成本、质量，是无法应用于生产环境的。

所以，接下来本文就带你来避开这些坑。

1.搭建AI图片生成助手

在 Dify 中，搭建 AI 图片生成助手的步骤主要分为以下几步：

添加“文生图”组件（这一步有很多坑）。
获取组件 API Key，通常需要去官网注册账号，申请 API Key。
在 Dify 中创建“Agent”应用。
添加提示词。
添加“文生图”工具。
编写提示词，生成图片。

接下来我们分别来看。

2.添加文生图组件

所谓“文生图”组件，指的是根据文字生成图片的组件（工具），Dify 中提供的和“图片”有关的插件如下：

这些组件大致可以这样分类：

本地模型
云端模型
- 需要魔法
- 不需要魔法

当然，其中本地模型因为部署麻烦，所以我们这里不会使用（但企业级应用为了考虑数据隐私性可能会用），需要魔法的云端模型我们也不会用，执行速度慢，并且对于小白用户不友好。所以最符合预期的模型为不需要魔法的云端大模型。

不需要魔法的（好用一点的）云端大模型有以下这些：

Doubao：字节旗下大模型，非官方维护插件，对使用者来说无影响。
智普 AI：清华团队开发的国内知名大模型，并且智普 AI 提供了可以免费生成图片的大模型（生成图片效果一般）。
讯飞星火：讯飞公司旗下生成图片的大模型。
Stability：国际知名图片生成大模型，不需要魔法可调用，但不支持中文提示词，以及只为新用户提供了 25 积分（一次图片生成大概会消耗 4 积分）。

2.1 避坑硅基流动（SiliconFlow）

有人这里会说生成图片为什么不选择硅基流动（SiliconFlow）啊？它支持 Flux 和 Stable Diffusion 都是图片生成届注明的大模型，如下图所示：

当然，我刚开始的时候也是这么想的，把 SiliconFlow 插件添加上，申请一个 API Key 可以选择调用多个大模型，看起来是很美好的时候。

但是当我尝试的时候，发现这两种图片生成的大模型压根就调用不了，起初我以为是配置权限或 API Key 填写的某个环节出现了问题，各种折腾，到最后发现效果还是一样的，完全不用了。

于是就 Google 了一把，发现了问题，原来是早些时候确实是能正常调用的，但是在今年 2 月份，硅基流动为了规范化运营，已经把很多大模型给下线了，其中也包括咱们要使用的 Flux 和 Stable Diffusion，这是不能调用的关键，但 Dify 中的插件并没有将这两个工具去掉，所以调用就会出现各种奇怪的报错信息，如下图所示：

2.2 推荐图片模型

不同的使用场景，推荐使用的图片模型是不同的，例如以下这些：

如果对生成图片的成本比较敏感：可以使用智普 AI 的免费文生图的模型。
如果对生成图片的质量要求比较高：建议使用 Doubao 文生图模型，Doubao 3.0 版本之前生成图片的质量很差，但 3.0 版本之后，不知道是不是和即梦 AI 整合了，视觉生成质量有一个很多的提升，并且也为新用户送 500 次的免费调用次数，开发环境够用了。但在调用插件的时候也有一些坑，需要注意。

3.调用Doubao文生图工具

调用 Doubao 图片生成有几个坑，这个需要给大家详细说一下，不然很容易出错。

首先在插件市场，安装 Doubao 插件：

之后是去 Doubao 平台开通图片生成权限和添加生成 API Key，这两个步骤都很容易出错。

插件提供的访问地址不对，一定要去火山方舟平台，也就是这个地址：https://console.volcengine.com/ark/region:ark+cn-beijing/openManagement

我们需要以下三步：

实名认证完成之后，一定是选择下面栏目并开通服务：

接下来是容易出错的地方，当你点击获取 API Key 有可能会到这个地址，但这个地址不对（是火山方舟不是火山引擎）：

如果获取的是这个地方的 API Key 就会在生成调用的时候，提示 401 没有权限，正常的操作是点击上面的“方舟大模型专用 API Key”，进入到这个页面，点击创建 API Key 才行：

4.Dify创建Agent编排任务

创建 Agent 应用：

什么是 Agent？

Agent 是一种模拟人类行为和能力的 AI 系统，它通过自然语言处理与环境交互，能够理解输入信息并生成相应的输出。Agent 还具有 "感知" 能力，可以处理和分析各种形式的数据。此外，Agent 能够调用和使用各种外部工具和 API 来完成任务，扩展其功能范围。这种设计使 Agent 能够更灵活地应对复杂情况，在一定程度上模拟人类的思考和行为模式。

因此，很多人都会将 Agent 称为“智能体”。

4.1 撰写提示词

提示词（Prompt）是 Agent 的灵魂，直接影响到输出的效果。通常来说越具体的提示词输出的效果越好，但是过冗长的提示词也会导致一些负面效果。

调整提示词的工程，我们称之为提示词工程（Prompt Engineering）

在本次实验中，你不必担心没有掌握提示词工程，我们会在后面循序渐进地学习它。

让我们从最简单的提示词开始：

根据用户的提示，使用工具绘画指定内容。

用户每次输入命令的时候，Agent 都会知晓这样的系统级的指令，从而了解要执行用户绘画的任务的时候需要调用一个叫 Doubao 的工具进行绘图。

4.2 添加绘图工具

4.3 测试图片生成

5.发布

点击右上角的发布按钮，发布后选择运行就可以获得一个在线运行的 Agent 的网页。

复制这个网页的 URL，可以分享给其他好友使用。

6.优化：指定图片风格

我们可以在用户输入的命令中加上画风的指令，例如：二次元风格，画一个女孩，手中拿着一本打开的书

但是如果我们希望风格默认都是二次元风格呢，那么我们加在系统提示词里就行了，因为我们之前了解到系统提示词是每次执行用户命令都会知晓的，优先级更高。

根据用户的提示，使用工具绘画指定内容，画面是二次元风格

7.优化：拒绝某些不当请求？

在许多业务场景中，我们需要避免输出一些不合理的内容，但是 LLM 很多时候比较 “傻”，用户下指令时会照做不误，即使输出的内容是错的，这种模型为了努力回答用户而编造虚假内容的现象称为模型幻觉（Hallucinations），那么我们需要让模型必要的时候拒绝用户的请求。

此外，用户也可能提一些和业务无关的内容，我们也需要让 Agent 这个时候拒绝请求。

我们可以使用 markdown 格式给不同的提示词进行划分，将上述教 Agent 拒绝不合理内容的提示词写到 “约束” 标题下。当然，这样的格式仅仅是为了规范化，你可以有自己的格式。

## 任务

根据用户的提示，使用工具绘画指定内容，画面是二次元风格。

## 约束

如果用户在请求和绘画无关的内容，回复：“对不起，我不明白你在说什么”

例如，我们尝试提问：今晚吃什么

在一些更正式的业务场景中，我们可以调用敏感词库来拒绝用户的请求。

在添加功能 - 内容审查中添加关键词 “晚饭”，当用户输入关键词时，则 Agent 应用输出 “对不起，我不明白你在说什么”。

小结

Dify 是一个入门简单，但用好比较难的技术，这点和 Java 有点像，但没关系，跟我一起，快速上手学习 AI 技术，避免踩坑。一起动手试起来吧~

本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、Dify、AI Agent、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。