NAS装上Dify:文档不出门,模型随你选

你的笔记、工作文档、客户资料，平时散落在飞书、本地 PDF、微信群聊天记录里。想查某个信息，得翻来翻去；更头疼的是，这些资料里有很多不能外传的内容，交给云端 AI 处理，心里总不踏实。

Dify 就是一个解决方案：把它部署在 NAS 上，24 小时运行，你的文档永远留在本地，模型可以是云端的 DeepSeek、通义千问，也可以是本地跑的 Ollama——数据不出 NAS，问答靠的是你选择的「大脑」。

下面就来一步步讲解在 NAS 上部署 Dify，以及它能为你带来什么价值。

Dify 是什么？

Dify 是一个 开源的 AI 应用开发平台，GitHub 上已突破 6 万星，社区非常活跃。把它想象成「AI 乐高」——它把各种 AI 能力模块化，你无需写代码，通过拖拽就能搭出各种 AI 应用。

它最核心的能力有三项：

1. RAG 知识库 把文档丢进去，Dify 会自动切分、向量化，接着 AI 能基于你的私有文档回答问题。产品手册、项目文档、读书笔记，都能变成一个「懂你」的知识库。

2. Agent 工作流 可以把多个 AI 操作串成一条流水线——例如「读取文档 → 提取关键信息 → 生成摘要 → 发送到邮箱」，一条流程自动跑完，中间不用你插手。

3. 文档分析 把 PDF、Word 文档拖进去，AI 直接帮你总结、提取要点、回答相关问题，比自己一页页翻阅高效太多。

而 Dify 最核心的优势是 模型接入的灵活性：它不是某个模型的专属客户端，而是一个模型调度中心。云端可以接 DeepSeek、通义千问、智谱 ChatGLM 等国内主流模型；本地也能通过 Ollama 对接开源模型。同一个 Dify 实例可以同时配置多种模型，不同场景自由切换。

为什么要在 NAS 上部署？

Dify 有云版本，为什么还要折腾在 NAS 上？

第一，24 小时在线。 NAS 本来就是常年不关机的设备，部署在上面，Dify 也随之 7×24 小时运行。半夜想查个文档、问个问题，随时打开就能用，不用等云服务排队。

第二，数据本地化处理。 你的文档存在 NAS 的硬盘里，知识库的构建、文档的拆分向量化全部在本地完成。只有在提问时才会把文本发送给模型 API。客户资料、公司文档、个人隐私，原始数据一个字节都不会离开你的 NAS。

手把手 Docker 部署教程

下面是在 NAS 上部署 Dify 的完整步骤，跟着走就行。

第一步：环境准备

• NAS 已经安装了容器管理套件（如 Docker、Container Station 等），7.x 自带，6.x 需要在应用中心或套件中心手动安装
• NAS 至少有 8GB 内存（Dify 全家桶很吃内存，4GB 根本不够用，8GB 起步比较稳）
• 确保 NAS 能正常访问外网（用于拉取镜像）

登录 NAS 后台，打开容器管理套件，确认 Docker 服务正常运行。

第二步：创建项目目录、配置文件并修改配置

通过 SSH 登录 NAS（或用 NAS 自带的终端），执行：

# 创建 Dify 的目录
mkdir -p /volume1/docker/dify

# 进入目录
cd /volume1/docker/dify

然后在 /volume1/docker/dify/ 目录下创建两个文件：

docker-compose.yaml：

services:
  api:
    image: langgenius/dify-api:latest
    restart: always
    environment:
      MODE: api
    env_file: .env
    depends_on:
      db:
        condition: service_healthy
      redis:
        condition: service_started
    volumes:
      - ./volumes/app/storage:/app/api/storage
    ports:
      - 「5002:5001」
    networks:
      - default

  web:
    image: langgenius/dify-web:latest
    restart: always
    environment:
      CONSOLE_API_URL: http://api:5001
      APP_API_URL: http://api:5001
    ports:
      - 「3000:3000」
    networks:
      - default

  worker:
    image: langgenius/dify-api:latest
    restart: always
    environment:
      MODE: worker
    env_file: .env
    depends_on:
      db:
        condition: service_healthy
      redis:
        condition: service_started
    volumes:
      - ./volumes/app/storage:/app/api/storage
    networks:
      - default

  db:
    image: postgres:15-alpine
    restart: always
    environment:
      POSTGRES_USER: ${DB_USERNAME:-postgres}
      POSTGRES_PASSWORD: ${DB_PASSWORD:-difyai123456}
      POSTGRES_DB: ${DB_DATABASE:-dify}
    volumes:
      - ./volumes/db/data:/var/lib/postgresql/data
    healthcheck:
      test: [「CMD」, 「pg_isready」, 「-U」, 「${DB_USERNAME:-postgres}」]
      interval: 1s
      timeout: 3s
      retries: 60
    networks:
      - default

  redis:
    image: redis:6-alpine
    restart: always
    volumes:
      - ./volumes/redis/data:/data
    command: redis-server --requirepass ${REDIS_PASSWORD:-difyai123456}
    healthcheck:
      test: [「CMD-SHELL」, 「redis-cli -a ${REDIS_PASSWORD:-difyai123456} ping | grep -q PONG」]
    networks:
      - default

  weaviate:
    image: weaviate/weaviate:1.27.0
    restart: always
    volumes:
      - ./volumes/weaviate:/var/lib/weaviate
    environment:
      QUERY_DEFAULTS_LIMIT: 25
      AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: 「false」
      PERSISTENCE_DATA_PATH: /var/lib/weaviate
      DEFAULT_VECTORIZER_MODULE: none
      CLUSTER_HOSTNAME: 「node1」
    ports:
      - 「8080:8080」
    networks:
      - default

networks:
  default:
    driver: bridge

.env：

# 核心服务 URL
CONSOLE_API_URL=http://api:5001
APP_API_URL=http://api:5001
SERVICE_API_URL=http://api:5001

# 注意：请将以下地址修改为你的 NAS 实际局域网 IP（例如 http://192.168.1.100:3000）
CONSOLE_WEB_URL=http://<你的 NAS 内网 IP>:3000
APP_WEB_URL=http://<你的 NAS 内网 IP>:3000

# 数据库
DB_USERNAME=postgres
DB_PASSWORD=difyai123456
DB_DATABASE=dify
DB_HOST=db
DB_PORT=5432

# Redis
REDIS_PASSWORD=difyai123456
REDIS_HOST=redis
REDIS_PORT=6379

# 密钥（必须填写，不能为空。在终端执行 openssl rand -base64 42 生成）
SECRET_KEY=your_secret_key_here

# 向量数据库
VECTOR_STORE=weaviate
WEAVIATE_ENDPOINT=http://weaviate:8080

# 日志
LOG_LEVEL=INFO

注意：以上配置文件是简化版，仅包含 Dify 运行所需的核心服务（API、Web、Worker、PostgreSQL、Redis、Weaviate）。Dify 官方完整版还支持 MySQL、Qdrant、Milvus 等多种数据库，以及代码沙箱（sandbox）、Nginx 反向代理、HTTPS 自动证书等功能。NAS 资源有限，推荐用这个精简配置即可。如果你后续需要代码执行类工作流节点或插件功能，请参考官方完整 docker-compose。

然后请打开 .env 文件，根据你的实际情况修改以下参数：

• DB_PASSWORD 和 REDIS_PASSWORD：改成你自己的强密码
• SECRET_KEY：在终端执行 openssl rand -base64 42 生成随机密钥后填入（必须填写，不能为空）
• CONSOLE_WEB_URL 和 APP_WEB_URL：如果你要从局域网其他设备访问，把 <你的 NAS 内网 IP> 改成你的 NAS 内网 IP（比如 http://192.168.1.100:3000）

第三步：启动服务

配置改好之后，一条命令启动：

cd /volume1/docker/dify
docker compose up -d

第一次启动需要拉取镜像，大概需要 10‑20 分钟，取决于你的网速。耐心等一等，喝杯咖啡。

启动完成后，检查一下所有容器是否正常运行：

docker compose ps

你应该能看到以下几个核心服务都是 Up 状态：

• api — API 服务（Flask 后端）
• web — 前端界面（Next.js）
• worker — 后台异步任务处理
• db — PostgreSQL 数据库
• redis — 缓存服务
• weaviate — 向量数据库（用于知识库）

如果某个容器状态是 Exited 或 Restarting，用 docker compose logs [服务名] 查看日志排查。

第四步：访问 Web 界面

打开浏览器，输入 http://你的 NAS 内网 IP:3000（比如 http://192.168.1.100:3000）。

第一次访问会让你创建管理员账号，按提示填好用户名、邮箱、密码就行了。

登录之后，你会看到 Dify 的主界面。到这里，部署就全部完成了！

第五步：配置模型供应商

部署完成后进 Dify 界面，第一件事就是配置模型供应商。点击右上角头像 → 设置 → 模型供应商，这里可以添加各种模型：

云端模型（推荐先用这个）：

1. 选择你要用的模型供应商（DeepSeek、通义千问、智谱 ChatGLM 等）
2. 填入对应的 API Key
3. 保存后即可在创建应用时使用

本地模型（需要 NAS 配置较高）：

1. 如果你已经在 NAS 上部署过 Ollama，在 Dify 中添加 Ollama 供应商
2. API 基础地址填：http://你的 NAS 内网 IP:11434
3. 保存后选择要用的模型

注意：NAS 跑本地模型会比较吃力。4GB 内存的机型基本跑不动 7B 以上参数的模型，16GB 内存的机型跑 7B 也只能勉强跑。建议主力使用云端模型，本地模型作为备选或用于轻量级嵌入向量。

三个实用场景

部署好了，能干啥？给你三个马上就能用起来的场景。

场景一：私有知识库问答

这是我日常用得最多的功能。

比如你有一堆产品文档、操作手册、会议纪要，在 Dify 里创建一个「知识库」，把这些文档批量上传上去。Dify 会自动帮你拆分、建立索引。

然后创建一个「聊天助手」类型的应用，关联这个知识库。以后你就可以直接问它：「XX 产品的安装步骤是什么？」「上次会议讨论的那个方案具体内容是啥？」

它会从你的文档里找到相关内容，组织好语言回答你。比起自己翻文档找答案，效率提升不止一个档次。

重点是——这些文档始终在 NAS 本地，没有上传到任何第三方。

场景二：家庭学习知识库——错题本与课程知识的智能管理

有了 Dify，你可以为孩子建立一个专属的学习知识库，把课本笔记、错题本、课堂讲义、甚至课外阅读笔记都统一存放在 NAS 上。当孩子遇到不会的题目或有疑问时，只需在 Dify 中提问：「这道数学题怎么解？」或「这个生词是什么意思？」——Dify 会从你上传的资料中快速定位相关内容，并给出易于理解的讲解。

你还可以让 Dify 帮忙自动整理错题：每次考试后，将错题扫描或拍照上传，Dify 通过 OCR（需额外配置）或直接文本输入，将错题归类到知识库中，并标注所属章节和错误原因。复习时，直接调出「错题本」进行有针对性的练习，大幅提升学习效率。

此外，你可以设置定期复习提醒（通过工作流或简单的提示），让孩子在周末自动回顾当周的错题和重点知识，形成闭环学习。

场景三：自动化工作流

这个稍微进阶一点，但一旦搭好，能省不少重复劳动。

举个例子：我每周都要处理一堆周报。在 Dify 里搭一个工作流：

1. 输入节点 — 接收我上传的原始素材
2. LLM 节点 1 — 提取关键数据和进展
3. LLM 节点 2 — 按照固定模板格式化
4. 输出节点 — 生成完整的周报文档

以后每周只需要把素材丢进去，一键就能生成格式统一的周报。

你还可以搭更复杂的：自动翻译、自动分类邮件、批量处理图片描述、定期汇总某个领域的新闻等等。Dify 的可视化工作流编辑器，拖拖拽拽就能搭出来，不需要写代码。

Dify 能接哪些模型？

Dify 最核心的卖点不是「本地跑模型」，而是 模型接入的灵活性。同一个 Dify 实例里，你可以同时配置多种模型供应商，根据不同场景选用不同的模型。

云端模型（需要 API Key）：

• DeepSeek — 推理能力强，中文理解出色，适合高质量对话和复杂任务
• 通义千问（DashScope） — Qwen-Max、Qwen-Plus，中文能力最强，日常问答一把好手
• 智谱 ChatGLM — 国产大模型代表，API 调用稳定，性价比高
• Kimi（Moonshot） — 擅长长文本分析，8K‑200K 上下文，读合同、研报很合适
• 百度文心一言 — ERNIE 系列，中文理解和生成能力强

本地模型（不需要 API Key，数据完全不出门）：

• Ollama — 对接本地运行的开源模型，如 Qwen、Llama、InternLM 等
• OpenAI 兼容接口 — 任何支持 OpenAI API 格式的本地模型服务（比如 vLLM、LM Studio）

关键用法：

• 知识库的 embedding 模型可以用轻量级的本地模型（便宜、快速）
• 对话推理用 DeepSeek 或通义千问 Max（中文效果好）
• 长文档摘要用 Kimi（上下文窗口大）
• 敏感数据用本地模型，不敏感的用云端模型

不同场景用不同的模型，Dify 就是那个调度中心。

注意：NAS 跑本地模型会比较吃力。4GB 内存的机型基本跑不动 7B 以上参数的模型，16GB 内存的机型跑 7B 也只能勉强跑。如果你 NAS 配置不高，建议把本地模型作为备选，主力用云端模型。

一些踩坑提醒

最后分享几个部署过程中可能遇到的问题：

1. 内存不够 Dify 全家桶（API + Web + Worker + 数据库 + Redis + 向量数据库）运行时占用约 4‑6GB 内存。考虑到 NAS 系统本身和其他套件、向量构建时的内存峰值，建议 8GB 起步，16GB 更稳妥。如果你的 NAS 只有 4GB 且还在跑其他服务，大概率会卡。

2. 首次启动慢 第一次拉镜像需要下载好几个 GB 的数据，耐心等。如果网速慢，可以考虑提前手动拉镜像。

3. 端口冲突 群晖 DSM 默认 HTTP 管理端口是 5000，HTTPS 是 5001。Dify 的 API 服务默认监听 5001 端口，所以配置文件里已经把宿主机映射改成了 5002（「5002:5001」），避免了冲突。如果你的 NAS 上其他服务占用了 3000 或 8080 端口，也需要相应调整。

4. Ollama 连接问题 如果 Dify 容器连不上 Ollama，注意用 NAS 的内网 IP 而不是 localhost（因为容器内的 localhost 是容器自己，不是宿主机）。如果 Ollama 也以容器方式部署在同一台 NAS 上，建议将 Dify 和 Ollama 加入同一个 docker network，直接用容器名访问。

5. 向量数据库选择 简化版配置默认使用 Weaviate。如果 NAS 内存紧张（8GB 以下），更推荐将向量数据库换成 Qdrant，资源占用约为 Weaviate 的一半。需要在 .env 中修改 VECTOR_STORE=qdrant，并相应调整 docker-compose.yaml。

写在最后

Dify 跑在 NAS 上最大的好处是：文档本地处理，模型随你选，数据控制权在自己手里。

文档存在 NAS 里，知识库的构建、文档的拆分向量化全在本地完成。提问时把文本发给 DeepSeek、通义千问或本地 Ollama，模型负责思考，原始数据不需要离开你的 NAS。

如果你也有一台 NAS，强烈建议花一个下午把 Dify 部署上去。搭一个知识库，做两个简单的自动化工作流，你会发现——折腾 NAS 这么多年，这一次可能是最实用的一次。

觉得有用的话，点个关注不迷路👆

家里有没有在用知识库或者 AI 文档问答的场景？用的什么模型？欢迎在评论区晒出来 👇