企业官网建设流程全解析

从部署到出稿：用 Dify 搭建电商文案生成器的完整指南

【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify

新品上架前，你要给几十个 SKU 各写一遍标题和卖点文案，复制粘贴改几个词，写到第三个就烦了。用 Dify（一个开源的 LLM 应用开发平台，把模型、提示词、知识库组织成可复用的应用）把"输入商品信息，输出成品文案"固定下来，Dify 文案生成这件事就能压缩到几分钟。

4 条命令启动本地部署

先确认机器满足最低要求：CPU 2 核、内存 4 GiB，并已装好 Docker 和 Docker Compose（2.24.0 及以上版本）。

git clone https://gitcode.com/GitHub_Trending/di/dify cd dify/docker cp .env.example .env docker compose up -d

docker/目录下的docker-compose.yaml会拉起 Web、API、数据库、缓存等一整套服务，不需要你逐个配置。等一两分钟后，浏览器打开 http://localhost/install ，按向导创建管理员账号，进入应用列表页即部署成功。遇到问题时，可先看仓库docs/目录里的文档。

配置第一个文案应用：变量、模型、提示词

在应用列表点"创建空白应用"，选"文本生成"类型——它是"一问一答"式应用，你输入参数，它按提示词直接产出文本，最适合先跑通第一稿。

配置按顺序分三步：

1. 设输入变量：新建三个变量——产品名称、核心卖点、目标人群，后面每次运行只需填值。
2. 配模型：在"模型供应商"里填入你所用推理服务的 API Key，选一个对话能力好的模型。没配模型的应用跑不出任何结果，这是新手最常漏的一步。
3. 写提示词：把变量嵌进模板，例如："为{{产品名称}}写 3 条电商标题，突出{{核心卖点}}，面向{{目标人群}}，每条不超过 20 个字"。

点"运行"，给三个变量填入样例值，第一条文案就出来了。

把单次生成升级为批量文案流程

跑通一次之后，真正提效的是两件事：让文案懂产品，让流程可复用。

上传商品资料到知识库

把产品手册、规格表、售后 FAQ 上传到"知识库"（Dify 的 RAG 检索能力，会自动从文档里提取相关信息喂给模型）。接入后，模型生成时引用的是你提供的真实参数，而不是凭空编造续航、材质这类数据。

用工作流固定"生成—校对"链路

换成"工作流"应用：它是一块可视化画布，你拖入节点连成流程。推荐结构：开始节点（输入商品信息）→ LLM 节点（生成 3 版文案）→ 第二个 LLM 节点（按"字数、违禁词、平台规范"三条标准逐条挑毛病并改写）→ 结束节点（输出终稿）。这套流程存下来后，换任何商品都照跑一遍。

生成效果对照与 4 个常见坑

拿一款"宠物自动饮水机"对比一下：手写标题通常需要 10~15 分钟一条，且容易只盯着一个卖点反复说；用上面配好的应用，填完变量 10 秒内出 3 条候选，覆盖"静音、自动过滤、多猫适用"等不同角度，你只做挑选和微调。

常见坑按踩到频率排序：

1. 文案太长、不符合平台上限：字数要求必须写进提示词（如"每条不超过 20 字"），指望模型自己猜是不行的。
2. 规格参数被编造：出现你没写过的容量、材质时，接上知识库并检查文档是否切分成功，不要只靠提示词硬约束。
3. 打开页面一直转圈：在docker/目录执行docker compose ps，确认各容器都是 Up 状态；有反复重启的容器看它的日志。
4. 应用点了运行没反应：九成是漏配模型，回到应用编辑器先选模型再试。

部署完成后的下一步清单

• 在应用的"访问 API"页面拿到调用地址和密钥，把文案生成接进你自己的上货脚本或后台，实现无人值守批量出稿；
• 给同一个商品各生成 3 版不同语气的文案，上架后按点击率决定留哪版；
• 加一个"目标语言"变量，同一套流程直接产出英文、日文版本，服务跨境店铺；
• 把"违禁词检查"从提示词里独立成单独的 LLM 节点，不合格就回炉重写，而不是靠模型自觉。

【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify