---

在 Dify 中，如果说知识库是赋予了大模型“查阅资料”的能力，那么 Function Calling（函数调用） 和 插件应用（Plugins） 就是赋予了大模型“做出行动”和“连接世界”的能力。

比如说，我想要知道现在的时间，提示词和知识库都无法让ai本身去获取现在的时间，所以我们就需要插件了。

---

一、 什么是 Function Calling（函数调用）？

Function Calling 是大模型的一项高级底层能力。简单来说，就是让大模型自己决定在什么时候去调用什么工具。

1. 它是如何工作的？

你作为开发者，写好几个代码函数（比如一个叫 get_weather 的查天气函数，一个叫 send_email 的发邮件函数），然后把这些函数的“说明书”（包含函数名、功能描述、需要什么参数）打包塞给大模型。

当用户提问时，大模型会自己判断要不要用这些工具：

1. 用户说：“帮我查查今天北京的天气，然后发邮件给张三。”
2. 大模型思考：我靠自己的知识库不知道今天的实时天气。但我发现开发者给了我一个 get_weather 的工具，参数需要 city。
3. 大模型输出：它不会直接回答天气，而是输出一段结构化代码（通常是 JSON 格式）：“我决定调用 get_weather(city="北京")，请系统帮我执行。”
4. Dify 系统：在后台自动运行这个函数，拿到天气结果（例如：“北京晴，25度”），然后再把结果喂回给大模型。
5. 大模型最终回答：“今天北京天气晴朗，25度。我已经为您准备好邮件……”（接着触发发邮件函数）。

2. 它的核心价值

• 连接实时世界：让本地或闭源的模型能够获取实时信息（查股票、查快递、查数据库）。
• 把控精准度：大模型做数学题经常算错，但你可以提供一个 calculator（计算器）函数，遇到数学题，大模型自己把数字传给计算器，由计算机执行绝对精准的计算。

---

二、 什么是插件应用（Plugins）？

如果说 Function Calling 是需要你懂一点编程、自己去写“工具说明书”的毛坯房；那么插件应用就是 Dify 已经为你装修好、开箱即用的精装房。

插件是 Dify 生态中封装好的、针对特定第三方服务的工具包。

1. 常见的插件有哪些？

在 Dify 的插件市场里，你可以看到各种各样的现成插件：

• Google Search / Bing Search 插件：联网搜索最新新闻。
• 飞书 / 钉钉 / Webhook 插件：向工作群或指定系统发送消息。
• Stable Diffusion / Midjourney 插件：让文字对话的模型具备直接画图的能力。
• Jina AI / Firecrawl 插件：输入一个网址，自动把网页内容抓取并清洗成干净的文本。

2. Dify 插件的优势

你完全不需要写任何代码，只需要在 Dify 界面里点“安装”，然后输入对应服务的 API Key（密钥），这个能力就立刻长在大模型身上了。

---

三、 两者的区别与联系

很多初学者容易把它们搞混，其实它们的本质关系是：“插件”的底层技术通常就是基于 “Function Calling” 实现的。

维度	Function Calling (函数调用)	插件应用 (Plugins)
技术层级	属于大模型的底层原生能力。	属于在上层封装好的应用级产品。
开发门槛	较高。需要开发者自己写代码、定义 JSON Schema 格式。	极低（零代码）。在 Dify 商店里一键安装，配置账户即可。
灵活性	极高。你可以用它连接企业内部的任意私有 API、ERP 系统、数据库。	受限。只能使用插件市场里现有的，或者别人开发好的商业服务。
使用场景	适合深度定制。如：“根据用户问题，去公司内部数据库查询客户订单状态”。	适合常规通用任务。如：“去谷歌搜索科技新闻”、“把这段话生成一张图片”。

---

四、 使用Dify自带的插件

在 Dify 的 Agent（智能体） 或 Workflow（工作流） 模式下，你可以同时塞给大模型知识库、插件和自定义函数。

此时大模型的思考逻辑是：

• 遇到不懂的公司内部政策 ➡️ 去知识库里查；
• 遇到用户说“帮我搜一下2026年最新的科技趋势” ➡️ 调用谷歌搜索插件；
• 遇到用户说“把我刚才说的内容录入到我们公司的报销系统” ➡️ 触发你写好的 Function Calling。

这就是 Dify 让大模型从“聊天机器人”蜕变为“自动化 Agent”的关键所在。

选择创建空白应用，选择新手适用中的agent，然后我们会看到它比聊天助手多了个功能，就是工具。
选择添加工具Time，我们就可以看到ai能查到现在的时间了。

---

五，自定义插件

在 Dify 中，如果你想自己定义一个插件来连接公司内部的系统（如 ERP、CRM）或者特定的 API 接口，有两种途径。

第一种是最简单、在网页界面就能直接搞定的 “自定义工具 (Custom Tool)”（它的本质就是让你用声明的方式实现 Function Calling）；
第二种是真正的本地插件开发（适合想写代码、发布到 Dify 插件市场供大家下载的开发者）。

1.在 Dify 界面直接创建“自定义工具”（推荐）

这种方法不需要你写复杂的插件脚手架，只需要你准备好一个可用的 API 接口，并在 Dify 网页里用 OpenAPI / Swagger 规范（YAML 或 JSON） 把这个接口描述出来。

我们以做一个天气查询助手为例。

大模型（或者说Dify）本身是不知道实时天气的，它必须通过 Python 写的一个“传声筒”，去问专业的天气网站，再把结果听懂并组织成语言。

1. 接口 (API)

是什么： 接口就是“服务窗口”。比如你去银行取钱，柜台就是接口。在程序里，天气网站（如高德地图、和风天气）提供一个网址，你把城市名传过去，它把天气数据（JSON格式）扔回来。

为什么要它： 我们的 Python 后端不是气象局，没有气象卫星，必须调用第三方专业的天气接口来获取真实数据。

2. Python 后端服务 (Webhook / API Service)

是什么： 它是你亲手写的代码。它负责接收来自 Dify 的请求（比如：“查北京的天气”），然后把请求转发给天气接口，拿到数据后再清洗、打包，最后回传给 Dify。

为什么要它： Dify 不能直接和所有的第三方天气接口完美对接，你的 Python 服务就像一个“翻译官”和“中转站”。

3. 公网穿透 (内网穿透，如 ngrok, cwork, cpolar)

是什么： 你的 Python 代码运行在自己的电脑（局域网/内网）上，它的地址通常是 http://127.0.0.1:5000。这个地址只有你自己的电脑能访问。而 Dify 的服务器在云端（公网），它是找不到你家电脑的。公网穿透就是给你家电脑临时修一条“直达高速公路”，生成一个外网可以访问的网址（比如 https://xyz.ngrok-free.app）。

为什么要它： 为了让身在公网的 Dify 能访问到你本地电脑上运行的 Python 插件服务。（注意：如果你的 Python 代码直接部署在有公网 IP 的云服务器上，就不需要公网穿透了）。

明白了，您希望保持原始箭头文本的原貌，不省略箭头、不改用编号列表，同时将标题设为三级标题。以下是重新整理后的内容：

4.架构是怎么跑通的？（工作流程）

整个数据的流转过程是这样的：

[用户输入: "北京天气怎么样?"] 
       ↓
[Dify 智能判断] 发现需要调用“天气插件”
       ↓
[Dify 发送请求] 走向【公网穿透提供的外网URL】
       ↓ 穿透到本地
[你的 Python 后端] 收到请求，解析出城市名 "北京"
       ↓
[Python 调用第三方API] 去高德/和风天气接口拿实时数据
       ↓
[天气接口返回数据] 比如返回：{"weather": "晴", "temperature": "25"}
       ↓
[Python 处理并返回] 格式化后传回给 Dify
       ↓
[Dify 组织语言] 结合大模型润色：“北京今天天气晴朗，气温25度，很适合出门哦！”
       ↓
[用户看到最终回答]

5.开始用FastAPI写这个接口

直接创建好一个FastAPI项目，有关这部分在这篇博客有提到。

1.编写后端代码

这段代码就是调用了高德地图API，然后返回一个清洗后的数据给Dify。

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel, Field
import httpx

app = FastAPI(title="Dify 天气插件服务")

# 替换为你自己申请的高德地图 Web服务 Key
GAODE_KEY = "你的高德地图KEY"

# 1. 定义 Dify 发送过来的请求体格式（数据模型）
class WeatherRequest(BaseModel):
    # 这里定义了参数 city，并且用 Field 做了描述，FastAPI 会自动进行类型检查
    city: str = Field(..., description="需要查询天气的城市名称，例如：北京、上海")

# 2. 创建一个 POST 接口接收 Dify 的请求
@app.post("/get_weather")
async def get_weather(request_data: WeatherRequest):
    city_name = request_data.city

    # 使用 httpx 的异步客户端发送请求，效率更高
    async with httpx.AsyncClient() as client:
        try:
            # 3. 调用高德地图地理编码接口（城市名转 adcode 编码）
            #得到一个请求URL，指向高德地图的地理编码服务
            geo_url = f"[https://restapi.amap.com/v3/geocode/geo?address=](https://restapi.amap.com/v3/geocode/geo?address=){city_name}&key={GAODE_KEY}"
					#根据URL，发出get请求，并异步执行返回给geo_response
            geo_response = (await client.get(geo_url)).json()
					            
					#检查是否返回成功，status==1就成功，并且geocodes不为空，防止后续出错
            if geo_response.get('status') == '1' and geo_response.get('geocodes'):
            	  #这是拿到行政区划代码
                adcode = geo_response['geocodes'][0]['adcode']
                #这是实际标准化的城市名
                actual_city_name = geo_response['geocodes'][0]['formatted_address']
                
                # 4. 调用高德实时天气 API
                weather_url = f"[https://restapi.amap.com/v3/weather/weatherInfo?city=](https://restapi.amap.com/v3/weather/weatherInfo?city=){adcode}&key={GAODE_KEY}"
                weather_response = (await client.get(weather_url)).json()
                
                #检查是否成功响应
                if weather_response.get('status') == '1' and weather_response.get('lives'):
                    weather_data = weather_response['lives'][0]
                    
                    # 5. 将清洗后的干净数据返回给 Dify
                    return {
                        "city": actual_city_name,
                        "weather": weather_data['weather'],
                        "temperature": weather_data['temperature'],
                        "winddirection": weather_data['winddirection'],
                        "windpower": weather_data['windpower'],
                        "humidity": weather_data['humidity']
                    }
            
            # 如果没找到城市，抛出 404 错误
            raise HTTPException(status_code=404, detail="未找到该城市的天气信息")

        except httpx.RequestError as exc:
            raise HTTPException(status_code=500, detail=f"网络请求失败: {exc}")
        except Exception as e:
            raise HTTPException(status_code=500, detail=f"服务器内部错误: {str(e)}")

# 启动命令提示：在终端输入 `uvicorn main:app --reload --port 5000` 运行

运行以上代码。

！！！必须注意这里的GAODE_KEY = "你的高德地图KEY"要改变，否则怎么测也不会有结果的……如果觉得去找key太麻烦，也可以改成用wttr.in，这是一个开源的可以直接返回天气数据的服务。

2.开启公网穿透

现在你的 FastAPI 在本地 http://127.0.0.1:5000 跑起来了，但身在云端的 Dify 依然访问不到它，我们必须用穿透工具给它开辟一条公网通道。

但是如果我在本地部署了Dify，我的python后端服务就可以被Dify直接访问，不需要公网穿透。

为了练习，还是熟悉一下这里。

以最常用的 ngrok 为例，ngrok是一种内网穿透的工具。

打开一个新的终端窗口。

输入以下命令，把本地 5000 端口暴露到公网：

ngrok http 5000

终端会为你生成一个外网可以访问的 https 网址，类似这样：
https://a1b2-c3d4-e5f6.ngrok-free.app

记住这个网址，加上我们的接口路径，你在公网上的天气接口完整地址就是：
https://a1b2-c3d4-e5f6.ngrok-free.app/get_weather

3.在 Dify 里面配置插件（自定义工具）

有了公网 URL 之后，我们去 Dify 后台把大模型和我们的 FastAPI 桥接起来。

进入 Dify： 点击左侧导航栏的 Tools (工具) -> Create Custom Tool (创建自定义工具)。

填写工具名称： 比如 fastapi_weather。

编写 Schema： 将下面的 JSON 复制进去，它会告诉 Dify 如何给你的 FastAPI 发送数据。

{
  "openapi": "3.1.0",
  "info": {
    "title": "FastAPI 天气查询工具",
    "version": "1.0.0",
    "description": "通过输入城市名称，实时调用后端接口获取该城市的天气、温度、湿度等信息"
  },
  "servers": [
    {
      "url": "https://a1b2-c3d4-e5f6.ngrok-free.app" 
    }
  ],
  "paths": {
    "/get_weather": {
      "post": {
        "operationId": "get_weather",
        "summary": "获取指定城市的天气",
        "requestBody": {
          "required": true,
          "content": {
            "application/json": {
              "schema": {
                "type": "object",
                "properties": {
                  "city": {
                    "type": "string",
                    "description": "需要查询天气的城市名称，例如：北京市、上海市、杭州"
                  }
                },
                "required": ["city"]
              }
            }
          }
        },
        "responses": {
          "200": {
            "description": "成功返回天气数据"
          }
        }
      }
    }
  }
}

⚠️ 必须修改的地方： 请把上面 servers 里的 url 换成你自己刚刚在 ngrok 终端里拿到的那个 https://… 域名。

测试与保存： 点击下方的测试按钮，输入 city: 广州。此时 Dify 会发送请求通过 ngrok 穿透到你本地的 FastAPI，FastAPI 去找高德地图，再原路把数据返回给 Dify。

测试成功后，点击 Save (保存)。

4.在 Agent（智能体）中愉快地使用它

现在，工具已经做好了，怎么让大模型用起来呢？

去 Dify 的 Studio（工作室），新建一个 Agent（智能体）。

在右侧的配置面板中找到 Tools (工具)，点击添加，勾选你刚刚创建的 FastAPI 天气查询工具。

在左侧的 Instructions (提示词) 中，给大模型立个规矩：

“你是一个贴心的天气预报助手。当用户询问某个城市的天气时，你必须调用 get_weather 工具来获取最新的真实天气数据。拿到数据后，请结合当前天气给用户一些温暖的出行或穿衣建议。”

在右侧的聊天框里测试一下：“深圳今天天气怎么样？我需要带伞吗？”

你会看到 Dify 界面上闪过一个调用工具的徽章，随后大模型就会顺畅地结合 FastAPI 返回的数据（如温度、下雨情况）。

注意，ngrok可能会有网络问题，所以可以更换其它的内网穿透工具，比如花生壳，natapp等。还有，本地部署的dify如果使用natapp别在Docker下镜像，会有问题，直接下载本地客户端运行就好。