Dify و Flowise با مدل دلخواه؛ ساخت اپ هوش مصنوعی بدون کد

می‌خواهید یک دستیار بسازید که به سؤال‌های مشتری از روی راهنمای محصول یا آیین‌نامهٔ داخلی شرکت جواب بدهد، اما نه وقت پروژهٔ برنامه‌نویسی دارید و نه تیم فنی. Dify و Flowise دقیقاً برای همین ساخته شده‌اند: با کشیدن و رها کردن، یک اپ هوش مصنوعی کامل می‌سازید. آموزش‌های فارسی معمولاً تا مرحلهٔ نصب می‌آیند و همان‌جا تمام می‌شوند؛ در حالی که نقطه‌ای که همه گیر می‌کنند بعد از نصب است: صفحهٔ تنظیم مدل، جایی که ابزار کلید و آدرس سرویس را می‌خواهد.

Dify و Flowise چه هستند و کدام به درد شما می‌خورد؟

هر دو ابزار متن‌باز هستند، روی سرور خودتان نصب می‌شوند و اپ هوش مصنوعی می‌سازند؛ اما فلسفه‌شان فرق دارد.

اگر مطمئن نیستید، با Dify شروع کنید؛ سریع‌تر به نتیجهٔ قابل نمایش می‌رسید. اگر بعداً به کنترل دقیق‌تر نیاز داشتید، Flowise همیشه هست.

پیش‌نیازها: سرور، دامنه و کلید

هر دو ابزار با Docker اجرا می‌شوند و روی یک سرور مجازی کوچک بالا می‌آیند. تجربهٔ عملی می‌گوید کمتر از ۲ گیگابایت رم عذاب‌آور است؛ برای شروع جدی ۴ گیگابایت بگیرید، به‌خصوص اگر پایگاه دانش دارید. اگر با مفهوم سرور مجازی آشنا نیستید، سرور مجازی چیست و برای انتخاب لوکیشن بهترین لوکیشن سرور مجازی را ببینید؛ نکتهٔ مهم این است که سرور باید بتواند آزادانه به اینترنت درخواست خروجی بزند.

سه چیز را قبل از باز کردن پنل آماده کنید:

• آدرس پایه: https://netarz.ir/api/ai/v1
• کلید: کلیدی که در پنل می‌سازید و با sk-ntz-v1- شروع می‌شود
• نام دقیق دو مدل: یک مدل گفتگو مثل gpt-5-mini و — اگر پایگاه دانش می‌سازید — یک مدل امبدینگ مثل text-embedding-3-small. نام‌ها را از فهرست مدل‌ها کپی کنید. مدل‌های OpenAI هم‌اکنون فعال‌اند و بقیهٔ ارائه‌دهنده‌ها در حال اتصال هستند.

Dify: صفحهٔ Model Provider را چطور پر کنیم؟

بعد از بالا آمدن Dify و ساختن حساب مدیر، از منوی کاربر در گوشهٔ بالا وارد Settings و سپس Model Provider شوید. در فهرست ارائه‌دهنده‌ها، گزینه‌ای با عنوانی شبیه OpenAI-API-compatible وجود دارد؛ همان را انتخاب کنید، نه OpenAI را. تفاوت این دو دقیقاً همان چیزی است که آموزش‌های موجود توضیح نمی‌دهند: گزینهٔ OpenAI آدرس را ثابت می‌فرستد، اما گزینهٔ سازگار، فیلد آدرس را در اختیار شما می‌گذارد.

فرم باز می‌شود و معمولاً این‌ها را می‌خواهد:

1. Model Name: نام دقیق مدل، مثلاً gpt-5-mini. این همان چیزی است که به سرویس فرستاده می‌شود.
2. API Key: کلید sk-ntz-v1-… شما.
3. API endpoint URL: آدرس https://netarz.ir/api/ai/v1 بدون اسلش انتهایی.
4. نوع مدل: برای مدل گفتگو حالت چت و برای مدل امبدینگ حالت امبدینگ را انتخاب کنید. اگر نوع را اشتباه بگذارید، مدل در فهرست جای درست ظاهر نمی‌شود.
5. اندازهٔ پنجرهٔ متن و بیشینهٔ توکن خروجی: عددی متناسب با مدل بگذارید. عدد خیلی بزرگ باعث خطای سمت سرویس و عدد خیلی کوچک باعث بریده شدن پاسخ می‌شود.

ذخیره کنید و دو بار این کار را انجام دهید: یک بار برای مدل گفتگو و یک بار برای مدل امبدینگ. فراموش کردن مدل امبدینگ، شایع‌ترین دلیل خطا هنگام ساختن پایگاه دانش است.

Flowise: فیلد Base Path روی گره مدل

در Flowise منطق کمی متفاوت است. اینجا مدل یک گره روی بوم است و تنظیماتش هم روی همان گره قرار دارد. مسیر کلی چنین است:

1. یک Chatflow جدید بسازید و گره مدل گفتگوی سازگار با OpenAI را روی بوم بیندازید.
2. روی گره، بخش Connect Credential را باز کنید و یک اعتبارنامهٔ جدید بسازید؛ کلید sk-ntz-v1-… را همان‌جا وارد کنید. Flowise کلیدها را جدا از جریان نگه می‌دارد تا بتوانید یک کلید را در چند جریان استفاده کنید.
3. در پارامترهای همان گره — معمولاً زیر بخش پارامترهای اختیاری یا اضافی — فیلدی برای مسیر پایه هست که نامش چیزی شبیه BasePath یا Base URL است. آدرس https://netarz.ir/api/ai/v1 را آنجا بگذارید.
4. نام مدل را در فیلد Model دستی بنویسید. اگر فهرست کشویی نام‌های آشنا را نشان می‌دهد اما مدل شما در آن نیست، معمولاً می‌توانید مقدار دلخواه تایپ کنید.
5. برای پایگاه دانش، گره مدل امبدینگ را هم اضافه کنید و همین کار را برایش تکرار کنید.

رابط Flowise بین نسخه‌ها تغییر می‌کند و ممکن است نام دقیق فیلدها کمی فرق کند؛ اما الگو ثابت است: کلید در اعتبارنامه، آدرس در پارامترهای گره، نام مدل در فیلد مدل.

ساخت اپ پرسش‌وپاسخ روی اسناد فارسی، قدم‌به‌قدم

حالا یک چیز واقعاً مفید بسازیم: دستیاری که از روی فایل‌های شما جواب می‌دهد. مسیر در Dify از همه کوتاه‌تر است:

1. پایگاه دانش بسازید: از بخش Knowledge یک مجموعهٔ جدید بسازید و فایل‌ها را آپلود کنید. اگر PDF شما اسکن است و متن قابل انتخاب ندارد، هیچ ابزاری از آن متن درنمی‌آورد؛ اول باید به متن تبدیل شود.
2. تکه‌بندی را تنظیم کنید: تکه‌های حدود ۵۰۰ تا ۸۰۰ توکن با کمی هم‌پوشانی، برای متن فارسی نقطهٔ شروع خوبی است. تکهٔ خیلی بزرگ یعنی پاسخ‌های پرت و هزینهٔ بیشتر؛ تکهٔ خیلی کوچک یعنی جمله‌ها از متن اصلی جدا می‌افتند و معنا گم می‌شود.
3. مدل امبدینگ را انتخاب کنید: همان مدلی که در مرحلهٔ قبل اضافه کردید. یک نکتهٔ مهم: اگر بعداً مدل امبدینگ را عوض کنید، باید کل پایگاه دانش را دوباره بسازید؛ بردارهای دو مدل مختلف با هم قابل مقایسه نیستند.
4. اپ بسازید: یک اپ از نوع گفتگو بسازید، پایگاه دانش را به آن وصل کنید و در دستور سیستمی بنویسید که فقط بر اساس متن‌های بازیابی‌شده جواب بدهد و اگر جواب در اسناد نبود، صریح بگوید نمی‌داند. همین یک جمله بیشترین اثر را در کاهش پاسخ‌های ساختگی دارد.
5. تست کنید: ده سؤال واقعی از کاربران واقعی بپرسید، نه سؤال‌هایی که خودتان می‌دانید جوابشان در متن هست. جایی که خطا می‌بینید، معمولاً مشکل از تکه‌بندی است نه از مدل.
6. منتشر کنید: Dify به شما یک لینک عمومی، یک ویجت قابل جاسازی در سایت و یک API می‌دهد. برای شروع، لینک عمومی را داخل تیم بچرخانید و بازخورد بگیرید.

خطاهایی که تقریباً همه با آن‌ها روبه‌رو می‌شوند

• خطای اتصال با وجود آدرس درست: اگر ابزار داخل Docker اجرا می‌شود و شما آدرس localhost داده‌اید، آن localhost یعنی داخل خود کانتینر. برای آدرس‌های اینترنتی این مشکل پیش نمی‌آید، اما برای سرویس‌های محلی باید از نام میزبان مخصوص Docker استفاده کنید.
• 404 روی مسیر: اسلش انتهایی یا /v1 تکراری. یک بار با /v1 و یک بار بدون آن امتحان کنید.
• مدل ذخیره می‌شود ولی در فهرست اپ دیده نمی‌شود: نوع مدل را اشتباه انتخاب کرده‌اید؛ مدل گفتگو باید از نوع چت و مدل امبدینگ از نوع امبدینگ ثبت شود.
• خطا هنگام ساخت پایگاه دانش: معمولاً یعنی مدل امبدینگ اصلاً تعریف نشده یا نامش اشتباه است.
• پاسخ‌های بی‌ربط: مقصر معمولاً بازیابی است نه مدل. تعداد تکه‌های بازیابی‌شده را کمی زیاد کنید، اندازهٔ تکه‌ها را تغییر دهید و ببینید کدام تکه‌ها به مدل رسیده‌اند.

هزینه و مرحلهٔ بعد

هزینهٔ این اپ‌ها دو بخش دارد: یک بار ساخت امبدینگ برای اسناد (که فقط هنگام افزودن یا به‌روزرسانی فایل‌ها اتفاق می‌افتد و با مدل‌های امبدینگ سبک بسیار ارزان است) و هزینهٔ جاری هر گفتگو. چون در هر پاسخ، چند تکه از اسناد هم به‌عنوان ورودی به مدل می‌رود، مصرف توکن ورودی بیشتر از یک چت ساده است. روش محاسبه را در توکن چیست و هزینهٔ API چطور حساب می‌شود با مثال آورده‌ایم و مقایسهٔ کلی این مسیر با خرید اشتراک را در تفاوت API و اشتراک.

اگر ترجیح می‌دهید به‌جای نصب سرور، همین منطق را در ابزارهای اتوماسیون ابری پیاده کنید، اتصال n8n و Make با یک base_url مسیر سبک‌تری است. و اگر خروجی دستیارتان آن‌قدر که انتظار داشتید دقیق نیست، قبل از عوض کردن مدل یک بار راهنمای پرامپت‌نویسی را بخوانید؛ در اپ‌های پرسش‌وپاسخ، دستور سیستمی بیشتر از انتخاب مدل روی کیفیت اثر می‌گذارد.

برای شروع کافی است در صفحهٔ سرویس API یک کلید بسازید و اعتبار کوچکی شارژ کنید؛ قیمت لحظه‌ای در صفحهٔ محصول درج شده و مالیات بر ارزش افزوده هنگام پرداخت جداگانه نمایش داده می‌شود. مسیرهای فنی و نمونه‌های بیشتر هم در مستندات فنی آمده است. پیشنهاد عملی: اول با ده صفحه سند و پنج سؤال شروع کنید، نه با کل آرشیو شرکت.