> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/plateformes-ia-et-agents/dify.md). # Plateforme de workflows Dify.ai Déployez Dify.ai sur Clore.ai — créez des workflows IA prêts pour la production, des pipelines RAG et des applications d'agents avec une interface visuelle à des prix de cloud GPU. ## Aperçu [Dify.ai](https://github.com/langgenius/dify) est une plateforme open source de développement d'applications LLM avec **114 k+ étoiles GitHub**. Elle combine un constructeur visuel de workflows, une chaîne de génération augmentée par récupération (RAG), l'orchestration d'agents, la gestion des modèles et une couche de déploiement d'API en un clic dans une seule pile auto-hébergeable. Sur **Clore.ai** vous pouvez exécuter l'ensemble de la pile Dify — y compris sa base de données Postgres, le cache Redis, le magasin vectoriel Weaviate, le proxy inverse Nginx, les workers API et le frontend web — sur un serveur GPU loué pour aussi peu que **0,07–0,21 $/h** (RTX 3090/4090). Le GPU est facultatif pour Dify lui-même, mais devient essentiel lorsque vous intégrez l'inférence locale de modèles via les backends Ollama ou vLLM. **Fonctionnalités clés :** * 🔄 **Constructeur visuel de workflows** — des pipelines LLM par glisser-déposer avec branchements, boucles et logique conditionnelle * 📚 **Pipeline RAG** — importez des PDF, des URL, des pages Notion ; découpage + embeddings + récupération, le tout géré dans l'interface * 🤖 **Mode agent** — agents ReAct et d'appel de fonctions avec utilisation d'outils (recherche web, interpréteur de code, API personnalisées) * 🚀 **Conçu pour l’API** — chaque application génère instantanément un point de terminaison REST et des extraits de SDK * 🔌 **100+ intégrations de modèles** — OpenAI, Anthropic, Mistral, Cohere, plus des modèles locaux via Ollama/vLLM * 🏢 **Multi-locataire** — équipes, espaces de travail, RBAC, quotas d'utilisation *** ## Exigences {% hint style="warning" %} **Les configurations multi-GPU de classe 80 Go ne sont pas répertoriées sur la place de marché Clore.ai.** Les plus grosses machines répertoriées aujourd’hui sont 4× RTX PRO 6000 Blackwell (96 Go chacune, 380 Go au total) et 8–11× RTX 5090 (32 Go chacune). La capacité A100 / H200 / B200 est proposée en bare metal sur demande. Consultez [bare metal](https://clore.ai/bare-metal) sur demande. Consultez [Tarifs et disponibilité des GPU](/guides/guides_v2-fr/premiers-pas/pricing.md) avant de dimensionner un déploiement. {% endhint %} Dify s'exécute sous forme d'une pile Docker Compose multi-conteneurs. Le serveur minimum viable pour le développement est une instance CPU uniquement ; pour la production avec inférence locale de modèles, vous voudrez un nœud GPU. | Configuration | GPU | VRAM | RAM système | Disque | Prix Clore.ai | | -------------------------------- | --------------- | ----- | ----------- | ------ | ----------------------------------------- | | **Minime** (clés API uniquement) | Aucun / CPU | — | 8 Go | 30 Go | \~0,05 $/h (CPU) | | **Standard** | RTX 3080 | 10 Go | 16 Go | 50 Go | 0,05–0,19 $/h | | **Recommandé** | RTX 3090 / 4090 | 24 Go | 32 Go | 80 Go | 0,07–0,21 $/h | | **Production + LLM local** | A100 80 Go | 80 Go | 64 Go | 200 Go | [bare metal](https://clore.ai/bare-metal) | | **Haute capacité de traitement** | H100 SXM | 80 Go | 128 Go | 500 Go | \~1,04 $/h | > **Astuce :** Si vous n'utilisez que des fournisseurs d'API cloud (OpenAI, Anthropic, etc.), toute instance CPU à 2 cœurs avec 8 Go de RAM fonctionne. Un GPU n'est utile que lorsque vous exécutez des modèles locaux via Ollama ou vLLM — voir [Accélération GPU](#gpu-acceleration) ci-dessous. ### Remarque sur le stockage Les données Weaviate et Postgres augmentent rapidement avec les importations de documents. Prévoir **au moins 50 Go** et monter un stockage persistant via les options de volume de Clore.ai. *** ## Démarrage rapide ### 1. Louez un serveur Clore.ai Accédez à [clore.ai](https://clore.ai), filtrez selon le GPU souhaité et déployez un serveur avec : * **Docker** préinstallé (toutes les images Clore l'incluent) * Ports exposés **80** et **443** (ajoutez des ports personnalisés dans les paramètres de l'offre si nécessaire) * Accès SSH activé ### 2. Connectez-vous et préparez le serveur ```bash # Connectez-vous en SSH à votre serveur Clore ssh root@ -p # Mettez à jour les paquets système apt-get update && apt-get upgrade -y # Vérifiez que Docker est disponible docker --version docker compose version # Doit être v2.x ``` ### 3. Clonez Dify et lancez-le ```bash # Cloner le dépôt git clone https://github.com/langgenius/dify.git cd dify/docker # Copiez le fichier d'environnement d'exemple cp .env.example .env # (Facultatif) Modifiez les paramètres avant le lancement nano .env # Récupérez toutes les images et démarrez tous les services en arrière-plan docker compose up -d # Surveillez les journaux pendant le démarrage (prend 2 à 3 minutes lors du premier lancement) docker compose logs -f ``` ### 4. Vérifiez que tous les services sont opérationnels ```bash # Vérifiez l'état des conteneurs docker compose ps # Sortie attendue : # NOM STATUT # docker-api-1 En cours d'exécution (sain) # docker-web-1 En cours d'exécution (sain) # docker-worker-1 En cours d'exécution (sain) # docker-nginx-1 En cours d'exécution # docker-db-1 En cours d'exécution (sain) # docker-redis-1 En cours d'exécution (sain) # docker-weaviate-1 En cours d'exécution (sain) # docker-sandbox-1 En cours d'exécution (sain) ``` ### 5. Accédez à l'interface web Ouvrez votre navigateur et allez à : ``` http://:80 ``` Au premier lancement, Dify vous redirigera vers l'assistant de configuration pour créer le compte administrateur. Terminez l'assistant, puis connectez-vous. *** ## Configuration Toute la configuration se trouve dans `dify/docker/.env`. Voici les paramètres les plus importants : ### Variables d'environnement essentielles ```bash # ── Clés secrètes (MODIFIEZ-LES) ────────────────────────────────────────────── SECRET_KEY=votre-clé-super-secrète-modifiez-la-immédiatement # Générez une clé forte : # python3 -c "import secrets; print(secrets.token_hex(32))" # ── URL de l'application ───────────────────────────────────────────────────── # Définissez-la sur l'IP publique ou le domaine de votre serveur CONSOLE_WEB_URL=http:// APP_WEB_URL=http:// # ── Base de données (Postgres) ─────────────────────────────────────────────── DB_USERNAME=postgres DB_PASSWORD=difyai123456 # À changer en production ! DB_HOST=db DB_PORT=5432 DB_DATABASE=dify # ── Redis ─────────────────────────────────────────────────────────────────── REDIS_HOST=redis REDIS_PORT=6379 REDIS_PASSWORD=difyai123456 # À changer en production ! # ── Stockage (disque local par défaut) ─────────────────────────────────────── STORAGE_TYPE=local # Ou utilisez un stockage compatible S3 : # STORAGE_TYPE=s3 # S3_ENDPOINT=https://s3.amazonaws.com # S3_BUCKET_NAME=votre-bucket-dify # S3_ACCESS_KEY=... # S3_SECRET_KEY=... # ── Fournisseur LLM par défaut ─────────────────────────────────────────────── # Définissez-le dans l'interface après connexion, ou préconfigurez-le ici : # OPENAI_API_KEY=sk-... ``` ### Changer le port exposé Par défaut, Nginx écoute sur le port **80**. Pour le changer : ```bash # Dans docker-compose.yaml, modifiez le service nginx : # ports : # - "8080:80" ← remplacez 8080 par le port hôte de votre choix # Puis redémarrez : docker compose down && docker compose up -d ``` ### Volumes de données persistants Le fichier Compose de Dify monte ces volumes par défaut : ```yaml volumes: oradata : # Données Postgres redis_data : # AOF Redis weaviate_data : # Magasin vectoriel app_storage : # Documents importés et fichiers générés ``` Pour sauvegarder : ```bash # Arrêtez d'abord les services, puis archivez les volumes Docker docker compose stop docker run --rm \ -v docker_oradata:/data \ -v $(pwd)/backups:/backup \ alpine tar czf /backup/postgres-$(date +%Y%m%d).tar.gz /data docker compose start ``` *** ## Accélération GPU La plateforme principale de Dify repose sur le CPU, mais vous débloquez l'inférence locale des modèles en intégrant **Ollama** ou **vLLM** comme fournisseurs de modèles — les deux bénéficient énormément d'un GPU. ### Option A : sidecar Ollama (le plus simple) Exécutez Ollama aux côtés de Dify sur le même serveur Clore : ```bash # Installer Ollama curl -fsSL https://ollama.com/install.sh | sh # Téléchargez un modèle (par ex. Llama 3 8B) ollama pull llama3:8b # Vérifiez que le GPU est utilisé ollama run llama3:8b "Hello!" nvidia-smi # Doit montrer le processus ollama utilisant la VRAM ``` Puis dans l'interface Dify → **Paramètres → Fournisseurs de modèles → Ollama**: * URL de base : `http://localhost:11434` * Sélectionnez votre modèle et enregistrez > Pour un guide complet Ollama, voir [language-models/ollama.md](/guides/guides_v2-fr/modeles-de-langage/ollama.md). ### Option B : sidecar vLLM (haute capacité) ```bash # Exécutez vLLM comme conteneur séparé avec passage du GPU docker run -d \ --name vllm \ --gpus all \ --runtime nvidia \ -p 8000:8000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ -e HUGGING_FACE_HUB_TOKEN= \ vllm/vllm-openai:latest \ --model mistralai/Mistral-7B-Instruct-v0.2 \ --dtype auto \ --max-model-len 4096 # Vérifiez le point de terminaison curl http://localhost:8000/v1/models ``` Puis dans l'interface Dify → **Paramètres → Fournisseurs de modèles → Compatible OpenAI**: * URL de base : `http://localhost:8000/v1` * Clé API : `dummy` * Nom du modèle : `mistralai/Mistral-7B-Instruct-v0.2` > Pour la configuration complète de vLLM, voir [language-models/vllm.md](/guides/guides_v2-fr/modeles-de-langage/vllm.md). ### Recommandations de mémoire GPU pour les modèles locaux | Modèle | VRAM requise | GPU Clore recommandé | | ------------------ | ------------ | -------------------- | | Llama 3 8B (Q4) | 6 Go | RTX 3060 | | Llama 3 8B (FP16) | 16 Go | RTX 3090 / 4090 | | Mistral 7B (Q4) | 5 Go | RTX 3060 | | Llama 3 70B (Q4) | 40 Go | A100 40 Go | | Llama 3 70B (FP16) | 140 Go | 2× H100 | *** ## Conseils et bonnes pratiques ### Optimisation des coûts sur Clore.ai ```bash # Utilisez la tarification spot — les bases de données de Dify conservent l'état dans les volumes # vous pouvez donc arrêter/redémarrer l'instance à moindre coût # Avant d'arrêter votre instance Clore, exportez la base de données : docker exec docker-db-1 pg_dump -U postgres dify > dify_backup_$(date +%Y%m%d).sql # Compressez le volume de stockage pour le transfert tar czf dify_storage_$(date +%Y%m%d).tar.gz \ $(docker volume inspect docker_app_storage --format '{{.Mountpoint}}') ``` ### Activez HTTPS avec Caddy (recommandé pour la production) ```bash # Ajoutez Caddy à docker-compose.yaml ou exécutez-le séparément docker run -d \ --name caddy \ --network docker_default \ -p 443:443 -p 80:80 \ -v $PWD/Caddyfile:/etc/caddy/Caddyfile \ -v caddy_data:/data \ caddy:latest # Contenu du Caddyfile : # votre-domaine.com { # reverse_proxy nginx:80 # } ``` ### Mettez à l'échelle les workers pour les charges lourdes ```bash # Lancez 4 workers celery au lieu de 1 docker compose up -d --scale worker=4 ``` ### Surveillez l'utilisation des ressources ```bash # Statistiques des conteneurs en direct docker stats # Utilisation du GPU (si vous utilisez des modèles locaux) watch -n1 nvidia-smi # Journaux de l'application Dify docker compose logs -f api worker ``` ### Optimisation des performances RAG * Définissez **taille des segments** à 512–1024 jetons pour la plupart des types de documents * Activer **récupération parent-enfant** pour les longs documents dans les paramètres du jeu de données * Utilisez **recherche hybride** (mot-clé + vecteur) pour un meilleur rappel sur le contenu technique * Indexez les documents en dehors des heures de pointe pour éviter les limites de débit de l'API *** ## Dépannage ### Les services redémarrent sans cesse ```bash # Vérifiez les journaux du service en échec docker compose logs --tail=50 api docker compose logs --tail=50 worker # Cause fréquente : SECRET_KEY incorrecte ou connexion à la base de données # Assurez-vous que SECRET_KEY dans .env est définie et unique grep SECRET_KEY .env ``` ### "La migration a échoué" au démarrage ```bash # Exécutez manuellement les migrations de la base de données docker compose exec api flask db upgrade # Si cela échoue, vérifiez d'abord que Postgres est sain docker compose exec db pg_isready -U postgres ``` ### Impossible de se connecter à Ollama depuis Dify ```bash # Par défaut, Ollama se lie à 127.0.0.1 # Modifiez-le pour écouter sur toutes les interfaces : OLLAMA_HOST=0.0.0.0 ollama serve # Ou modifiez le service systemd : systemctl edit ollama # Ajoutez sous [Service] : # Environment="OLLAMA_HOST=0.0.0.0" systemctl restart ollama # Testez depuis un conteneur Dify : docker compose exec api curl http://host.docker.internal:11434/api/tags ``` ### Plus d'espace disque ```bash # Vérifiez la taille des volumes df -h docker system df # Supprimez les images inutilisées docker image prune -a # Les journaux Weaviate peuvent devenir volumineux — faites-les tourner docker compose exec weaviate truncate -s 0 /tmp/weaviate.log ``` ### Erreurs du magasin vectoriel Weaviate ```bash # Réinitialisez Weaviate (AVERTISSEMENT : supprime tous les embeddings, ré-indexation nécessaire) docker compose stop weaviate docker volume rm docker_weaviate_data docker compose up -d weaviate # Puis ré-indexez vos jeux de données dans l'interface Dify → Jeux de données → [jeu de données] → Réindexer ``` ### Le port 80 est déjà utilisé ```bash # Trouvez ce qui utilise le port 80 ss -tlnp | grep :80 # ou lsof -i :80 # Arrêtez le service en conflit ou changez le port nginx de Dify dans docker-compose.yaml ``` *** ## Pour aller plus loin * [Documentation officielle de Dify](https://docs.dify.ai) * [Dépôt GitHub de Dify](https://github.com/langgenius/dify) * [Guide d'auto-hébergement de Dify](https://docs.dify.ai/getting-started/install-self-hosted/docker-compose) * [Exécuter Ollama sur Clore.ai](/guides/guides_v2-fr/modeles-de-langage/ollama.md) * [Exécuter vLLM sur Clore.ai](/guides/guides_v2-fr/modeles-de-langage/vllm.md) * [Comparaison des GPU Clore.ai](/guides/guides_v2-fr/premiers-pas/gpu-comparison.md) * [Discord de la communauté Dify](https://discord.gg/FngNHpbcY7) --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-fr/plateformes-ia-et-agents/dify.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.