ナレッジAPIドキュメント
コンセプトリンク
コンセプトデータの同期
.png)
 (1) (1) (1) (1).png)
 (1) (1).png)
 (1) (1).png)
Docker 19.03以降
Docker Compose 1.25.1以降
Docker Desktop
redis://<redis_username>:<redis_password>@<redis_host>:<redis_port>/<redis_database>
+
+ Docker 19.03以降
Docker Compose 1.25.1以降
| プロジェクト設立 | 2023年3月 |
| オープンソースライセンス | Apache License 2.0 に基づく商業ライセンス |
| 公式開発チーム | 10名以上のフルタイム社員 |
| コミュニティ貢献者 | 120人以上 |
| バックエンド技術 | Python/Flask/PostgreSQL |
| フロントエンド技術 | Next.js |
| コード行数 | 13万行以上 |
| リリースサイクル | 平均して週に1回 |
| 大規模言語モデル推理エンジン | Dify Runtime (v0.4以降はLangChainを除去) |
| 商業モデルサポート | 10社以上、OpenAIとAnthropicを含む 新しい主流モデルは通常48時間以内に接続完了 |
| MaaSサプライヤーサポート | 7社、Hugging Face、Replicate、AWS Bedrock、NVIDIA、GroqCloud、together.ai、OpenRouter |
| ローカルモデル推理Runtimeサポート | 6社、Xoribits（推奨）、OpenLLM、LocalAI、ChatGLM、Ollama、NVIDIA TIS |
| OpenAIインターフェース標準モデル接続サポート | ∞社 |
| 多モーダル技術 | 自動音声認識（ASR）モデル GPT-4V規格のリッチテキストモデル |
| プリセットアプリケーションタイプ | 対話型アプリケーション テキスト生成アプリケーション（近日終了予定） |
| プロンプト即サービス編成 | 高評価のビジュアル化されたプロンプト編成インターフェース、同じインターフェースでプロンプトを編集し、効果をプレビュー可能 編成モード
プロンプト変数タイプ
|
| エージェントワークフロー特性 | 業界をリードするビジュアル化されたフローチャート編成インターフェース、見たまま編集できるノードデバッグ、プラグイン可能なDSL、ネイティブなコードランタイムにより、より複雑で信頼性が高く安定したLLMアプリケーションを構築可能。 サポートノード
|
| RAG特性 | 画期的なビジュアル化された知識ベース管理インターフェース、セグメントプレビューとリコール効果テストをサポート。
検索方式
リコール最適化技術
|
| ETL技術 | TXT、Markdown、PDF、HTML、DOC、CSVなどの形式のファイルを自動的にクリーニングすることをサポート。組み込みのUnstructuredサービスを有効にすると最大限のサポートが得られます。 Notionからのドキュメントを知識ベースとして同期することをサポート。 |
| ベクトルデータベースサポート | Qdrant（推奨）、Weaviate、Zilliz |
| エージェント技術 | ReAct、ファンクションコール ツールサポート
内蔵ツール
|
| ログ | サポート、ログに基づいてアノテーション可能 |
| アノテーション返信 | 人間がアノテートしたQ&Aペアに基づき、類似度比較応答を作成可能 モデルの微調整段階で使用するデータ形式としてエクスポート可能 |
| コンテンツ審査メカニズム | OpenAI Moderationまたは外部API |
| チーム協働 | ワークスペースおよび複数メンバー管理サポート |
| API仕様 | RESTful、ほとんどの機能をカバー |
| デプロイ方法 | Docker、Helm |
| 供給者 | 大規模言語モデル | 埋め込み | 再ランク付け |
|---|---|---|---|
| オープンAI | ✔️(🛠️)(👓) | ✔️ | |
| アンスロピック | ✔️ | ||
| アジュールオープンAI | ✔️(🛠️)(👓) | ✔️ | |
| ✔️(👓) | |||
| コヒア | ✔️ | ✔️ | ✔️ |
| ベドロック | ✔️ | ||
| トゥゲザー.ai | ✔️ | ||
| オラマ | ✔️ | ✔️ | |
| レプリケート | ✔️ | ✔️ | |
| ハギングフェイス | ✔️ | ✔️ | |
| 智譜 | ✔️(🛠️)(👓) | ✔️ | |
| 百川 | ✔️ | ✔️ | |
| 星火 | ✔️ | ||
| ミニマックス | ✔️(🛠️) | ✔️ | |
| 通義千問 | ✔️ | ||
| 文心一言 | ✔️ | ||
| 月の暗面 | ✔️(🛠️) | ||
| ディープシーク | ✔️(🛠️) | ||
| Jina | ✔️ | ✔️ | |
| チャットGLM | ✔️(🛠️) | ||
| シンフェレンス | ✔️(🛠️)(👓) | ✔️ | ✔️ |
| オープンLLM | ✔️ | ✔️ | |
| ローカルAI | ✔️ | ✔️ | |
| オープンAI API互換 | ✔️ | ✔️ |
APIアクセス
.png)
`、``）にコピーします。
+* scriptタグの方法
+
+ scriptコードを、あなたのウェブサイトの``または``タグにコピーします。
+
+.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
+
+###
\ No newline at end of file
diff --git a/jp/guides/application_orchestrate/agent.md b/jp/guides/application_orchestrate/agent.md
new file mode 100644
index 00000000..7c4a7d55
--- /dev/null
+++ b/jp/guides/application_orchestrate/agent.md
@@ -0,0 +1,61 @@
+# エージェント
+
+### 定義
+
+エージェントアシスタントは、大規模言語モデルの推論能力を活用し、複雑な人間のタスクを自律的に目標設定、タスク分解、ツールの呼び出し、プロセスの反復を行い、人間の介入なしでタスクを完了することができます。
+
+### エージェントアシスタントの使い方
+
+迅速に使い始めるために、「探索」でエージェントアシスタントのアプリケーションテンプレートを見つけて自分のワークスペースに追加するか、それを基にカスタマイズすることができます。新しいDifyスタジオでは、ゼロから自分専用のエージェントアシスタントを編成し、財務報告書の分析、レポートの作成、ロゴデザイン、旅行計画などのタスクを完了する手助けをすることができます。
+
+ (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
 (1) (1) (1) (1) (1) (1).png)
 (1).png)
 (1).png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
 (1).png)
 (1).png)
 (1).png)
 (1).png)
.png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1).png)
 (1) (1) (1).png)
 (1) (1).png)
` 型です。この型はキーが文字列で値が任意のオブジェクトを示します。`src/index.ts` で `params?.inputs?.count` を使用して `count` パラメータを取得できます。
+
+### Cloudflare ワーカーのログを取得する
+
+```bash
+wrangler tail
+```
+
+## 参考内容
+
+* [Cloudflare Workers](https://workers.cloudflare.com/)
+* [Cloudflare Workers CLI](https://developers.cloudflare.com/workers/cli-wrangler/install-update)
+* [Example GitHub レポジトリ](https://github.com/crazywoola/dify-extension-workers)
\ No newline at end of file
diff --git a/jp/guides/extension/api_based_extension/external_data_tool.md b/jp/guides/extension/api_based_extension/external_data_tool.md
new file mode 100644
index 00000000..ab5688ca
--- /dev/null
+++ b/jp/guides/extension/api_based_extension/external_data_tool.md
@@ -0,0 +1,63 @@
+# 外部データツール
+
+AIアプリケーションを作成する際、開発者はAPI拡張を通じて外部ツールを利用し、追加データを取得してPromptに組み込むことができます。具体的な手順については[external\_data\_tool.md](../../knowledge-base/external\_data\_tool.md "mention")を参照してください。
+
+### 前提条件
+
+まずは[.](./ "mention")を読み、APIサービスの基本的な機能の開発と接続を完了してください。
+
+### 拡張ポイント
+
+`app.external_data_tool.query`は、外部データツールのクエリ拡張ポイントです。
+
+この拡張ポイントは、エンドユーザーが入力したアプリ変数の内容と対話入力内容（対話型アプリの固定パラメータ）をパラメータとしてAPIに渡します。
+
+開発者は対応するツールのクエリロジックを実装し、文字列型のクエリ結果を返す必要があります。
+
+#### リクエストボディ
+
+```
+{
+ "point": "app.external_data_tool.query", // 拡張ポイントの種類。ここではapp.external_data_tool.queryに固定
+ "params": {
+ "app_id": string, // アプリID
+ "tool_variable": string, // 外部データツール変数名。対応する変数ツールの呼び出し元を示す
+ "inputs": { // エンドユーザーが入力した変数値。キーが変数名、値が変数値
+ "var_1": "value_1",
+ "var_2": "value_2",
+ ...
+ },
+ "query": string | null // エンドユーザーの現在の対話入力内容。対話型アプリの固定パラメータ
+ }
+}
+```
+
+* 例
+ * ```
+ {
+ "point": "app.external_data_tool.query",
+ "params": {
+ "app_id": "61248ab4-1125-45be-ae32-0ce91334d021",
+ "tool_variable": "weather_retrieve",
+ "inputs": {
+ "location": "London"
+ },
+ "query": "How's the weather today?"
+ }
+ }
+ ```
+
+#### API応答
+
+```
+{
+ "result": string
+}
+```
+
+* 例
+ * ```
+ {
+ "result": "City: London\nTemperature: 10°C\nRealFeel®: 8°C\nAir Quality: Poor\nWind Direction: ENE\nWind Speed: 8 km/h\nWind Gusts: 14 km/h\nPrecipitation: Light rain"
+ }
+ ```
\ No newline at end of file
diff --git a/jp/guides/extension/api_based_extension/moderation.md b/jp/guides/extension/api_based_extension/moderation.md
new file mode 100644
index 00000000..e9c3ad6d
--- /dev/null
+++ b/jp/guides/extension/api_based_extension/moderation.md
@@ -0,0 +1,137 @@
+# 敏感内容審査
+
+このモジュールは、アプリケーションにおける端末ユーザーの入力内容とLLM（大規模言語モデル）の出力内容を審査するために使用され、2つの拡張点タイプに分かれています。
+
+### 拡張点
+
+* `app.moderation.input` 端末ユーザー入力内容の審査拡張点
+ * 端末ユーザーが送信した変数の内容や対話型アプリケーションにおける対話の入力内容を審査するために使用されます。
+* `app.moderation.output` LLM出力内容の審査拡張点
+ * LLMの出力内容を審査するために使用されます。
+ * LLMの出力がストリーミング形式の場合、出力内容は100文字ごとに分割され、APIにリクエストされます。これにより、出力内容が長い場合でも審査が遅れないようにします。
+
+### app.moderation.input 拡張点
+
+#### リクエストボディ
+
+```
+{
+ "point": "app.moderation.input", // 拡張点タイプ。ここでは固定で app.moderation.input
+ "params": {
+ "app_id": string, // アプリケーションID
+ "inputs": { // 端末ユーザーが送信した変数の値。key は変数名、value は変数の値
+ "var_1": "value_1",
+ "var_2": "value_2",
+ ...
+ },
+ "query": string | null // 端末ユーザーの現在の対話入力内容。対話型アプリケーションの固定パラメータ。
+ }
+}
+```
+
+* 例
+ * ```
+ {
+ "point": "app.moderation.input",
+ "params": {
+ "app_id": "61248ab4-1125-45be-ae32-0ce91334d021",
+ "inputs": {
+ "var_1": "I will kill you.",
+ "var_2": "I will fuck you."
+ },
+ "query": "Happy everydays."
+ }
+ }
+ ```
+
+#### APIレスポンス
+
+```
+{
+ "flagged": bool, // 検証ルールに違反しているかどうか
+ "action": string, // アクション。direct_output 予設回答の直接出力; overrided 送信された変数値の上書き
+ "preset_response": string, // 予設回答（actionがdirect_outputの場合のみ返される）
+ "inputs": { // 端末ユーザーが送信した変数の値。key は変数名、value は変数の値（actionがoverridedの場合のみ返される）
+ "var_1": "value_1",
+ "var_2": "value_2",
+ ...
+ },
+ "query": string | null // 上書きされた端末ユーザーの現在の対話入力内容。対話型アプリケーションの固定パラメータ。（actionがoverridedの場合のみ返される）
+}
+```
+
+* 例
+ * `action=direct_output`
+ * ```
+ {
+ "flagged": true,
+ "action": "direct_output",
+ "preset_response": "Your content violates our usage policy."
+ }
+ ```
+ * `action=overrided`
+ * ```
+ {
+ "flagged": true,
+ "action": "overrided",
+ "inputs": {
+ "var_1": "I will *** you.",
+ "var_2": "I will *** you."
+ },
+ "query": "Happy everydays."
+ }
+ ```
+
+### app.moderation.output 拡張点
+
+#### リクエストボディ
+
+```
+{
+ "point": "app.moderation.output", // 拡張点タイプ。ここでは固定で app.moderation.output
+ "params": {
+ "app_id": string, // アプリケーションID
+ "text": string // LLMの回答内容。LLMの出力がストリーミング形式の場合、ここには100文字ごとの分割された内容が入ります。
+ }
+}
+```
+
+* 例
+ * ```
+ {
+ "point": "app.moderation.output",
+ "params": {
+ "app_id": "61248ab4-1125-45be-ae32-0ce91334d021",
+ "text": "I will kill you."
+ }
+ }
+ ```
+
+#### APIレスポンス
+
+```
+{
+ "flagged": bool, // 検証ルールに違反しているかどうか
+ "action": string, // アクション。direct_output 予設回答の直接出力; overrided 送信された変数値の上書き
+ "preset_response": string, // 予設回答（actionがdirect_outputの場合のみ返される）
+ "text": string // 上書きされたLLMの回答内容。（actionがoverridedの場合のみ返される）
+}
+```
+
+* 例
+ * `action=direct_output`
+ * ```
+ {
+ "flagged": true,
+ "action": "direct_output",
+ "preset_response": "Your content violates our usage policy."
+ }
+ ```
+ * `action=overrided`
+ * ```
+ {
+ "flagged": true,
+ "action": "overrided",
+ "text": "I will *** you."
+ }
+ ```
\ No newline at end of file
diff --git a/jp/guides/extension/code_based_extension/README.md b/jp/guides/extension/code_based_extension/README.md
new file mode 100644
index 00000000..36c65813
--- /dev/null
+++ b/jp/guides/extension/code_based_extension/README.md
@@ -0,0 +1,98 @@
+# コードベースの拡張
+
+開発者がDifyをローカルでデプロイする際、APIサービスを再構築せずに拡張機能を実装したい場合は、コード拡張を使用できます。これにより、元のDifyのコードロジックを乱すことなく、コード形式（つまり、プラグイン機能）で機能を拡張または強化することが可能です。特定のインターフェースや仕様に従うことで、メインプログラムとの互換性とプラグアンドプレイ機能を実現できます。現在、Difyは2種類のコード拡張を提供しています：
+
+* 新しいタイプの外部データツールの追加 [external_data_tool.md](external_data_tool.md "mention")
+* センシティブコンテンツモデレーション戦略の拡張 [moderation.md](moderation.md "mention")
+
+上記の機能に基づき、コードレベルのインターフェース仕様に従うことで水平拡張を実現できます。もしあなたが自分の拡張機能を私たちに提供したい場合、Difyにプルリクエストを提出することを心より歓迎します。
+
+## フロントエンドコンポーネント仕様定義
+
+コード拡張のフロントエンドスタイルは `schema.json` を通じて定義されます：
+
+* label: カスタムタイプ名、システム言語切り替えに対応
+* form_schema: フォーム内容のリスト
+ * type: コンポーネントタイプ
+ * select: ドロップダウンオプション
+ * text-input: テキスト入力
+ * paragraph: 段落
+ * label: コンポーネント名、システム言語切り替えに対応
+ * variable: 変数名
+ * required: 必須かどうか
+ * default: デフォルト値
+ * placeholder: コンポーネントのヒント内容
+ * options: "select" コンポーネント専用プロパティ、ドロップダウン内容を定義
+ * label: ドロップダウン名、システム言語切り替えに対応
+ * value: ドロップダウンオプション値
+ * max_length: "text-input" コンポーネント専用プロパティ、最大長
+
+### テンプレート例
+
+```json
+{
+ "label": {
+ "en-US": "Cloud Service",
+ "zh-Hans": "云服务"
+ },
+ "form_schema": [
+ {
+ "type": "select",
+ "label": {
+ "en-US": "Cloud Provider",
+ "zh-Hans": "云厂商"
+ },
+ "variable": "cloud_provider",
+ "required": true,
+ "options": [
+ {
+ "label": {
+ "en-US": "AWS",
+ "zh-Hans": "亚马逊"
+ },
+ "value": "AWS"
+ },
+ {
+ "label": {
+ "en-US": "Google Cloud",
+ "zh-Hans": "谷歌云"
+ },
+ "value": "GoogleCloud"
+ },
+ {
+ "label": {
+ "en-US": "Azure Cloud",
+ "zh-Hans": "微软云"
+ },
+ "value": "Azure"
+ }
+ ],
+ "default": "GoogleCloud",
+ "placeholder": ""
+ },
+ {
+ "type": "text-input",
+ "label": {
+ "en-US": "API Endpoint",
+ "zh-Hans": "API Endpoint"
+ },
+ "variable": "api_endpoint",
+ "required": true,
+ "max_length": 100,
+ "default": "",
+ "placeholder": "https://api.example.com"
+ },
+ {
+ "type": "paragraph",
+ "label": {
+ "en-US": "API Key",
+ "zh-Hans": "API Key"
+ },
+ "variable": "api_keys",
+ "required": true,
+ "default": "",
+ "placeholder": "Paste your API key here"
+ }
+ ]
+}
+```
\ No newline at end of file
diff --git a/jp/guides/extension/code_based_extension/external_data_tool.md b/jp/guides/extension/code_based_extension/external_data_tool.md
new file mode 100644
index 00000000..b0572db3
--- /dev/null
+++ b/jp/guides/extension/code_based_extension/external_data_tool.md
@@ -0,0 +1,193 @@
+# 外部データツール
+
+外部データツールは、エンドユーザーがデータを送信した後、外部ツールを使用して追加のデータを取得し、それをプロンプトに組み込むことで、LLMの追加のコンテキスト情報として利用します。Difyはデフォルトで外部API呼び出しツールを提供しており、詳細は[api\_based\_extension](../api\_based\_extension/ "mention")を参照してください。
+
+ローカルにDifyをデプロイする開発者向けには、よりカスタマイズされたニーズに対応するため、または追加のAPIサーバーを開発したくない場合、Difyサービスの基盤にカスタムの外部データツールをプラグインとして直接挿入することができます。カスタムツールを拡張した後、ツールタイプのドロップダウンリストにカスタムツールオプションが追加され、チームメンバーはカスタムツールを使用して外部データを取得できるようになります。
+
+## クイックスタート
+
+ここでは、`天気検索`外部データツール拡張を例として、以下の手順を説明します：
+
+1. ディレクトリの初期化
+2. フロントエンドフォーム規格の追加
+3. 実装クラスの追加
+4. フロントエンドインターフェースのプレビュー
+5. 拡張のデバッグ
+
+### 1. **ディレクトリの初期化**
+
+新しいカスタムタイプ`Weather Search`を追加するには、`api/core/external_data_tool`ディレクトリに関連するディレクトリとファイルを新規作成します。
+
+```python
+.
+└── api
+ └── core
+ └── external_data_tool
+ └── weather_search
+ ├── __init__.py
+ ├── weather_search.py
+ └── schema.json
+```
+
+### 2. **フロントエンドコンポーネント規格の追加**
+
+* `schema.json`、ここではフロントエンドコンポーネントの規格を定義します。詳細は[.](./ "mention")を参照してください。
+
+```json
+{
+ "label": {
+ "en-US": "Weather Search",
+ "zh-Hans": "天気検索"
+ },
+ "form_schema": [
+ {
+ "type": "select",
+ "label": {
+ "en-US": "Temperature Unit",
+ "zh-Hans": "温度単位"
+ },
+ "variable": "temperature_unit",
+ "required": true,
+ "options": [
+ {
+ "label": {
+ "en-US": "Fahrenheit",
+ "zh-Hans": "華氏度"
+ },
+ "value": "fahrenheit"
+ },
+ {
+ "label": {
+ "en-US": "Centigrade",
+ "zh-Hans": "摂氏度"
+ },
+ "value": "centigrade"
+ }
+ ],
+ "default": "centigrade",
+ "placeholder": "Please select temperature unit"
+ }
+ ]
+}
+```
+
+### 3. 実装クラスの追加
+
+`weather_search.py`のコードテンプレートです。ここに具体的な業務ロジックを実装します。
+
+{% hint style="warning" %}
+注意：クラス変数nameはカスタムタイプ名称であり、ディレクトリとファイル名と一致し、かつ唯一である必要があります。
+{% endhint %}
+
+```python
+from typing import Optional
+
+from core.external_data_tool.base import ExternalDataTool
+
+
+class WeatherSearch(ExternalDataTool):
+ """
+ The name of custom type must be unique, keep the same with directory and file name.
+ """
+ name: str = "weather_search"
+
+ @classmethod
+ def validate_config(cls, tenant_id: str, config: dict) -> None:
+ """
+ schema.json validation. It will be called when user save the config.
+
+ Example:
+ .. code-block:: python
+ config = {
+ "temperature_unit": "centigrade"
+ }
+
+ :param tenant_id: the id of workspace
+ :param config: the variables of form config
+ :return:
+ """
+
+ if not config.get('temperature_unit'):
+ raise ValueError('temperature unit is required')
+
+ def query(self, inputs: dict, query: Optional[str] = None) -> str:
+ """
+ Query the external data tool.
+
+ :param inputs: user inputs
+ :param query: the query of chat app
+ :return: the tool query result
+ """
+ city = inputs.get('city')
+ temperature_unit = self.config.get('temperature_unit')
+
+ if temperature_unit == 'fahrenheit':
+ return f'Weather in {city} is 32°F'
+ else:
+ return f'Weather in {city} is 0°C'
+```
+
+### 4. **フロントエンドインターフェースのプレビュー**
+
+上記の手順を実行し、サービスを実行すると、新しいカスタムタイプが表示されます。
+
+
.png)
+
+{% hint style="info" %}
+Difyに自分で開発したツールを貢献することを歓迎します。貢献方法については[Dify開発貢献ドキュメント](https://github.com/langgenius/dify/blob/main/CONTRIBUTING.md)を確認してください。あなたのサポートは私たちにとって非常に貴重です。
+{% endhint %}
+
+#### 第一方ツールの認証
+
+Difyエコシステムが提供する第一方内蔵ツールを直接使用する場合、使用前に適切な認証情報を設定する必要があります。
+
+.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
.png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1).png)
 (1).png)
.png)
.png)
.png)
.png)
/document/create_by_text>' \
+--header 'Authorization: Bearer {api_key}' \
+--header 'Content-Type: application/json' \
+--data-raw '{
+ "name": "Dify",
+ "text": "Dify means Do it for you...",
+ "indexing_technique": "high_quality",
+ "process_rule": {
+ "rules": {
+ "pre_processing_rules": [{
+ "id": "remove_extra_spaces",
+ "enabled": true
+ }, {
+ "id": "remove_urls_emails",
+ "enabled": true
+ }],
+ "segmentation": {
+ "separator": "###",
+ "max_tokens": 500
+ }
+ },
+ "mode": "custom"
+ }
+}'
+
+```
+
+#### **ファイルでドキュメントを作成**
+
+```
+curl --location POST 'https://api.dify.ai/v1/datasets/{dataset_id}/document/create_by_file' \
+--header 'Authorization: Bearer {api_key}' \
+--form 'data="{
+ "name": "Dify",
+ "indexing_technique": "high_quality",
+ "process_rule": {
+ "rules": {
+ "pre_processing_rules": [{
+ "id": "remove_extra_spaces",
+ "enabled": true
+ }, {
+ "id": "remove_urls_emails",
+ "enabled": true
+ }],
+ "segmentation": {
+ "separator": "###",
+ "max_tokens": 500
+ }
+ },
+ "mode": "custom"
+ }
+ }";
+ type=text/plain' \
+--form 'file=@"/path/to/file"'
+
+```
+
+#### **ドキュメント埋め込みステータス（進捗）を取得**
+
+```
+curl --location --request GET 'https://api.dify.ai/v1/datasets/{dataset_id}/documents/{batch}/indexing-status' \
+--header 'Authorization: Bearer {api_key}'
+```
+
+#### **ドキュメントを削除**
+
+```
+curl --location --request DELETE 'https://api.dify.ai/v1/datasets/{dataset_id}/documents/{document_id}' \
+--header 'Authorization: Bearer {api_key}'
+```
+
+#### **データセットドキュメントリスト**
+
+```
+curl --location --request GET 'https://api.dify.ai/v1/datasets/{dataset_id}/documents' \
+--header 'Authorization: Bearer {api_key}'
+
+```
+
+#### **セグメントの追加**
+
+```
+curl 'https://api.dify.ai/v1/datasets/aac47674-31a8-4f12-aab2-9603964c4789/documents/2034e0c1-1b75-4532-849e-24e72666595b/segment' \
+ --header 'Authorization: Bearer {api_key}' \
+ --header 'Content-Type: application/json' \
+ --data-raw $'"chunks":[
+ {"content":"Dify means Do it for you",
+ "keywords":["Dify","Do"]
+ }
+ ]'
+ --compressed
+
+```
+
+### エラーメッセージ
+
+* `document_indexing`，ドキュメントインデックス失敗
+* `provider_not_initialize`，埋め込みモデル未初期化
+* `not_found`，ドキュメントが見つかりません
+* `dataset_name_duplicate`，データセット名重複
+* `provider_quota_exceeded`，プロバイダーのクオータ超過
+* `dataset_not_initialized`，データセット未初期化
+* `unsupported_file_type`，サポートされていないファイルタイプ
+ * 現在サポートされているのは：txt, markdown, md, pdf, html, htm, xlsx, docx, csv
+* `too_many_files`，ファイルが多すぎます、一時的に単一ファイルのアップロードのみをサポート
+* `file_too_large`，ファイルが大きすぎます、15M以下をサポート
\ No newline at end of file
diff --git a/jp/guides/knowledge-base/retrieval_test_and_citation.md b/jp/guides/knowledge-base/retrieval_test_and_citation.md
new file mode 100644
index 00000000..56b82bd1
--- /dev/null
+++ b/jp/guides/knowledge-base/retrieval_test_and_citation.md
@@ -0,0 +1,34 @@
+# リコールテスト/引用と帰属
+
+### 1 リコールテスト
+
+Difyナレッジベースには、異なる検索方法とパラメータ設定におけるリコール効果をデバッグするためのリコールテスト機能が提供されています。**ソーステキスト**入力欄に一般的なユーザーの質問を入力し、**テスト**をクリックして右側の**リコールパラグラフ**でリコール結果を確認できます。**最近のクエリ**では、過去のクエリ履歴を確認でき、ナレッジベースがアプリケーション内に関連付けられている場合、アプリケーション内からトリガーされたナレッジベースクエリもここで確認できます。
+
+ (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1).png)
.png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1).png)
.png)
.png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
 (1) (1).png)
 (1) (1) (1).png)
 (1) (1) (1).png)
.png)
 (1) (1).png)
 (1) (1).png)
 (1) (1).png)
.png)
.png)
.png)
.png)
:8080を入力してください。例えば、局域網のIPアドレス：http://192.168.1.100:8080
+
+ "保存"後、アプリケーション内でこのモデルを使用できます。
+
+ モデル2：`all-MiniLM-L6-v2`
+
+ - モデルタイプ：埋め込み
+
+ - モデル名：`text-embedding-ada-002`
+
+ - サーバーURL：http://127.0.0.1:8080
+
+ > Difyがdockerデプロイの場合、ホストのドメイン名：http://:8080を入力してください。例えば、局域網のIPアドレス：http://192.168.1.100:8080
+
+ "保存"後、アプリケーション内でこのモデルを使用できます。
+
+LocalAIに関する詳しい情報については、https://github.com/go-skynet/LocalAI を参照してください。
\ No newline at end of file
diff --git a/jp/guides/model-configuration/new-provider.md b/jp/guides/model-configuration/new-provider.md
new file mode 100644
index 00000000..fdaa0f2d
--- /dev/null
+++ b/jp/guides/model-configuration/new-provider.md
@@ -0,0 +1,192 @@
+# 新しいプロバイダーの追加
+
+### モデル設定方法
+
+プロバイダーは三つのモデル設定方法に対応しています：
+
+**事前定義モデル（predefined-model）**
+
+ユーザーは統一されたプロバイダーのクレデンシャルを設定するだけで、プロバイダーの事前定義モデルを使用できます。
+
+**カスタマイズ可能モデル（customizable-model）**
+
+ユーザーは各モデルのクレデンシャル設定を追加する必要があります。例えば、XinferenceはLLMとテキスト埋め込みの両方に対応していますが、各モデルには一意の**モデルUID**があり、両方を同時に接続したい場合は、それぞれのモデルに対して**モデルUID**を設定する必要があります。
+
+**リモートから取得（fetch-from-remote）**
+
+`predefined-model`の設定方法と一致しており、統一されたプロバイダーのクレデンシャルを設定するだけで、モデルはクレデンシャル情報を通じてプロバイダーから取得されます。
+
+例えばOpenAIの場合、gpt-turbo-3.5を基に複数のモデルを微調整することができ、それらはすべて同じ**APIキー**の下にあります。`fetch-from-remote`として設定すると、開発者は統一された**APIキー**を設定するだけで、Difyランタイムが開発者のすべての微調整モデルを取得してDifyに接続できます。
+
+これら三つの設定方法は**共存可能**であり、例えばプロバイダーが`predefined-model`と`customizable-model`、または`predefined-model`と`fetch-from-remote`をサポートする場合があります。統一されたプロバイダーのクレデンシャルを設定することで、事前定義モデルとリモートから取得したモデルを使用でき、新しいモデルを追加することでカスタマイズ可能なモデルも使用できます。
+
+### 設定説明
+
+**名詞解説**
+
+* `モジュール`: 一つの`モジュール`は一つのPythonパッケージ、または簡単に言えば一つのフォルダーであり、その中に`__init__.py`ファイルと他の`.py`ファイルが含まれます。
+
+**手順**
+
+新しいプロバイダーを追加するには主にいくつかのステップがあります。ここでは簡単に列挙し、具体的な手順は以下で詳しく説明します。
+
+* プロバイダーのYAMLファイルを作成し、[プロバイダースキーマ](https://github.com/langgenius/dify/blob/main/api/core/model_runtime/docs/zh_Hans/schema.md)に基づいて記述します。
+* プロバイダーのコードを作成し、`class`を実装します。
+* モデルタイプに応じて、プロバイダーの`モジュール`内に対応するモデルタイプの`モジュール`を作成します。例えば`llm`や`text_embedding`。
+* モデルタイプに応じて、対応するモデル`モジュール`内に同名のコードファイルを作成し、例えば`llm.py`、`class`を実装します。
+* 事前定義モデルがある場合、モデル名と同名のyamlファイルをモデル`モジュール`内に作成し、[AIモデルエンティティ](https://github.com/langgenius/dify/blob/main/api/core/model_runtime/docs/zh_Hans/schema.md)に基づいて記述します。
+* テストコードを記述し、機能の有用性を確認します。
+
+#### 始めましょう
+
+新しいプロバイダーを追加するには、まずプロバイダーの英語識別子を決めます。例えば`anthropic`、この識別子を使って`model_providers`内に同名の`モジュール`を作成します。
+
+この`モジュール`内で、まずプロバイダーのYAML設定を準備する必要があります。
+
+**プロバイダーYAMLの準備**
+
+ここでは`Anthropic`を例に、プロバイダーの基本情報、対応するモデルタイプ、設定方法、クレデンシャルルールを設定します。
+
+```YAML
+provider: anthropic # プロバイダーの識別子
+label: # プロバイダーの表示名、en_US英語、zh_Hans中国語の二言語を設定できます。zh_Hansが設定されていない場合、en_USがデフォルトで使用されます。
+ en_US: Anthropic
+icon_small: # プロバイダーの小アイコン、対応するプロバイダーの実装ディレクトリ内の_assetsディレクトリに保存されます。labelと同じく二言語の設定が可能です。
+ en_US: icon_s_en.png
+icon_large: # プロバイダーの大アイコン、対応するプロバイダーの実装ディレクトリ内の_assetsディレクトリに保存されます。labelと同じく二言語の設定が可能です。
+ en_US: icon_l_en.png
+supported_model_types: # 対応するモデルタイプ、AnthropicはLLMのみ対応
+- llm
+configurate_methods: # 対応する設定方法、Anthropicは事前定義モデルのみ対応
+- predefined-model
+provider_credential_schema: # プロバイダーのクレデンシャルルール、Anthropicは事前定義モデルのみ対応するため、統一されたプロバイダーのクレデンシャルルールを定義する必要があります
+ credential_form_schemas: # クレデンシャルフォーム項目リスト
+ - variable: anthropic_api_key # クレデンシャルパラメーターの変数名
+ label: # 表示名
+ en_US: API Key
+ type: secret-input # フォームタイプ、ここではsecret-inputは暗号化された情報入力フィールドを意味し、編集時にはマスクされた情報のみが表示されます。
+ required: true # 必須かどうか
+ placeholder: # プレースホルダー情報
+ zh_Hans: 在此输入您的 API Key
+ en_US: Enter your API Key
+ - variable: anthropic_api_url
+ label:
+ en_US: API URL
+ type: text-input # フォームタイプ、ここではtext-inputはテキスト入力フィールドを意味します
+ required: false
+ placeholder:
+ zh_Hans: 在此输入您的 API URL
+ en_US: Enter your API URL
+```
+
+カスタマイズ可能なモデルを提供するプロバイダー、例えば`OpenAI`が微調整モデルを提供する場合、[`モデルクレデンシャルスキーマ`](https://github.com/langgenius/dify/blob/main/api/core/model_runtime/docs/zh_Hans/schema.md)を追加する必要があります。以下は`OpenAI`を例にしたものです：
+
+```yaml
+model_credential_schema:
+ model: # 微調整モデルの名称
+ label:
+ en_US: Model Name
+ zh_Hans: 模型名称
+ placeholder:
+ en_US: Enter your model name
+ zh_Hans: 输入模型名称
+ credential_form_schemas:
+ - variable: openai_api_key
+ label:
+ en_US: API Key
+ type: secret-input
+ required: true
+ placeholder:
+ zh_Hans: 在此输入您的 API Key
+ en_US: Enter your API Key
+ - variable: openai_organization
+ label:
+ zh_Hans: 组织 ID
+ en_US: Organization
+ type: text-input
+ required: false
+ placeholder:
+ zh_Hans: 在此输入您的组织 ID
+ en_US: Enter your Organization ID
+ - variable: openai_api_base
+ label:
+ zh_Hans: API Base
+ en_US: API Base
+ type: text-input
+ required: false
+ placeholder:
+ zh_Hans: 在此输入您的 API Base
+ en_US: Enter your API Base
+```
+
+`model_providers`ディレクトリ内の他のプロバイダーディレクトリの[YAML設定情報](https://github.com/langgenius/dify/blob/main/api/core/model_runtime/docs/zh_Hans/schema.md)も参考にできます。
+
+**プロバイダーコードの実装**
+
+`model_providers`内に同名のPythonファイルを作成します。例えば`anthropic.py`を作成し、`class`を実装、`__base.provider.Provider`基クラスを継承します。例えば`AnthropicProvider`。
+
+**カスタマイズ可能モデルプロバイダー**
+
+プロバイダーがXinferenceなどのカスタマイズ可能モデルプロバイダーの場合、このステップをスキップし、空の`XinferenceProvider`クラスを作成し、空の`validate_provider_credentials`メソッドを実装するだけで済みます。このメソッドは実際には使用されず、抽象クラスのインスタンス化を避けるためにのみ存在します。
+
+```python
+class XinferenceProvider(Provider):
+ def validate_provider_credentials(self, credentials: dict) -> None:
+ pass
+```
+
+**事前定義モデルプロバイダー**
+
+プロバイダーは`__base.model_provider.ModelProvider`基クラスを継承し、`validate_provider_credentials`プロバイダーの統一クレデンシャル検証メソッドを実装するだけで済みます。[AnthropicProvider](https://github.com/langgenius/dify/blob/main/api/core/model_runtime/model_providers/anthropic/anthropic.py)を参考にできます。
+
+```python
+def validate_provider_credentials(self, credentials: dict) -> None:
+ """
+ Validate provider credentials
+ You can choose any validate_credentials method of model type or implement validate method by yourself,
+ such as: get model list api
+
+ if validate failed, raise exception
+
+ :param credentials: provider credentials, credentials form defined in `provider_credential_schema`.
+ """
+```
+
+もちろん、`validate_provider_credentials`の実装を先に予約し、モデルクレデンシャル検証メソッドの実装後に直接再利用することもできます。
+
+**モデルの追加**
+
+[**事前定義モデルの追加**](https://docs.dify.ai/v/zh-hans/guides/model-configuration/predefined-model)**👈🏻**
+
+事前定義モデルの場合、単純にyamlを定義し、呼び出しコードを実装することで接続できます。
+
+[**カスタマイズ可能モデルの追加**](https://docs.dify.ai/v/zh-hans/guides/model-configuration/customizable-model) **👈🏻**
+
+カスタマイズ可能モデルの場合、呼び出しコードを実装するだけで接続できますが、処理するパラメーターはさらに複雑になる可能性があります。
+
+***
+
+#### テスト
+
+プロバイダー/モデルの有用性を確保するため、実装した各メソッドには`tests`ディレクトリ内で対応する統合テストコードを記述する必要があります。
+
+再び`Anthropic`を例にします。
+
+テストコードを記述する前に、`.env.example`にテストプロバイダーが必要とするクレデンシャル環境変数を追加します。例えば：`ANTHROPIC_API_KEY`。
+
+実行前に`.env.example`をコピーして`.env`にし、実行します。
+
+**テストコードの記述**
+
+`tests`ディレクトリ内にプロバイダーと同名の`モジュール`を作成します：`anthropic`。このモジュール内に`test_provider.py`および対応するモデルタイプのテストpyファイルを作成します。以下のようになります：
+
+```shell
+.
+├── __init__.py
+├── anthropic
+│ ├── __init__.py
+│ ├── test_llm.py # LLMテスト
+│ └── test_provider.py # プロバイダーテスト
+```
+
+上記で実装したコードの様々な状況に対してテストコードを記述し、テストを通過した後にコードを提出します。
\ No newline at end of file
diff --git a/jp/guides/model-configuration/ollama.md b/jp/guides/model-configuration/ollama.md
new file mode 100644
index 00000000..afb08cc8
--- /dev/null
+++ b/jp/guides/model-configuration/ollama.md
@@ -0,0 +1,143 @@
+# Ollama 部署のローカルモデルの接続
+
+
+
+[Ollama](https://github.com/jmorganca/ollama) は、Llama 2、Mistral、Llava などの大型言語モデルをワンクリックでデプロイできるローカル推論フレームワーククライアントです。
+Dify は、Ollama でデプロイした大型言語モデルの推論および埋め込み機能への接続をサポートしています。
+
+## クイック接続
+
+### Ollama のダウンロードと起動
+
+1. Ollama をダウンロード
+
+ [https://ollama.ai/download](https://ollama.ai/download) にアクセスし、対応するシステムの Ollama クライアントをダウンロードします。
+
+2. Ollama を実行して Llava とチャット
+
+ ```bash
+ ollama run llava
+ ```
+
+ 起動に成功すると、ollama はローカルの 11434 ポートで API サービスを開始し、`http://localhost:11434` でアクセスできます。
+
+ その他のモデルについては [Ollama Models](https://ollama.ai/library) を参照してください。
+
+3. Dify に Ollama を接続
+
+ `設定 > モデル供給元 > Ollama` に以下を入力します：
+
+ 
+
+ - モデル名称：`llava`
+
+ - 基本 URL：`http://:11434`
+
+ ここには、アクセス可能な Ollama サービスのアドレスを入力します。
+
+ Dify が docker でデプロイされている場合、ローカルネットワークの IP アドレス（例：`http://192.168.1.100:11434`）または docker ホストマシンの IP アドレス（例：`http://172.17.0.1:11434`）を入力することをお勧めします。
+
+ ローカルソースコードでデプロイされている場合は、`http://localhost:11434` を入力できます。
+
+ - モデルタイプ：`対話`
+
+ - モデルのコンテキスト長：`4096`
+
+ モデルの最大コンテキスト長です。不明な場合はデフォルト値の 4096 を入力してください。
+
+ - 最大トークン上限：`4096`
+
+ モデルが返す内容の最大トークン数です。特に記載がない場合、モデルのコンテキスト長と同じ値を入力してください。
+
+ - ビジョン対応：`はい`
+
+ モデルが画像理解（マルチモーダル）をサポートしている場合、このオプションを選択してください。例えば `llava` などです。
+
+ 「保存」をクリックし、エラーがないことを確認したら、このモデルをアプリで使用できます。
+
+ 埋め込みモデルの接続方法も LLM と似ています。モデルタイプを Text Embedding に変更するだけです。
+
+4. Ollama モデルの使用
+
+ 
+
+ 設定が必要なアプリのプロンプト編成ページに移動し、Ollama 供給元の `llava` モデルを選択し、モデルパラメーターを設定した後に使用できます。
+
+## FAQ
+
+### ⚠️ Docker を使用して Dify と Ollama をデプロイする場合、以下のエラーが発生することがあります:
+
+```
+httpconnectionpool(host=127.0.0.1, port=11434): max retries exceeded with url:/cpi/chat (Caused by NewConnectionError(': fail to establish a new connection:[Errno 111] Connection refused'))
+
+httpconnectionpool(host=localhost, port=11434): max retries exceeded with url:/cpi/chat (Caused by NewConnectionError(': fail to establish a new connection:[Errno 111] Connection refused'))
+```
+
+このエラーは、Docker コンテナが Ollama サービスにアクセスできないために発生します。localhost は通常、コンテナ自体を指すため、ホストや他のコンテナではありません。この問題を解決するには、Ollama サービスをネットワークに公開する必要があります。
+
+### Macで環境変数を設定する方法
+
+`Ollama` を `macOS` アプリケーションとして実行する場合、以下のコマンドを使用して環境変数`launchctl`を設定します：
+
+1. `launchctl setenv` を呼び出して環境変数を設定：
+
+ ```bash
+ launchctl setenv OLLAMA_HOST "0.0.0.0"
+ ```
+
+2. Ollama アプリケーションを再起動します。
+
+3. 上記の手順が無効な場合は、次の方法を試してください：
+
+ 問題は docker 内部で、docker のホストにアクセスするために `host.docker.internal` に接続する必要があるため、`localhost` を `host.docker.internal` に置き換えてサービスを設定します：
+
+ ```bash
+ http://host.docker.internal:11434
+ ```
+
+### Linuxで環境変数を設定する方法
+
+Ollama を systemd サービスとして実行する場合は、`systemctl` を使用して環境変数を設定します：
+
+1. `systemctl edit ollama.service` を呼び出して systemd サービスを編集します。これにより、エディタが開きます。
+
+2. 各環境変数について、`[Service]` セクションの下に `Environment` 行を追加します：
+
+ ```ini
+ [Service]
+ Environment="OLLAMA_HOST=0.0.0.0"
+ ```
+
+3. 保存して終了します。
+
+4. `systemd` をリロードし、Ollama を再起動します：
+
+ ```bash
+ systemctl daemon-reload
+ systemctl restart ollama
+ ```
+
+### Windowsで環境変数を設定する方法
+
+Windows では、Ollama はユーザーとシステムの環境変数を継承します。
+
+1. まずタスクバーから Ollama をクリックしてプログラムを終了します
+
+2. コントロールパネルからシステム環境変数を編集します
+
+3. ユーザーアカウントのために変数を編集または新規作成します。例えば、`OLLAMA_HOST`、`OLLAMA_MODELS`などです。
+
+4. OK/適用をクリックして保存します
+
+5. 新しいターミナルウィンドウで `ollama` を実行します
+
+### Ollama をネットワーク上で公開する方法
+
+Ollama はデフォルトで 127.0.0.1 の 11434 ポートにバインドされています。`OLLAMA_HOST` 環境変数を使用してバインドアドレスを変更します。
+
+## Ollama に関する詳細情報については以下を参照してください
+
+For more information on Ollama, please refer to:
+
+- [Ollama](https://github.com/jmorganca/ollama)
+- [Ollama FAQ](https://github.com/ollama/ollama/blob/main/docs/faq.md)
\ No newline at end of file
diff --git a/jp/guides/model-configuration/openllm.md b/jp/guides/model-configuration/openllm.md
new file mode 100644
index 00000000..7bbdd1e7
--- /dev/null
+++ b/jp/guides/model-configuration/openllm.md
@@ -0,0 +1,24 @@
+# OpenLLM デプロイされたローカルモデルの接続
+
+[OpenLLM](https://github.com/bentoml/OpenLLM)を使用すると、任意のオープンソース大規模言語モデルに対して推論を行い、クラウドまたはローカルにデプロイし、強力なAIアプリケーションを構築することができます。
+DifyはローカルデプロイされたOpenLLMモデルの推論能力をサポートしています。
+
+## OpenLLM モデルのデプロイ
+### デプロイの開始
+
+以下の方法でデプロイを開始できます：
+
+```bash
+docker run --rm -it -p 3333:3000 ghcr.io/bentoml/openllm start facebook/opt-1.3b --backend pt
+```
+> 注意：ここで使用されている facebook/opt-1.3b モデルはあくまで例示であり、効果が不十分な場合があります。実際の状況に応じて適切なモデルを選択してください。詳細なモデルについては、[サポートされているモデル一覧](https://github.com/bentoml/OpenLLM#-supported-models)を参照してください。
+
+モデルのデプロイが完了したら、Difyでモデルを接続して使用することができます。
+
+`設定 > モデルプロバイダー > OpenLLM` の中で以下を入力します：
+
+- モデル名：`facebook/opt-1.3b`
+- サーバー URL：`http://:3333` ここで `` をあなたのマシンの IP アドレスに置き換えてください。
+ "保存" を押せば、アプリケーション内でこのモデルを使用することができます。
+
+この説明はあくまで迅速な接続のための例として提供されています。OpenLLMのその他の特性や情報については、[OpenLLM](https://github.com/bentoml/OpenLLM) を参照してください。
\ No newline at end of file
diff --git a/jp/guides/model-configuration/predefined-model.md b/jp/guides/model-configuration/predefined-model.md
new file mode 100644
index 00000000..403da6e7
--- /dev/null
+++ b/jp/guides/model-configuration/predefined-model.md
@@ -0,0 +1,197 @@
+# 事前定義モデル接続
+
+プロバイダー統合完了後、次にプロバイダーへのモデルの接続を行います。
+
+まず、接続するモデルのタイプを決定し、対応するプロバイダーのディレクトリ内に対応するモデルタイプの`モジュール`を作成する必要があります。
+
+現在サポートされているモデルタイプは以下の通りです：
+
+* `LLM` テキスト生成モデル
+* `text_embedding` テキスト埋め込み
+* `rerank` ランク再評価モデル
+* `speech2text` 音声からテキスト
+* `TTS` テキストから音声
+* `moderation` 審査
+
+ここでは`Anthropic`を例に取ります。`Anthropic`はLLMのみをサポートしているため、`model_providers.anthropic`に`llm`という名前の`モジュール`を作成します。
+
+事前定義のモデルの場合、まず`llm`モジュール内にモデル名をファイル名とするYAMLファイルを作成する必要があります。例：`claude-2.1.yaml`
+
+#### モデルYAMLの準備
+
+```yaml
+model: claude-2.1 # モデル識別子
+# モデル表示名。en_US英語、zh_Hans中国語の二つの言語を設定できます。zh_Hansが設定されていない場合、デフォルトでen_USが使用されます。
+# ラベルを設定しない場合、モデル識別子が使用されます。
+label:
+ en_US: claude-2.1
+model_type: llm # モデルタイプ、claude-2.1はLLM
+features: # サポートする機能、agent-thoughtはエージェント推論、visionは画像理解をサポート
+- agent-thought
+model_properties: # モデルプロパティ
+ mode: chat # LLMモード、completeはテキスト補完モデル、chatは対話モデル
+ context_size: 200000 # 最大コンテキストサイズ
+parameter_rules: # モデル呼び出しパラメータルール、LLMのみ提供が必要
+- name: temperature # 呼び出しパラメータ変数名
+ # デフォルトで5つの変数内容設定テンプレートが用意されています。temperature/top_p/max_tokens/presence_penalty/frequency_penalty
+ # use_template内でテンプレート変数名を設定すると、entities.defaults.PARAMETER_RULE_TEMPLATE内のデフォルト設定が使用されます
+ # 追加の設定パラメータを設定した場合、デフォルト設定を上書きします
+ use_template: temperature
+- name: top_p
+ use_template: top_p
+- name: top_k
+ label: # 呼び出しパラメータ表示名
+ zh_Hans: 取样数量
+ en_US: Top k
+ type: int # パラメータタイプ、float/int/string/booleanがサポートされています
+ help: # ヘルプ情報、パラメータの作用を説明
+ zh_Hans: 仅从每个后续标记的前 K 个选项中采样。
+ en_US: Only sample from the top K options for each subsequent token.
+ required: false # 必須かどうか、設定しない場合もあります
+- name: max_tokens_to_sample
+ use_template: max_tokens
+ default: 4096 # パラメータデフォルト値
+ min: 1 # パラメータ最小値、float/intのみ使用可能
+ max: 4096 # パラメータ最大値、float/intのみ使用可能
+pricing: # 価格情報
+ input: '8.00' # 入力単価、つまりプロンプト単価
+ output: '24.00' # 出力単価、つまり返答内容単価
+ unit: '0.000001' # 価格単位、上記価格は100Kあたりの単価
+ currency: USD # 価格通貨
+```
+
+すべてのモデル設定を準備完了後にモデルコードの実装を開始することをお勧めします。
+
+同様に、他のプロバイダーの対応モデルタイプディレクトリ内のYAML設定情報を参照することもできます。完全なYAMLルールについては、Schema[^1]をご覧ください。
+
+#### モデル呼び出しコードの実装
+
+次に、`llm`モジュール内に同名のPythonファイル`llm.py`を作成し、コード実装を行います。
+
+`llm.py`内にAnthropic LLMクラスを作成し、`AnthropicLargeLanguageModel`（任意の名前）と名付け、基底クラス`__base.large_language_model.LargeLanguageModel`を継承し、以下のメソッドを実装します：
+
+* LLM呼び出し
+
+ LLM呼び出しのコアメソッドを実装し、ストリーミングと同期返答の両方をサポートします。
+
+ ```python
+ def _invoke(self, model: str, credentials: dict,
+ prompt_messages: list[PromptMessage], model_parameters: dict,
+ tools: Optional[list[PromptMessageTool]] = None, stop: Optional[List[str]] = None,
+ stream: bool = True, user: Optional[str] = None) \
+ -> Union[LLMResult, Generator]:
+ """
+ LLMを呼び出す
+
+ :param model: モデル名
+ :param credentials: モデル認証情報
+ :param prompt_messages: プロンプトメッセージ
+ :param model_parameters: モデルパラメータ
+ :param tools: ツール呼び出し用ツール
+ :param stop: 停止ワード
+ :param stream: ストリーム応答かどうか
+ :param user: ユーザーID
+ :return: 完全な応答またはストリーミング応答チャンク生成結果
+ """
+ ```
+
+ 実装時には、同期返答とストリーミング返答を処理するために2つの関数を使用する必要があります。Pythonは`yield`キーワードを含む関数をジェネレータ関数として認識し、返されるデータタイプが固定されるため、同期返答とストリーミング返答を別々に実装する必要があります。以下のように（以下の例では簡略化されたパラメータを使用していますが、実際の実装では上記のパラメータリストに従う必要があります）：
+
+ ```python
+ def _invoke(self, stream: bool, **kwargs) \
+ -> Union[LLMResult, Generator]:
+ if stream:
+ return self._handle_stream_response(**kwargs)
+ return self._handle_sync_response(**kwargs)
+
+ def _handle_stream_response(self, **kwargs) -> Generator:
+ for chunk in response:
+ yield chunk
+ def _handle_sync_response(self, **kwargs) -> LLMResult:
+ return LLMResult(**response)
+ ```
+* 事前計算入力トークン
+
+ モデルが事前計算トークンインターフェースを提供していない場合は、0を返しても構いません。
+
+ ```python
+ def get_num_tokens(self, model: str, credentials: dict, prompt_messages: list[PromptMessage],
+ tools: Optional[list[PromptMessageTool]] = None) -> int:
+ """
+ 指定されたプロンプトメッセージのトークン数を取得
+
+ :param model: モデル名
+ :param credentials: モデル認証情報
+ :param prompt_messages: プロンプトメッセージ
+ :param tools: ツール
+ :return:
+ """
+ ```
+* モデル認証情報検証
+
+ プロバイダーの認証情報検証と同様に、ここでは個別のモデルに対して検証を行います。
+
+ ```python
+ def validate_credentials(self, model: str, credentials: dict) -> None:
+ """
+ モデル認証情報を検証
+
+ :param model: モデル名
+ :param credentials: モデル認証情報
+ :return:
+ """
+ ```
+* 呼び出し異常エラーのマッピングテーブル
+
+ モデル呼び出し異常時に、ランタイム指定の`InvokeError`タイプにマッピングする必要があります。これにより、Difyは異なるエラーに対して異なる後続処理を行うことができます。
+
+ ランタイムエラー：
+
+ * `InvokeConnectionError` 呼び出し接続エラー
+ * `InvokeServerUnavailableError` 呼び出しサーバー利用不可エラー
+ * `InvokeRateLimitError` 呼び出しレート制限エラー
+ * `InvokeAuthorizationError` 認証エラー
+ * `InvokeBadRequestError` 呼び出し不正リクエストエラー
+
+ ```python
+ @property
+ def _invoke_error_mapping(self) -> dict[type[InvokeError], list[type[Exception]]]:
+ """
+ モデル呼び出しエラーを統一エラーにマッピング
+ キーは呼び出し元にスローされるエラータイプ
+ 値はモデルによってスローされるエラータイプで、
+ 呼び出し元の統一エラータイプに変換する必要があります。
+
+ :return: 呼び出しエラーマッピング
+ """
+ ```
+
+インターフェースメソッドの説明については：[Interfaces](https://github.com/langgenius/dify/blob/main/api/core/model_runtime/docs/zh_Hans/interfaces.md)をご覧ください。具体的な実装については：[llm.py](https://github.com/langgenius/dify-runtime/blob/main/lib/model_providers/anthropic/llm/llm.py)を参照してください。
+
+[^1]: #### プロバイダー
+
+ * `provider` (string) プロバイダー識別子、例：`openai`
+ * `label` (object) プロバイダー表示名、i18n対応、`en_US`英語、`zh_Hans`中国語の二つの言語を設定可能
+ * `zh_Hans` (string) \[optional] 中国語ラベル名、`zh_Hans`が設定されていない場合、デフォルトで`en_US`が使用されます。
+ * `en_US` (string) 英語ラベル名
+ * `description` (object) \[optional] プロバイダー説明、i18n対応
+ * `zh_Hans` (string) \[optional] 中国語説明
+ * `en_US` (string) 英語説明
+ * `icon_small` (string) \[optional] プロバイダー小アイコン、対応するプロバイダー実装ディレクトリ内の`_assets`ディレクトリに保存、中英同様のポリシー
+ * `zh_Hans` (string) \[optional] 中国語アイコン
+ * `en_US` (string) 英語アイコン
+ * `icon_large` (string) \[optional] プロバイダー大アイコン、対応するプロバイダー実装ディレクトリ内の\_assetsディレクトリに保存、中英同様のポリシー
+ * `zh_Hans` (string) \[optional] 中国語アイコン
+ * `en_US` (string) 英語アイコン
+ * `background` (string) \[optional] 背景色の色値、例：#FFFFFF、空白の場合はデフォルトの色が表示されます。
+ * `help` (object) \[optional] ヘルプ情報
+ * `title` (object) ヘルプタイトル、i18n対応
+ * `zh_Hans` (string) \[optional] 中国語タイトル
+ * `en_US` (string) 英語タイトル
+ * `url` (object) ヘルプリンク、i18n対応
+ * `zh_Hans` (string) \[optional] 中国語リンク
+ * `en_US` (string) 英語リンク
+ * `supported_model_types` (array\[ModelType]) 対応モデルタイプ
+ * `configurate_methods` (array\[ConfigurateMethod]) 設定方法
+ * `provider_credential_schema` (ProviderCredentialSchema) プロバイダー認証情報スキーマ
+ * `model_credential_schema` (ModelCredentialSchema) モデル認証情報スキーマ
\ No newline at end of file
diff --git a/jp/guides/model-configuration/replicate.md b/jp/guides/model-configuration/replicate.md
new file mode 100644
index 00000000..f12ae0ea
--- /dev/null
+++ b/jp/guides/model-configuration/replicate.md
@@ -0,0 +1,16 @@
+# Replicate上のオープンソースモデルの接続
+
+DifyはReplicate上の[言語モデル](https://replicate.com/collections/language-models)と[埋め込みモデル](https://replicate.com/collections/embedding-models)に接続することができます。言語モデルはDifyの推論モデルに対応し、埋め込みモデルはDifyの埋め込みモデルに対応します。
+
+具体的な手順は以下の通りです：
+
+1. Replicateのアカウントが必要です（[登録ページ](https://replicate.com/signin?next=/docs)）。
+2. APIキーを取得します（[取得ページ](https://replicate.com/account/api-tokens)）。
+3. モデルを選択します。[言語モデル](https://replicate.com/collections/language-models)と[埋め込みモデル](https://replicate.com/collections/embedding-models)からモデルを選びます。
+4. Difyの`設定 > モデルプロバイダ > Replicate`にてモデルを追加します。
+
+ (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1).png)
.png)
:9997` **あなたのマシンのIPアドレスに置き換えてください**
+ * モデルUID：`2c886330-8849-11ee-9518-43b0b8f40bea`
+
+ "保存"をクリックすると、アプリケーションでそのモデルを使用できます。
+
+Difyはまた、[Xinference埋め込みモデル](https://github.com/xorbitsai/inference/blob/main/README_zh_CN.md#%E5%86%85%E7%BD%AE%E6%A8%A1%E5%9E%8B)をEmbeddingモデルとして使用することもサポートしています。設定ボックスで`Embeddings`タイプを選択するだけで使用可能です。
+
+Xinferenceの詳細については、[Xorbits推論](https://github.com/xorbitsai/inference/blob/main/README_zh_CN.md)を参照してください。
\ No newline at end of file
diff --git a/jp/guides/monitoring/README.md b/jp/guides/monitoring/README.md
new file mode 100644
index 00000000..f4ad7df1
--- /dev/null
+++ b/jp/guides/monitoring/README.md
@@ -0,0 +1,5 @@
+# モニタリング
+
+**概要** で本番環境におけるアプリケーションのパフォーマンスをモニタリングし、データ分析ダッシュボードで本番環境におけるアプリケーションの使用コスト、レイテンシ、ユーザーフィードバック、パフォーマンスなどの指標を分析します。継続デバッグおよびイテレーションを通じてアプリケーションを絶えず改善します。
+
+.png)
 (1).png)
+
+```
+"credentials": 資格情報,
+}
+).invoke(
+user_id='',
+tool_paramters={
+"query": "test",
+"result_type": "link"
+},
+)
+except 例外 as e:
+raise ツールプロバイダ資格情報検証エラー(str(e))
+```
+
+### 完成
+
+上記のステップが完了すると、このツールがフロントエンドに表示され、エージェントでこのツールを使用することができます。
+
+もちろん、google検索は資格情報を必要とするため、使用前にフロントエンドで資格情報を設定する必要があります。
+
+
.png)
 (4).png)
 (4).png)
.png)
 (6).png)
 (3).png)
 (2).png)
.png)
 (5).png)
 (3).png)
 (2).png)
 (1).png)
 (1).png)
.png)
\ No newline at end of file
diff --git a/jp/guides/workflow/node/answer.md b/jp/guides/workflow/node/answer.md
new file mode 100644
index 00000000..31a1900b
--- /dev/null
+++ b/jp/guides/workflow/node/answer.md
@@ -0,0 +1,27 @@
+# 直接返信
+
+### 定義
+
+チャットフローのプロセス内で返信内容を定義する。
+
+テキストエディタを使用して返信フォーマットを自由に定義できる。固定のテキスト内容をカスタマイズしたり、前のステップで出力された変数を返信内容として使用したり、カスタマイズしたテキストと変数を組み合わせて返信することができる。
+
+ノードを随時追加して内容をストリーミング形式で会話に返信し、所見即所得の設定モードをサポートし、テキストと画像の混在も可能である。例えば：
+
+1. LLMノードの返信内容を出力
+2. 生成された画像を出力
+3. 純テキストを出力
+
+**例1：** 純テキストを出力
+
+ (2).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
.png)
 (3).png)
.png)
 (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
 (1).png)
.png)
.png)
 (1) (1) (1).png)
 (1).png)
.png)
 (1) (1) (1) (1).png)
.png)
 (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
.png)
.png)
.png)
.png)
 (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1).png)
 (1) (1) (1) (1) (1) (1).png)
 (1) (1) (1) (1) (1).png)
.png)
 (1).png)
 (1).png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
 (3).png)
.png)
+
+DifyのようなLLMOpsプラットフォームを使用する前は、LLMに基づいたアプリケーションの開発プロセスは非常に煩雑で時間がかかる可能性がありました。開発者は各段階のタスクを自分で処理する必要があり、これが効率の低下、拡張の困難さ、安全性の問題を引き起こす可能性がありました。以下はLLMOpsプラットフォームを使用する前の開発プロセスです：
+
+1. データ準備：手動でデータを収集し、前処理を行う。複雑なデータクリーニングやラベル付け作業が含まれ、多くのコードを書く必要がある。
+2. プロンプトエンジニアリング：APIやプレイグラウンドを通じてのみプロンプトの作成とデバッグを行い、リアルタイムのフィードバックや視覚的なデバッグが不足。
+3. 埋め込みとコンテキスト管理：長いコンテキストの埋め込みと保存を手動で処理し、最適化と拡張が難しく、多くのプログラミング作業が必要。モデルの埋め込みやベクターデータベースなどの技術に精通している必要がある。
+4. アプリケーションのモニタリングとメンテナンス：手動でパフォーマンスデータを収集し分析するため、問題をリアルタイムで発見し処理することが困難で、ログ記録がない場合もある。
+5. モデルの微調整：微調整データの準備とトレーニングプロセスを自分で処理し、効率が低下し、多くのコードを書く必要がある。
+6. システムと運用：技術者の参加が必要で、管理バックエンドの開発にコストがかかり、開発とメンテナンスのコストが増加し、非技術者に対して友好的ではない。
+
+DifyのようなLLMOpsプラットフォームを導入すると、LLMに基づいたアプリケーションの開発プロセスはより効率的、拡張可能、安全になります。以下はDifyのようなLLMOpsを使用した場合のLLMアプリケーション開発の利点です：
+
+1. データ準備：プラットフォームがデータ収集と前処理ツールを提供し、データクリーニングやラベル付け作業を簡素化し、コーディング作業を最小化または排除。
+2. プロンプトエンジニアリング：所見即所得のプロンプト編集とデバッグが可能で、ユーザー入力データに基づいてリアルタイムの最適化と調整が行える。
+3. 埋め込みとコンテキスト管理：長いコンテキストの埋め込み、保存、管理を自動化し、効率と拡張性を向上させるため、多くのコードを書く必要がない。
+4. アプリケーションのモニタリングとメンテナンス：リアルタイムでパフォーマンスデータをモニタリングし、問題を迅速に発見し処理し、アプリケーションの安定運用を保証し、完全なログ記録を提供。
+5. 微調整データ準備：人工ラベルデータセットのバッチエクスポートを提供し、アプリケーション運用中にオンラインフィードバックデータを収集してモデルの効果を継続的に改善。
+6. システムと運用：使いやすいインターフェースで非技術者も参加可能、多人数協力をサポートし、開発とメンテナンスコストを削減。従来の開発方法と比較して、Difyはより透明で監視しやすいアプリケーション管理を提供し、チームメンバーがアプリケーションの運用状況をより良く理解できるようにします。
+
+さらに、DifyはAIプラグインの開発と統合機能を提供し、開発者がさまざまなアプリケーションに基づいてLLMプラグインを簡単に作成およびデプロイすることを可能にし、開発効率とアプリケーションの価値をさらに向上させます。
\ No newline at end of file
diff --git a/jp/learn-more/faq/README.md b/jp/learn-more/faq/README.md
new file mode 100644
index 00000000..95c02512
--- /dev/null
+++ b/jp/learn-more/faq/README.md
@@ -0,0 +1,7 @@
+# よくある質問
+
+[ローカルデプロイに関するよくある質問](https://docs.dify.ai/v/ja/getting-started/faq/install-faq)
+
+[LLMの設定と使用に関するよくある質問](https://docs.dify.ai/v/ja/getting-started/faq/llms-use-faq)
+
+[APIの使用に関するよくある質問](broken-reference)
\ No newline at end of file
diff --git a/jp/learn-more/faq/install-faq.md b/jp/learn-more/faq/install-faq.md
new file mode 100644
index 00000000..e69de29b
diff --git a/jp/learn-more/faq/llms-use-faq.md b/jp/learn-more/faq/llms-use-faq.md
new file mode 100644
index 00000000..1985b630
--- /dev/null
+++ b/jp/learn-more/faq/llms-use-faq.md
@@ -0,0 +1,153 @@
+# LLM 配置と使用
+
+### 1. 国内環境でOpenAIのプロキシサーバを利用するにはどうすればよいですか？
+
+DifyはOpenAIのカスタムAPIドメイン機能をサポートしており、OpenAIと互換性のある大規模モデルAPIサーバを利用できます。コミュニティ版では、**設定 --> モデルプロバイダ --> OpenAI --> API編集**の入口に目標サーバのアドレスを入力するだけで使用できます。
+
+### **2. 基本モデルをどのように選択しますか？**
+
+* gpt-3.5-turbo
+ gpt-3.5-turboはgpt-3モデルシリーズのアップグレード版で、gpt-3よりも強力で、より複雑なタスクを処理できます。長文の理解やドキュメント間の推論において大幅な向上を遂げています。gpt-3.5-turboはより一貫性のある説得力のあるテキストを生成でき、要約、翻訳、創作においても大きな改善が見られます。
+ 得意分野：**長文の理解、ドキュメント間の推論、要約、翻訳、創作。**
+
+* gpt-4
+ gpt-4は最新かつ最強のトランスフォーマー言語モデルです。事前学習のパラメータ数が約200億に増加し、すべての言語タスクにおいて最高レベルの性能を発揮します。特に、長く複雑な応答を深く理解し生成するタスクにおいて優れています。gpt-4は抽象概念の理解やページを跨ぐ推論も可能で、人間の言語のすべての側面を扱えます。gpt-4は初の真の汎用言語理解システムで、人工知能分野のいかなる自然言語処理タスクもこなせます。
+ 得意分野：**すべてのNLPタスク、言語理解、長文生成、ドキュメント間推論、抽象概念理解**
+ 詳細は[ドキュメント](https://platform.openai.com/docs/models/overview)を参照してください。
+
+### **3. なぜmax_tokensの設定を小さくすることを推奨するのですか？**
+
+自然言語処理において、長いテキストの出力は通常、計算時間と計算リソースを多く必要とします。したがって、出力テキストの長さを制限することで、計算コストと計算時間をある程度削減できます。例えば、max_tokens=500と設定すると、テキストの最初の500トークンだけを考慮し、それを超える部分は破棄されます。これは、出力テキストの長さがLLMの許容範囲を超えないようにしつつ、計算リソースを効率的に利用し、モデルの実行効率を向上させるためです。さらに、max_tokensの制限により、プロンプトの長さが増加します。例えば、gpt-3.5-turboの制限は4097トークンで、max_tokens=4000と設定すると、プロンプトには97トークンしか残らず、超えるとエラーが発生します。
+
+### **4. データセットの長文をどのように分割するのが合理的ですか？**
+
+自然言語処理のいくつかのアプリケーションでは、通常、テキストを段落や文ごとに分割して、テキストの意味と構造情報をよりよく処理し理解します。最小分割単位は特定のタスクと技術実装によります。例えば：
+
+* テキスト分類タスクでは、通常、テキストを文または段落ごとに分割します。
+* 機械翻訳タスクでは、文または段落全体を分割単位とします。
+
+最後に、実験と評価を行い、最適なembedding技術と分割単位を決定します。テストセットでのテストを通じて、異なる技術と分割単位の性能を比較し、最適なソリューションを選びます。
+
+### 5. データセットの分割に使用する距離関数は何ですか？
+
+[コサイン類似度](https://en.wikipedia.org/wiki/Cosine_similarity)を使用します。距離関数の選択は通常重要ではありません。OpenAIの埋め込みは長さ1に正規化されており、これは次のことを意味します：
+
+点積のみを使用してコサイン類似度を少し速く計算できます。
+
+コサイン類似度とユークリッド距離は同じランキングをもたらします。
+
+* > 正規化された埋め込みベクトルを使用してコサイン類似度またはユークリッド距離を計算し、これらの類似度尺度に基づいてベクトルを並べ替えた場合、得られるランキング結果は同じになります。つまり、コサイン類似度またはユークリッド距離を使用してベクトル間の類似性を測定しても、ランキング結果は一貫しています。これは、正規化後のベクトルの長さはそれらの相対的関係に影響せず、方向情報のみが保持されるためです。したがって、正規化されたベクトルを使用した類似性測定では、異なる測定方法でも同じランキング結果が得られます。ベクトルが正規化された後、すべてのベクトルの長さは1にスケールされます。単位ベクトルは方向のみを記述し、長さは常に1だからです。_具体的な原理はChatGPTに質問できます。_
+
+埋め込みベクトルが長さ1に正規化されると、2つのベクトル間のコサイン類似度の計算はそれらの点積に簡略化されます。正規化されたベクトルの長さがすべて1であるため、点積の結果はコサイン類似度の結果と同じです。点積計算は他の類似度測定（例えばユークリッド距離）よりも計算速度が速いため、正規化されたベクトルを使用した点積計算は計算効率を若干向上させます。
+
+### 6. 智谱·AI、讯飞星火、MiniMaxモデルの無料体験クォータをどのように申請しますか？
+
+私たちは大規模モデルメーカーと提携して中国ユーザーに一定のトークン体験クォータを提供しています。Difyの**設定 --> モデルプロバイダ --> 他のモデルプロバイダを表示**で、智谱·AI、讯飞星火、MiniMaxのアイコンをクリックし【無料取得】を選択します。英語の画面で取得入口が見つからない場合は、製品の言語を中国語に切り替えてください：
+
+* **智谱·AI： 無料で1000万トークンを取得できます。** 【無料取得】をクリックし、電話番号と認証コードを入力するだけでクォータが付与されます。智谱·AIに登録しているかどうかは問いません。
+* **讯飞星火（V1.5モデル、V2.0モデル）：無料で600万トークンを取得できます。各モデルで300万トークンが付与されます。** 讯飞星火の未登録の電話番号でDifyの入口から注册し、5分待ってページをリフレッシュするとDifyページに使用可能なクォータが表示されます。
+* **MiniMax： 無料で100万トークンを取得できます。** 【無料取得】をクリックするだけでクォータが付与されます。MiniMaxアカウントに登録しているかどうかは問いません。
+
+体験クォータがアカウントに到着した後、アプリ内の**プロンプト編成 --> モデルとパラメータ --> 言語モデル**で使用するモデルを選択してください。
+
+### 7. OpenAIキーを入力すると、「**校验失败： You exceeded your current quota, please check your plan and billing details。**」というエラーメッセージが表示されるのはなぜですか？
+
+これは、OpenAIキーのアカウントが料金不足であることを示しています。OpenAIの公式サイトでチャージしてください。
+
+### 8. OpenAIキーを使用してアプリ内で対話すると、次のようなエラーメッセージが表示されるのはなぜですか？
+
+エラーメッセージ1：
+
+```JSON
+The server encountered an internal error and was unable to complete your request。Either the server is overloaded or there is an error in the application
+```
+
+エラーメッセージ2：
+
+```JSON
+Rate limit reached for default-gpt-3.5-turboin organization org-wDrZCxxxxxxxxxissoZb on requestsper min。 Limit: 3 / min. Please try again in 20s. Contact us through our help center at help.openai.com if you continue to haveissues. Please add a payment method toyour account to increase your rate limit.Visit https://platform.openai.com/account/billingto add a payment method.
+```
+
+公式インターフェースの呼び出し速度制限に達しているかどうかを確認してください。詳細は[OpenAI公式ドキュメント](https://platform.openai.com/docs/guides/rate-limits)を参照してください。
+
+### 9. ユーザーが自分でデプロイした後、智聊が使用できず、次のエラーメッセージが表示される場合の対処法：「**Unrecognized request argument supplied:functions**」
+
+まず、フロントエンドとバックエンドのバージョンが最新であり、フロントエンドとバックエンドのバージョンが一致しているかを確認してください。次に、このエラーはAzure OpenAIのキーを使用しているが、モデルのデプロイに失敗した場合にも発生する可能性があります。使用しているAzure OpenAIにモデルがデプロイされているか確認してください。gpt-3.5-turboモデルのバージョンは0613以上である必要があります。（0613以前のバージョンは智聊が使用するfunction call機能をサポートしていないため、使用できません）
+
+### 10. OpenAIキーを設定するときに次のエラーが発生する場合の対処法：
+
+```JSON
+Error communicating with OpenAl: HTTPSConnectionPool(host='api.openai.com', port=443): Max retriesexceeded with url: /v1/chat/completions (Caused byNewConnectionError( ; Failed toestablish a new connection: [Errno -3] Temporary failure in name resolution'))
+```
+
+通常、このエラーは環境にプロキシが設定されているために発生します。プロキシが設定されているかどうかを確認してください。
+
+### 11. アプリ内でモデルを切り替える際に次のエラーメッセージが表示される場合の対処法：
+
+```JSON
+Anthropic: Error code: 400 - f'error': f'type': "invalid request error, 'message': 'temperature: range: -1 or 0..1)
+```
+
+各モデルのパラメータの範囲が異なるため、現在のモデルのパラメータ範囲に従って設定する必要があります。
+
+### 12. 次のエラーメッセージが表示される場合の対処法：
+
+```JSON
+Query or prefix prompt is too long, you can reduce the preix prompt, or shrink the max token, or switch to a llm with a larger token limit size
+```
+
+編成ページのパラメータ設定で「最大トークン」の値を小さく設定してください。
+
+### 13. Difyのデフォルトモデルは何ですか？オープンソースのモデルを使用できますか？
+
+デフォルトモデルは**設定 - モデルプロバイダ**で設定できます。現在、OpenAI / Azure OpenAI / Anthropicなどのテキスト生成モデルをサポートしており、Hugging Face / Replicate / xinferenceでホストされているオープンソースモデルの接続もサポートしています。
+
+### 14. コミュニティ版でデータセットの**Q&A分割モード**が常に待機中になるのはなぜですか？
+
+使用している埋め込みモデルのAPIキーが速度制限に達しているかどうかを確認してください。
+
+### 15. アプリ使用中に「Invalid token」エラーが発生する場合の対処法：
+
+「Invalid token」エラーが発生した場合、以下の2つの解決方法を試してください：
+
+* ブラウザのキャッシュ（クッキー、セッションストレージ、ローカルストレージ）をクリアします。スマートフォンを使用している場合は、対応するアプリのキャッシュをクリアして再度アクセスします。
+* 新しいアプリURLを生成し、再度アクセスします。
+
+### 16. データセットドキュメントのアップロードサイズ制限は何ですか？
+
+現在、データセットドキュメントのアップロードは1つのドキュメントで最大15MB、ドキュメントの総数は100個に制限されています。ローカルデプロイ版でこの制限を調整する必要がある場合は、[ドキュメント](https://docs.dify.ai/v/zh-hans/getting-started/faq/install-faq#11.-ben-di-bu-shu-ban-ru-he-jie-jue-shu-ju-ji-wen-dang-shang-chuan-de-da-xiao-xian-zhi-he-shu-liang)を参照してください。
+
+### 17. Claudeモデルを選択しているのに、なぜOpenAIの費用がかかるのですか？
+
+Claudeは埋め込みモデルをサポートしていないため、埋め込みプロセスやその他の対話生成はデフォルトでOpenAIのキーを使用するため、OpenAIのクォータを消費します。また、**設定 - モデルプロバイダ**で他のデフォルト推論モデルと埋め込みモデルを設定することもできます。
+
+### 18. データを使ってモデルの生成能力をより多く活用する方法はありますか？
+
+データセットの使用はデータセットの説明に関係します。データセットの説明を明確に記述するようにします。具体的には[こちらのドキュメント](https://docs.dify.ai/v/zh-hans/advanced/datasets)を参照してください。
+
+### 19. データセットドキュメントがExcelの場合、どのように分割するのが良いですか？
+
+最初の行にヘッダを設定し、後続の各行に内容を表示します。余分なヘッダ設定や複雑な形式の表を設定しないようにします。
+
+以下の表の例のように、2行目のヘッダだけを保持し、1行目（表1）は余分なヘッダのため削除します。
+
+ (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1).png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
| テキスト生成 | チャットアシスタント | |
|---|---|---|
| WebApp 界面 | フォーム+結果式 | チャット式 |
| WebAPIエンドポイント | completion-messages | chat-messages |
| インタラクション方式 | 一問一答 | 多輪対話 |
| ストリーミング結果返却 | 支持 | 支持 |
| コンテキスト保存 | 当次 | 持続 |
| ユーザー入力フォーム | 支持 | 支持 |
| データセットとプラグイン | 支持 | 支持 |
| AIオープニング | 不支持 | 支持 |
| シナリオ例 | 翻訳、判断、インデックス付け | チャット |
探索 - エージェントアシスタントアプリケーションテンプレート
スタジオ - エージェントアシスタントの構築
エージェントアシスタントの推論モデルを選択
エージェントアシスタントの指示プロンプトを編成
アシスタントに必要なツールを追加
Function Calling モード
ReAct モード
会話のオープニングとオープニング質問を設定
デバッグとプレビュー
アプリをWebアプリとして公開
会話のオープニング
コンテンツ監査
OpenAI モデレーション API
キーワード
モデレーション設定
モデレーションテスト
チャットアシスタントの作成
アプリケーションの編成
テンプレートからアプリケーションを作成
Difyアプリケーションテンプレート
空白アプリケーションを作成
DSLファイルをインポートしてアプリケーションを作成
アノテーションリプライの流れ
提示詞編成でアノテーションリプライを有効にする
アノテーションリプライのパラメータ設定
アノテーションリプライを追加する
アノテーションリプライを編集する
保存されたアノテーションを通じてユーザー質問にリプライする
ログとアノテーションでアノテーションリプライを有効にする
アノテーションリプライのパラメータを設定する
アノテーションQ&Aペアを一括インポートする
アノテーションQ&Aペアを一括エクスポートする
アノテーションリプライのヒット履歴を確認する
ログをマークして改良
APIに基づくエクステンション
uvicorn main:app --reload --host 0.0.0.0
+ APIの設定
エクステンションの選択
ダウンロード
ポートの確認
Ngrokの起動
Dify に API エンドポイントを追加する
アプリ編集ページに API ツールを追加する
ツールの追加
クラウドサービス
第一方ツールリスト
| ツール | ツールの説明 |
|---|---|
| Google検索 | Google SERP検索を実行し、スニペットやウェブページを抽出するツール。入力は検索クエリであるべきです。 |
| ウィキペディア | ウィキペディア検索を実行し、スニペットやウェブページを抽出するツール。 |
| DALL-E | 自然言語入力を通じて高品質な画像を生成するツール。 |
| ウェブスクレイピング | ウェブページデータをクロールするためのツール。 |
| WolframAlpha | 質問に基づいた標準化された回答を提供し、強力な数学計算機能を持つ知識エンジン。 |
| 可視化チャート生成 | 棒グラフ、折れ線グラフ、円グラフなどの可視化チャートを生成するツール。 |
| 現在時刻 | 現在の時刻を問い合わせるツール。 |
| Yahooファイナンス | 最新のニュース、株価情報などの財務情報を取得して整理するツール。 |
| Stable Diffusion | ローカルに展開可能な画像生成ツールで、stable-diffusion-webuiを使用して展開できます。 |
| ベクトライザー | PNGおよびJPG画像をSVGベクトル画像に迅速かつ簡単に変換するツール。 |
| YouTube | YouTubeチャンネルの動画統計データを取得するためのツール。 |
第一方ツール認証情報の設定
第一方ツールが認証済み
カスタムツールの作成
カスタムツールのパラメータテスト
カスタムツールが追加されました
エージェント型アプリケーション作成時にツールを追加
エージェントが対話中にツールを呼び出して質問に回答
ナレッジベースの作成
ナレッジベースの作成
Q&Aセグメンテーションモードで複数のQ&Aペアにまとめられたテキスト
Q to PとQ to Qのインデックス方式の違い
ベクトル検索設定
全文検索設定
ハイブリッド検索設定
APIベースの拡張
天気の問い合わせ
外部データツール
天気検索ツール
プロンプトログ
アプリ内での知識ベースの関連付け
混合検索+重排序
モデルプロバイダー内でCohere Rerankモデルを設定
データセット検索模式でRerankモデルを設定
データセットの多路召回模式でRerankモデルを設定
アップロード済みのドキュメントチャンクを確認する
短すぎるチャンク
長すぎるチャンク
明らかなセマンティックカットオフ
カスタムチャンクを一括追加する
ドキュメントチャンクの編集
メタデータ管理
ナレッジベースに新しいドキュメントをアップロードする
ナレッジベースの設定
ナレッジベースAPI管理
Knowledge API ドキュメント
リコールテスト
リコールテスト-検索設定
引用と帰属機能を有効にする
返信内容の引用情報を確認する
Notionをバインド
Notion内容を同期
設定-モデルプロバイダー
モデルロードバランシング
ロードバランシングの設定
ロードバランシングの有効化
モデルの追加からロードバランシングを設定
概要
概要 — データ分析
チャットフロー入口
ワークフロー入口
| 開始（Start） | ワークフローの初期パラメータを定義します。 | |
| 終了（End） | ワークフローの最終出力内容を定義します。 | |
| 回答（Answer） | チャットフロー内の回答内容を定義します。 | |
| 大規模言語モデル（LLM） | 大規模言語モデルを呼び出して質問に答えたり、自然言語を処理したりします。 | |
| 知識検索（Knowledge Retrieval） | ユーザーの質問に関連するテキストを知識ベースから検索し、下流のLLMノードのコンテキストとして使用します。 | |
| 質問分類器（Question Classifier） | 分類の説明を定義することで、LLMがユーザーの入力に基づいて適切な分類を選択できるようにします。 | |
| IF/ELSE（条件分岐） | if/elseの条件に基づいてワークフローを2つの分岐に分けることができます。 | |
| コード実行（Code） | Python / NodeJSコードを実行してワークフロー内でデータ変換などのカスタムロジックを実行します。 | |
| テンプレート（Template） | Jinja2のPythonテンプレート言語を利用して、データ変換やテキスト処理を柔軟に行うことができます。 | |
| 変数集約（Variable Aggregator） | 複数の分岐の変数を1つの変数に集約し、下流ノードの統一設定を実現します。 | |
| パラメーター抽出器（Parameter Extractor） | LLMを利用して自然言語から構造化パラメーターを推論し、後続のツール呼び出しやHTTPリクエストに使用します。 | |
| イテレーション（Iteration） | リストオブジェクトに対して複数回のステップを実行し、すべての結果を出力します。 | |
| HTTPリクエスト（HTTP Request） | HTTPプロトコルを介してサーバーリクエストを送信し、外部検索結果の取得、webhook、画像生成などのシナリオに適用されます。 | |
| ツール（Tools） | Dify内蔵ツール、カスタムツール、サブワークフローなどをワークフロー内で呼び出すことができます。 |
終了ノード-長編ストーリー生成の例
HTTP リクエスト設定
カスタマーレビューの分類
複数条件の判断
長文生成器
開始ノードの設定
テンプレートノード
パラメータ抽出
反復ノードの設定
LLM ノードの設定
Answer ノードの設定
ストーリー章ごとの多段反復生成
code ノード出力 array
パラメータ抽出ノード出力 array
コードノード変換
テンプレートノード変換
知識ベース質問応答アプリケーションの例
知識検索の設定
出力変数
下流LLMノードの設定
LLM ノード
LLM ノード設定 - モデル選択
変数挿入メニューの呼び出し
コンテキスト変数
会話履歴変数の挿入
Arxiv論文検索ツール
ワークフロー開始ノード
開始ノード変数の設定
テキストの結合
ナレッジリトリーバルノードの出力をMarkdownに変換
ツール選択
Google 検索ツールで外部知識を検索
問題分類（変数集約なし）
問題分類後のマルチ集約
問題分類後のマルチ集約
| ステップ | LLMOpsプラットフォーム未使用 | Dify LLMOpsプラットフォーム使用 | 所要時間の差異 |
|---|---|---|---|
| アプリケーションの前後エンド開発 | LLM機能の統合とパッケージ化に多くの時間を費やし、フロントエンドアプリの開発 | Difyのバックエンドサービスを直接使用し、Webアプリのスキャフォルディングに基づいて開発 | -80% |
| プロンプトエンジニアリング | APIまたはプレイグラウンドを通じてのみ実行可能 | ユーザー入力データと組み合わせて、所見即所得でデバッグ完了 | -25% |
| データ準備と埋め込み | 長文データ処理と埋め込みのコードを書く | プラットフォームにテキストをアップロードするか、データソースをバインドするだけで完了 | -80% |
| アプリケーションログと分析 | ログを記録するコードを書き、データベースにアクセスして確認 | プラットフォームがリアルタイムのログと分析を提供 | -70% |
| データ分析と微調整 | 技術者がデータ管理と微調整のキューを作成 | 非技術者も協力可能で、視覚的なモデル調整 | -60% |
| AIプラグインの開発と統合 | コードを書いてAIプラグインを作成、統合 | プラットフォームが視覚的なツールを提供し、プラグインの作成と統合を支援 | -50% |