Dify: plataforma LLMOps self-hosted

Dify es una plataforma de código abierto que reúne en una sola interfaz todo lo que necesitas para construir aplicaciones de IA en producción: un lienzo visual para diseñar flujos, gestión de prompts, una base de conocimiento con RAG y las capas de LLMOps para vigilar cada ejecución. Lo mejor es que puedes autoalojarla entera con Docker Compose, de modo que ni tus prompts ni los datos de tus usuarios salen de tu servidor. En esta guía verás qué es Dify, cómo desplegarla, los cuatro tipos de app que crea, cómo funciona su RAG y cuándo conviene frente a Flowise y Langflow. La misma explicación está disponible en inglés.

Puntos clave

• Dify es una plataforma de código abierto para desarrollar aplicaciones y agentes de IA; supera las 149 000 estrellas en GitHub, la mantienen más de 800 colaboradores y publica una versión nueva casi cada semana (la última estable es la 1.15.0, del 25 de junio de 2026).
• Es autoalojable: un docker compose up -d levanta 13 servicios y te deja la interfaz web en el puerto 80, así que toda tu operación de IA se queda en tu infraestructura.
• Crea cuatro tipos de app sin escribir código: chatbot, agente (con Function Calling y ReAct sobre más de 50 herramientas), flujo de trabajo visual y generador de texto.
• Su base de conocimiento integra un RAG completo: subes PDF, PPT o Markdown, Dify los trocea, los indexa en una base de datos vectorial y los conecta a tus apps con filtrado por metadatos.
• Su licencia es una versión modificada de Apache 2.0: puedes usarla y venderla, pero no ofrecerla como servicio multiinquilino ni quitar el logotipo de Dify de la consola sin un acuerdo comercial.

¿Qué es Dify?

Dify es una plataforma de código abierto para construir aplicaciones basadas en modelos de lenguaje, desde un simple chatbot hasta un agente con acceso a herramientas o un flujo de trabajo de varios pasos. Su documentación la describe como una plataforma «lista para producción para el desarrollo de flujos agénticos»: agrupa en un mismo producto lo que normalmente montarías con media docena de librerías sueltas, es decir, la orquestación, la gestión de prompts, la conexión a los modelos, el RAG y la observabilidad.

El proyecto nació en 2023 de la mano de LangGenius y se ha convertido en uno de los repositorios de IA más populares de GitHub, con más de 149 000 estrellas y una comunidad de más de 800 colaboradores que empujan una versión nueva casi cada semana. La idea de fondo es la de una plataforma de LLMOps: no basta con que tu aplicación funcione una vez en tu portátil, también quieres revisar los registros de producción, comparar versiones de un prompt y afinar el modelo con datos reales. Dify pone esas piezas al alcance de un equipo que no quiere reinventar la fontanería.

Conviene aclarar el término del titular. LLMOps es al ciclo de vida de las aplicaciones con modelos de lenguaje lo que DevOps es al software tradicional: cubre el diseño, el despliegue, la supervisión y la mejora continua. Dify no es solo un editor visual, es esa capa operativa que registra cada llamada, su coste y su latencia, y te deja anotar respuestas para mejorar el sistema iterando con evidencia.

Desplegarlo con Docker Compose

La gran ventaja de Dify frente a un servicio en la nube es que puedes ejecutarlo entero en tu propia máquina. El repositorio incluye un docker-compose.yml pensado para arrancar en minutos; solo necesitas un servidor con 2 núcleos de CPU, 4 GiB de RAM y Docker Compose 2.24.0 o superior. El arranque son cuatro órdenes:

git clone https://github.com/langgenius/dify.git
cd dify/docker

    # Fija una version estable en lugar de la rama principal
git checkout 1.15.0
cp .env.example .env

    # Levanta los 13 servicios en segundo plano
docker compose up -d

Detrás de esa orden se levantan trece contenedores, agrupados en tres capas: los servicios base (el api de Python, el worker de Celery que procesa las tareas en cola y el web de Next.js), las dependencias (Postgres para los datos, Redis para la caché y las colas, un servidor de plugins y una base de datos vectorial) y una tarea de inicialización que prepara el esquema. Por defecto Dify usa Weaviate como base de datos vectorial, aunque puedes cambiarla por Qdrant, Milvus o el pgvector de tu propio Postgres editando el .env.

Con los contenedores arriba, abre http://localhost/install para crear la cuenta de administrador; a partir de ahí, http://localhost te lleva al panel. Antes de exponerlo en internet, edita el .env: cambia el SECRET_KEY, define las credenciales de las bases de datos y coloca Dify detrás de un proxy inverso con HTTPS. Recuerda su licencia, una versión modificada de Apache 2.0: el uso interno y comercial está permitido, pero no puedes ofrecer Dify como servicio multiinquilino ni retirar su logotipo de la consola sin autorización escrita.

Apps: chat, agente y flujo

Una vez dentro, Dify organiza todo en torno a cuatro tipos de aplicación que eliges al crearla. El chatbot es el más directo: eliges un modelo, escribes las instrucciones del sistema y, opcionalmente, le enganchas una base de conocimiento. El generador de texto es su primo de un solo turno, ideal para tareas como resumir o traducir a partir de una plantilla con variables.

Los dos tipos interesantes para quien construye agentes son el agente y el flujo de trabajo. El agente sigue el patrón clásico de razonamiento y acción: le das un objetivo y un conjunto de herramientas (búsqueda web, un lector de páginas, tu propia API mediante OpenAPI) y el modelo decide en cada iteración qué invocar, con estrategias de Function Calling o ReAct. Dify trae más de cincuenta herramientas integradas de fábrica. El flujo de trabajo, en cambio, es un lienzo visual donde encadenas nodos (llamadas al modelo, condiciones, bucles, código Python, un nodo de intervención humana que pausa la ejecución para pedir aprobación) con un control total del recorrido, algo parecido a lo que ofrece LangGraph pero sin escribir el grafo a mano.

Cualquiera de esas apps se publica al instante como una API REST: Dify actúa de backend para tu producto, de modo que tu aplicación solo tiene que llamar a un endpoint. Así se conversa con un chatbot ya publicado:

curl -X POST 'http://localhost/v1/chat-messages' \
  -H 'Authorization: Bearer app-TU-CLAVE-DE-API' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "Resume que es una plataforma LLMOps",
    "response_mode": "streaming",
    "user": "usuario-1"
  }'

RAG y base de conocimiento

Aquí es donde Dify ahorra más trabajo. Montar un RAG a mano implica trocear documentos, calcular embeddings, elegir una base de datos vectorial, escribir la lógica de recuperación y coserlo todo al prompt. Dify empaqueta ese circuito en su base de conocimiento: subes tus archivos (PDF, Word, PPT, Markdown o una URL), eliges cómo trocearlos y la plataforma se encarga del resto, con la vectorización y la indexación incluidas.

En el momento de la consulta, Dify recupera los fragmentos más relevantes y los inyecta en el contexto del modelo. Puedes ajustar la recuperación fina: elegir entre búsqueda vectorial, por palabras clave o híbrida, activar un modelo de reordenación y, desde la versión 1.1.0, filtrar por metadatos para que una consulta solo mire ciertos documentos. La versión 1.12.0 añadió el índice de resumen, que genera resúmenes por documento para acelerar las búsquedas sobre grandes volúmenes. Como el modelo que responde puede ser cualquiera, nada te impide servir uno en tu propia máquina con Ollama a través de su API compatible con OpenAI y conseguir un RAG completo donde ningún dato sale de tu red.

Dify frente a Flowise y Langflow

Dify no está solo: Flowise y Langflow compiten en el mismo terreno de los constructores visuales autoalojables. La diferencia está en la filosofía de cada uno.

Flowise y Langflow se apoyan en LangChain por debajo y brillan por su ligereza: Flowise arranca con una sola orden y funciona en un servidor de 1 GiB, mientras que Langflow, respaldado por DataStax, destaca cuando necesitas nodos de Python personalizados y la potencia de LangGraph. Dify pesa más (necesita 4 GiB) porque trae de serie lo que a los otros les falta: una base de conocimiento madura, espacios de trabajo con roles y permisos, un depurador que muestra el tiempo y los tokens de cada nodo, y toda la capa de LLMOps. Una regla práctica: empieza con Flowise o Langflow para validar rápido una idea, y migra a Dify cuando necesites RAG serio, control de acceso por equipos o fiabilidad de producción.

Preguntas frecuentes

¿Es Dify realmente de código abierto y gratis?

Sí, con un matiz. Todo el producto es de código abierto y puedes autoalojarlo sin pagar nada, pero su licencia no es la Apache 2.0 estándar, sino una versión modificada con dos condiciones. La primera te impide ofrecer Dify como un servicio multiinquilino a terceros sin un acuerdo comercial. La segunda te prohíbe eliminar el logotipo y los avisos de copyright de la consola. Para uso interno de una empresa, para tus propios productos o para aprender, no hay ninguna limitación práctica.

¿Necesito saber programar para usar Dify?

No para lo básico. Puedes crear un chatbot con RAG, un agente con herramientas o un flujo de varios pasos con la interfaz visual, sin escribir una línea de código. Programar te ayuda en dos momentos: cuando quieres añadir un nodo de código Python dentro de un flujo para transformar datos y cuando integras las apps publicadas en tu producto mediante la API REST. En ese sentido es una herramienta de bajo código, no de cero código.

¿Puedo usar Dify con modelos locales en vez de con la API de OpenAI?

Sí. Dify es agnóstico respecto al proveedor del modelo: en su configuración añades el proveedor que quieras, incluidos los modelos que ejecutas en tu propia máquina con Ollama o con un servidor compatible con OpenAI. Combinando Dify autoalojado con un modelo servido de forma local consigues una plataforma de IA completa en la que ningún prompt ni documento sale de tu red, algo decisivo en entornos con requisitos estrictos de privacidad.

Conclusión

Dify resuelve el salto entre «tengo una idea para una app de IA» y «tengo una app de IA en producción que puedo supervisar y mejorar». Con un docker compose up -d levantas una plataforma completa que crea chatbots, agentes y flujos visuales, integra un RAG sobre tu propia base de conocimiento y registra cada ejecución con su coste, todo dentro de tu red y con una comunidad de más de 800 colaboradores detrás. El siguiente paso es clonar el repositorio, fijar la versión 1.15.0, levantar los contenedores y crear tu primera app de chatbot conectada a un par de documentos para ver el RAG en marcha.

Fuentes

1. Documentación oficial de Dify
2. Dify en GitHub
3. Blog de Dify con las notas de versión
4. Comparativa independiente de Dify, Flowise y Langflow

Ruta: Ecosistema de agentes: MCP, gateways y plataformas