Dify

Dify es una plataforma de desarrollo de aplicaciones LLM de código abierto creada por LangGenius y liberada el 15 de mayo de 2023. Ocupa el espacio entre las API de LLM sin procesar y los frameworks de IA full-stack: un entorno visual listo para producción donde los desarrolladores y equipos de producto pueden ensamblar flujos de trabajo, construir canalizaciones RAG, implementar agentes y exponer todo como API REST sin tener que gestionar la infraestructura desde cero. A partir de mayo de 2026, la plataforma se encuentra en la versión v1.14.0 con 140,000 estrellas en GitHub, 5 millones de descargas y más de 800 colaboradores.

El conjunto de características principales abarca cinco áreas: un lienzo de flujo de trabajo de arrastrar y soltar con más de 50 nodos integrados; una canalización RAG configurable que admite recuperación híbrida BM25 más vectores, fragmentación ajustable, reclasificación opcional y filtrado de metadatos; un creador de agentes que utiliza estrategias ReAct y Function Calling; un mercado de complementos con más de 120 integraciones que cubren OpenAI o1-series, Gemini 2.0, DeepSeek-R1, Perplexity, Firecrawl y ComfyUI; y herramientas LLMOps de nivel de producción que incluyen temporización por pasos, registros de conversación y exportación OpenTelemetry. Cada flujo de trabajo genera automáticamente un endpoint de API REST, lo que convierte a Dify en un backend natural para los equipos que se conectan a n8n u otras capas de automatización.

Lo que Dify realmente hace en mayo de 2026

El lienzo de flujo de trabajo de Dify es la interfaz principal. Arrastras nodos a un lienzo visual y los conectas: los nodos de Inicio aceptan parámetros, los nodos LLM llaman a cualquier modelo configurado, los nodos de Recuperación de Conocimiento consultan tus conjuntos de datos RAG, los nodos de Código ejecutan Python o JavaScript en línea, y los nodos de Plantilla formatean la salida para su uso posterior. La ramificación paralela permite que múltiples llamadas LLM se ejecuten simultáneamente, con un tiempo de ejecución que se aproxima a la rama más larga en lugar de la suma de todas las ramas (una mejora de rendimiento lanzada en la v1.8.0). El nodo de Entrada Humana, añadido en la v1.13.0, permite que los flujos de trabajo se pausen a mitad de ejecución para revisión humana antes de reanudarse.

La canalización RAG es posiblemente la capacidad más diferenciada de Dify en comparación con constructores más ligeros. La ingesta de documentos admite PDF, web scraping, sincronización con Notion y repositorios de GitHub. La fragmentación es configurable: el tamaño del fragmento, la superposición y la estrategia de indexación son ajustables, lo cual es muy importante para tipos de documentos complejos como manuales técnicos o contratos legales. La recuperación admite tanto la búsqueda semántica de vectores como la búsqueda de palabras clave BM25, con modelos de reclasificación opcionales aplicados después de la recuperación. El filtrado de metadatos, añadido en la v1.1.0, permite limitar las consultas a subconjuntos de documentos sin reconstruir los embeddings.

El creador de agentes envuelve estos componentes en un bucle autónomo. Los agentes utilizan ReAct (ciclos de razonamiento-acción) o Function Calling dependiendo de la capacidad del modelo, dejando la selección de la estrategia al usuario en lugar de estar codificada de forma rígida. Los enfoques de razonamiento Chain-of-Thought y Tree-of-Thought son configurables por agente. Dify incluye más de 50 herramientas integradas (búsqueda web, entornos de ejecución de código, calculadora, utilidades de tiempo) y el mercado de complementos lo amplía aún más.

El lanzamiento de la v1.0.0 el 17 de febrero de 2025 marcó el cambio arquitectónico más significativo de Dify desde su lanzamiento. Los Modelos y Herramientas se desacoplaron de la plataforma principal en complementos intercambiables en caliente, el Dify Marketplace se lanzó con más de 120 complementos desde el primer día, y el nodo Agente se introdujo como un elemento de primera clase en el flujo de trabajo. El anuncio de Dify lo calificó de "revolucionario" porque permitía a terceros ampliar las capacidades sin tocar el código principal, algo que la arquitectura anterior a la 1.0 hacía poco práctico.

"una herramienta que a nuestros ingenieros de backend les gusta mucho porque es muy flexible" - Mingji Zhang, Product Hunt, 2024

"Pasé de una idea a un asistente funcional en menos de 48 horas. Subo los diffs de los commits a un nodo RAG, ejecuto dos nodos LLM paralelos para resumen y detección de problemas, fusiono los resultados en un nodo de Plantilla y lo implemento como una API que llamo desde Slack cada semana." - desarrollador anónimo, reseña en Skywork.ai, 2025

Dónde se sitúa Dify frente a Langflow y Flowise

El espacio de los creadores de aplicaciones LLM de código abierto tiene tres contendientes principales, y las diferencias son arquitectónicas, no cosméticas.

Langflow es un envoltorio visual para LangChain que compila flujos directamente en código Python de LangChain. Esto lo hace genuinamente útil para los equipos que ya utilizan LangChain en producción: puedes exportar un flujo como un módulo de Python e integrarlo en un servicio existente. La contrapartida es una arquitectura de inquilino único por diseño: no hay primitivas de espacio de trabajo integradas, ni control de acceso basado en roles, ni colas asíncronas. Langflow fue adquirida por DataStax en 2024, lo que le otorga respaldo comercial empresarial y alojamiento en la nube del que carece el modelo de startup de Dify. Tenía aproximadamente 42,000 estrellas en GitHub a principios de 2025 frente a las 58,000 de Dify en el mismo momento. Ideal para: equipos de ingeniería nativos de LangChain que realizan prototipos rápidos y planean integrar flujos en servicios Python existentes.

Flowise es la opción más ligera. Funciona con 1GB de RAM frente al mínimo de 4GB de Dify, lo que la hace práctica para la implementación local en una máquina básica. Flowise está construida sobre LangChain y prioriza la creación de chatbots de arrastrar y soltar con widgets integrables. Las contrapartidas son reales: no hay colas asíncronas integradas, tiene la observabilidad más débil de las tres y el control lógico se limita a condiciones If/Else (sin iteración paralela). Tenía aproximadamente 30,000 estrellas en GitHub a principios de 2025. Ideal para: widgets de chatbot integrables, demostraciones rápidas de prueba de concepto y herramientas internas donde la sobrecarga de infraestructura debe mantenerse cerca de cero.

Las ventajas de Dify radican en la infraestructura de producción. Viene con Celery más Redis para la gestión de colas asíncronas: los flujos largos se ejecutan de forma asíncrona con sondeo de estado listo para usar. Tiene primitivas de espacio de trabajo explícitas con control de acceso basado en roles y soporte nativo de SSO (Azure AD, Okta, GitHub, Gmail, Notion OAuth añadidos en la v1.7.0). Cada flujo expone automáticamente un endpoint REST sin configuración adicional. La exportación de OpenTelemetry y la integración con Langfuse están integradas, no añadidas a posteriori. El costo de estas características es la complejidad: Dify requiere Docker Compose con PostgreSQL, Redis y contenedores de trabajadores. No es un proyecto de autoalojamiento de fin de semana para un usuario sin conocimientos técnicos.

En comparación con AnythingLLM, que utiliza un modelo RAG con alcance de espacio de trabajo optimizado para chatbots internos rápidos, Dify trata RAG como un nodo en una canalización de orquestación más amplia. AnythingLLM es más rápido de configurar para preguntas y respuestas de documentos, pero carece de fragmentación configurable, reclasificación y las capacidades de flujo de trabajo más amplias que ofrece Dify. Para los equipos cuyo caso de uso es "chatear con tus documentos", AnythingLLM es más simple. Para los equipos que construyen aplicaciones de IA de múltiples pasos que incluyen RAG como un componente, Dify es la elección correcta. También vale la pena comparar: Open WebUI para equipos centrados en interfaces de chat LLM locales en lugar del desarrollo de aplicaciones, y RAGFlow para cargas de trabajo RAG con gran cantidad de documentos y requisitos de análisis profundo.

Cómo es la realidad del flujo de trabajo

El lienzo visual es genuinamente utilizable para desarrolladores con habilidades técnicas moderadas. Los usuarios sin conocimientos técnicos pueden ensamblar chatbots simples y asistentes de bases de conocimiento sin escribir código. Pero el enfoque "no-code" promete demasiado para cualquier cosa más allá de estos patrones. Los nodos de Código Personalizado requieren Python o TypeScript. La depuración de ramas paralelas implica leer registros por pasos y datos de temporización. El desarrollo de complementos requiere comprender el SDK de complementos de Dify. La comunidad de la herramienta en GitHub y Discord es activa (más de 800 colaboradores), pero la documentación va a la zaga del ritmo de lanzamiento: con versiones menores mensuales enviadas a lo largo de 2025 y hasta 2026, algunas características tienen documentación escasa o desactualizada.

Los límites de los planes en la nube son un punto de fricción recurrente. Los 200 créditos de mensajes del nivel Sandbox apenas soportan la evaluación. El nivel Professional a $59/mes impone límites de tamaño de carga útil y restringe la inyección de variables ocultas, lo que bloquea patrones de producción específicos. Múltiples usuarios en hilos de foros describen el mismo arco: comienzan en la nube, alcanzan los límites, migran al autoalojamiento y descubren que el autoalojamiento tiene su propia sobrecarga de infraestructura. Los equipos que pueden invertir en la configuración de Docker suelen optar por el autoalojamiento como la opción de producción pragmática.

Vale la pena conocer de antemano la advertencia sobre las licencias multiinquilino. A pesar de la insignia Apache 2.0, la licencia de Dify restringe el uso de la edición comunitaria autoalojada para construir un producto SaaS comercial que sirva a múltiples inquilinos sin una licencia comercial. Esto surge repetidamente en las discusiones de GitHub y toma a los equipos por sorpresa después de haber construido sobre la versión de código abierto. Los equipos que construyen herramientas internas para su propio uso no tienen restricciones; los equipos que construyen un producto que aloja a múltiples inquilinos clientes finales deben comprar una licencia empresarial o usar el nivel de equipo de Dify Cloud.

Para quién está diseñado Dify

Dify es la elección correcta para equipos de producto y startups que construyen características impulsadas por LLM sin un equipo completo de ingeniería de IA. Si necesitas lanzar un sistema RAG de producción, un agente que llame a API externas o un flujo de trabajo que combine múltiples llamadas a modelos con lógica personalizada, y no quieres conectar LangChain, Celery, Redis, una base de datos vectorial y una pila de observabilidad desde cero, Dify te ofrece esa arquitectura preensamblada.

Los equipos de TI empresariales que construyen bases de conocimiento internas con requisitos de cumplimiento se benefician de la integración SSO de Dify, el control de acceso basado en roles y la opción de autoalojamiento. Los equipos que ya utilizan n8n o Make.com para la automatización encuentran que los endpoints de API generados automáticamente por Dify encajan de forma natural: Dify maneja la orquestación de IA mientras que n8n maneja los disparadores de eventos y las integraciones posteriores.

Las 140,000 estrellas en GitHub y los 5 millones de descargas de la edición comunitaria reflejan una adopción genuina más allá del entusiasmo inicial. El anuncio del 5 de junio de 2025 de 100,000 estrellas en GitHub situó a Dify entre los 100 principales proyectos de código abierto a nivel mundial, una métrica que refleja un uso activo, no solo marcadores casuales.

Lo que Dify no es

Evita Dify si tu requisito principal es la configuración más simple posible. Flowise funciona con 1GB de RAM con un solo contenedor Docker. Dify requiere 4GB de RAM y una pila de múltiples contenedores. Para desarrolladores en solitario que construyen una herramienta personal, esa sobrecarga no está justificada.

Evita Dify si eres un equipo de ingeniería nativo de LangChain que quiere mantenerse en Python. Langflow compila flujos visuales a código LangChain que puedes inspeccionar y modificar. La salida visual de Dify se queda en Dify.

Evita Dify si estás construyendo un producto SaaS comercial multiinquilino y no estás preparado para negociar una licencia empresarial. La restricción de la licencia es real y se hace cumplir.

Evita Dify si tus usuarios finales esperan una interfaz de chat pulida y totalmente personalizada. La interfaz de usuario de la aplicación web integrada es funcional pero no es fácil de rediseñar. Los equipos que necesitan frontends específicos de la marca suelen utilizar el backend de la API de Dify con un frontend personalizado, lo que funciona bien pero añade una capa de desarrollo.

Para los equipos cuya necesidad principal es chatear con LLM locales a través de una interfaz pulida en lugar de construir aplicaciones, Open WebUI es una mejor opción. Para RAG puro con gran cantidad de documentos y análisis avanzado de PDF, RAGFlow aborda ese nicho de manera más directa.