Dify: crea agentes de IA sin programar (guía paso a paso)

Dify es una plataforma open source para construir agentes de IA sin escribir código: en un lienzo visual conectas nodos (modelo, tools, conocimiento, lógica) y el resultado es un agente listo para publicar como web app, API o integración. Es la opción para quien quiere un agente funcionando hoy, sin montar una arquitectura de prompts, frameworks y herramientas desde cero.

Esta guía es la entrega de plataformas visuales de la serie de construcción de agentes: primero sabes qué es un agente de IA, luego lo construyes sin programar y aquí lo montas en una plataforma visual.

Qué es Dify y cuándo conviene usarlo

Dify es un LLM App Platform: defines el modelo que usará tu agente, le das herramientas, le conectas una base de conocimiento y describes su comportamiento con un prompt, todo desde la interfaz. La plataforma se encarga de orquestar llamadas al modelo, tools y memoria.

Úsalo cuando quieres un agente funcional en horas, no quieres mantener infraestructura de agentes, necesitas publicar rápido (Dify genera web app, API y publicación MCP sin deploy manual) o prefieres que un equipo no técnico ajuste prompts y tools.

Dify	n8n	Agente con SDK
Lienzo visual con nodos de LLM, tools y conocimiento	Automatización de procesos con nodos genéricos	Control total con código
Agente listo con memoria y orquestación incluida	El RAG y la orquestación quedan a mano	Tú defines cada pieza
Publicación web/API/MCP integrada	Publicación por webhook/integraciones	Deploy a tu plataforma
Curva de aprendizaje baja	Curva media	Curva alta

La regla práctica: si el objetivo es un agente conversacional o un flujo con LLM + tools, Dify acelera el camino. Si es automatizar un proceso completo con integraciones variadas, n8n tiene más músculo ahí.

Plan gratuito: empieza sin tarjeta

La forma más rápida de empezar es Dify Cloud en cloud.dify.ai. La cuenta nueva arranca en el plan Sandbox, gratis:

• 200 créditos de IA únicos (no se renuevan mensualmente) para probar modelos de OpenAI, Anthropic, Gemini y xAI sin API key propia.
• 1 workspace, 1 miembro, 5 apps, 50 documentos y 50 MB de almacenamiento.
• Sin tarjeta para crear la cuenta; al subir de plan están Professional ($590/año por workspace) y Team, o configuras tu propia API key cuando se acaben los créditos.

Si prefieres no depender de la nube, Dify también se self-hostea con Docker Compose; lo vemos al final.

Los tres tipos de app en Dify

Antes de construir conviene elegir el tipo correcto, porque define la experiencia del usuario final:

Tipo	Interacción	Cuándo usarlo
Workflow	Corre de inicio a fin una sola vez	Generación de informes, procesamiento por lotes
Chatflow	Chat: cada mensaje dispara el flujo	Asistentes conversacionales, atención al cliente
Agent	Chat donde el modelo decide qué tools usar	Tareas abiertas que requieren razonamiento y herramientas

La diferencia central está documentada en Dify: un Workflow toma una entrada, la procesa y devuelve un resultado; un Chatflow añade una capa conversacional y cada mensaje ejecuta el flujo antes de responder; un Agent deja que el modelo decida el orden y las herramientas por sí mismo.

Primer agente paso a paso (Chatflow)

Vamos con el caso más común: un asistente que recibe preguntas, consulta herramientas y responde. Los pasos sirven igual para Workflow.

1. Crea la app. En Studio elige Create from Blank > Chatflow y ponle nombre.

2. Configura el modelo. Ve a Integraciones > Model Provider, instala el proveedor (OpenAI, Anthropic, Gemini…) y elige el modelo. Para agentes conviene uno reciente con buen razonamiento y tool calling nativo: el agente necesita decidir qué tool usar y leer los resultados.

3. Orquesta el flujo. El lienzo arranca con el nodo de entrada del usuario. Agrega el nodo LLM para el prompt del asistente y los nodos que necesites: Knowledge Retrieval para buscar en documentos, Parameter Extractor para convertir texto libre en datos estructurados, IF/ELSE para ramificar y Answer (obligatorio al final de un Chatflow) para devolver la respuesta.

4. Conecta tools. En el nodo LLM o en el nodo Agent agregas las herramientas: plugins del mercado, APIs personalizadas, workflows y servidores MCP. Cada tool necesita una descripción clara: el modelo decide cuándo usarla leyendo esa descripción, así que "Busca en la web y devuelve las últimas noticias" funciona mejor que "web".

5. Añade conocimiento (opcional). En el menú Knowledge creas una base, subes archivos (PDF, docx, web), revisas el chunking y la conectas con el nodo Knowledge Retrieval. El agente responde con tus documentos, no solo con lo que sabe el modelo.

6. Prueba y publica. Ejecuta el flujo en debug, revisa los logs de cada nodo y, cuando funcione, publica: Dify genera una web app con enlace público y una API con credenciales para integrarlo desde tu propio sistema.

El nodo Agent: razonamiento + tools

Si tu caso necesita que el modelo decida solo cómo llegar al resultado, el nodo Agent es el indicado. Configura:

• Estrategia: Function Calling (usa el tool calling nativo del modelo) o ReAct (razonamiento explícito Thought → Action → Observation; útil con modelos sin function calling o cuando quieres trazas transparentes).
• Instrucciones: rol, objetivo y contexto en lenguaje natural, con referencias a variables del flujo.
• Max Iterations: tope de ciclos razonar-actuar para evitar loops infinitos. Tareas simples bastan con 3–5; investigaciones complejas pueden necesitar 10–15.
• Memoria: cuántos mensajes previos recuerda, vía Token Buffer Memory.

El nodo devuelve la respuesta final, las salidas de cada tool, la traza de razonamiento y el conteo de iteraciones. Eso hace el debug concreto: si el agente no usa una tool, la descripción es mala; si se pasa de vueltas, ajusta el límite.

Dify también tiene un nuevo tipo de Agent en beta: un trabajador con sandbox propio (20 GB) que ejecuta comandos, instala programas y lee/escribe archivos. Se construye una vez y se usa como app de chat o como paso de un workflow. Requiere un modelo reciente; con modelos viejos, un síntoma típico es que nunca ejecuta comandos ni instala tools.

Checklist antes de publicar

• El modelo elegido soporta tool calling si usas Function Calling.
• Cada tool tiene descripción clara de qué hace y cuándo usarla.
• Max Iterations limitado para no disparar costos.
• Base de conocimiento (si la hay) conectada y chunking revisado.
• Prompt con rol, formato de salida y restricciones.
• Prueba del flujo completo en debug con logs por nodo.
• Web app publicada o API creada con credenciales propias.

Self-host con Docker Compose

Para dejar de depender de la nube, Dify se instala en tu servidor con Docker Compose. Los requisitos oficiales son mínimos: 2 CPU y 4 GiB de RAM; en macOS, Docker Desktop con Compose 2.24.0+ y al menos 2 vCPU/8 GiB en la máquina virtual de Docker.

git clone --branch "$(curl -s https://api.github.com/repos/langgenius/dify/releases/latest | jq -r .tag_name)" https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

El stack arranca 7 servicios core (api, worker, web, plugin_daemon, agent_backend…) más componentes como postgres, redis, weaviate y nginx. Abres http://localhost/install, creas el admin y entras en http://localhost. Ahí los límites del plan Sandbox no aplican: tú controlas el gasto con las API keys que configures.

Preguntas frecuentes

¿Dify es gratis? El plan Cloud Sandbox es gratis con 200 créditos de IA únicos, 1 workspace, 1 miembro, 5 apps y 50 documentos. Después configuras tu API key o subes de plan. Self-hosted, el software es open source y solo pagas infraestructura y modelos.

¿Necesito saber programar? Para construir el agente, no: todo es visual. El nodo de código existe para casos avanzados, pero la mayoría de los agentes se arman con nodos y prompts.

¿Dify o n8n? Si es un agente conversacional con LLM + tools, Dify. Si es automatización de procesos con muchos integradores, n8n. La comparativa de plataformas entra en detalle.