Este Informe USERS presenta Dify, una plataforma de código abierto para construir aplicaciones de inteligencia artificial sobre un lienzo visual. Su propuesta apunta al tramo más costoso del desarrollo: pasar de un prompt que funciona a un producto que otras personas puedan usar, que recuerde la conversación y consulte documentos propios.
Autor: Claudio Bottini
Un taller visual con servidor propio
Dify pertenece a la categoría LLMOps (prácticas y herramientas para llevar modelos de lenguaje a un uso estable). El modelo, por sí solo, es apenas el motor. Para convertirse en aplicación necesita interfaz, memoria y acceso a datos, y esa estructura es la que aporta la plataforma.
La lógica se arma conectando nodos en pantalla, sin escribir el código que normalmente ocuparía cientos de líneas. Además, la misma aplicación puede funcionar con un modelo comercial o con uno local a través de Ollama, y el cambio se resuelve eligiendo otra opción en un menú.
El autor señala el autohospedaje como la razón principal para elegirla. La instalación usa Docker (tecnología que empaqueta cada componente en un contenedor aislado) y alcanza con 2 núcleos y 4 GB de RAM libres. Recomienda fijar una versión estable para que el entorno sea reproducible.
Con un solo comando se levantan todos los servicios necesarios, incluidas la base de datos y el almacén vectorial, sin instalaciones manuales. Antes de construir cualquier proyecto hay que cargar al menos un proveedor de modelos. En los ejemplos se usa la API gratuita de Groq.
Cómo pasar de un prompt suelto a una aplicación de inteligencia artificial completa: chatbots, buscadores sobre documentos propios y agentes autónomos, sin escribir la infraestructura, y ejecutando todo en un servidor propio con Docker.
Nodos, modos y documentos propios
Cada aplicación es una cadena de nodos por la que circula la información. El eje son las variables: cada nodo produce valores con nombre que los siguientes pueden leer. El nodo LLM es el centro, y a su alrededor se suman bloques que resuelven tareas puntuales, desde ejecutar código hasta llamar a una API externa.
Dify ofrece tres modos, y elegir mal el punto de partida es el error más común. Workflow ejecuta una secuencia fija y termina. Chatflow sostiene un diálogo de varios turnos. El Agente recibe herramientas y decide por su cuenta cuáles usar, con más autonomía y menos previsibilidad.
La recomendación es arrancar por el modo más simple y migrar después, porque cada capa de autonomía suma puntos donde algo puede salir distinto de lo esperado.
El primer proyecto aplica RAG (generación aumentada por recuperación), una técnica que busca fragmentos de documentos propios y se los entrega al modelo junto con la pregunta. Así se reducen las respuestas inventadas con tono seguro que la jerga llama alucinaciones.
La plataforma trocea los archivos y guarda sus embeddings (representaciones numéricas del texto) en una base vectorial. El asistente de prueba se armó en cinco minutos, sin código, y ante una pregunta ajena al material respondió que no había encontrado la información.
El autor advierte que la calidad depende de cómo se trocea el material y del modelo de embeddings elegido, algo que en producción conviene ajustar.
Antes de armar nada debemos saber que Dify ofrece tres modos de aplicación, y elegir mal el punto de partida es el tropiezo más común de quien empieza.
Agentes que se publican y se operan
El segundo proyecto es un agente de investigación interno. Recibe instrucciones, una herramienta de búsqueda web, otra de cálculo y una base de conocimiento como contexto. En cada turno decide qué herramienta usar, y la memoria le permite entender repreguntas sobre lo ya conversado.
Todo se configura sin agregar un solo nodo al lienzo. Una vez listo, el agente se publica con un clic como interfaz de chat, como widget para incrustar en un sitio o como endpoint de API al estilo OpenAI.
El panel de operación registra cada conversación y permite anotar las respuestas flojas para mejorarlas. Para el autor, esa capa forma parte del producto y no es un agregado.
El Informe USERS dedica un tramo a diferenciar Dify de n8n. Este último es un motor de automatización que conecta aplicaciones y mueve datos, con la IA como un paso más. Dify, en cambio, construye aplicaciones donde el modelo de lenguaje es el protagonista.
Las dos herramientas pueden trabajar juntas: un flujo de n8n disparado por un correo entrante puede consultar al agente de Dify mediante una llamada HTTP y devolver la respuesta al cliente.
Entre los límites, el texto menciona que el lienzo se vuelve enredado cuando la lógica crece y que el autohospedaje exige mantener el servidor. Para requisitos muy particulares, el código a medida sigue ofreciendo un control más fino.
Nuestro primer paso es crear el agente. Vamos a Crear aplicación, Agente (Agent) y le colocamos el nombre y descripción que nos guste.
Encuentra la versión completa de la publicación en la que se basa este resumen, con todos los detalles técnicos en RedUSERS PREMIUM
También te puede interesar:
REGLAS PARA PROGRAMAR CON AGENTES
Los asistentes y agentes de IA pueden leer, modificar y ejecutar código dentro del entorno de desarrollo. Este Informe USERS propone construir una política propia en cuatro pasos: definir qué información puede conocer la IA, qué acciones puede realizar y qué controles debe superar su trabajo antes de integrarse.
Lee todo lo que quieras, donde vayas, contenidos exclusivos por una mínima cuota mensual. Solo en RedUSERS PREMIUM: SUSCRIBETE!
