Tutorial de introducción a Dify

Dify (Do It For You) es la plataforma de desarrollo de aplicaciones LLM de código abierto más popular en la actualidad, diseñada específicamente para crear aplicaciones de IA generativa impulsadas por grandes modelos de lenguaje (LLM).

Dify integra la orquestación de flujos de trabajo de IA, bases de conocimiento RAG, el framework de Agent, la gestión de modelos y la observabilidad en una plataforma visual, lo que te permite pasar rápidamente del prototipo a la producción sin necesidad de construir una infraestructura LLM desde cero.

Dify simplifica el proceso de creación de aplicaciones de IA al integrar la tubería RAG, flujos de trabajo de IA, herramientas de observabilidad y gestión de modelos.

Si LangChain esla fábrica de piezas de aplicaciones de IA(flexible, pero requiere mucho código escrito a mano), entonces Dify esel IDE visual para aplicaciones de IA—todos los componentes están listos, solo arrastra, conecta y funciona.

Comparación con otras herramientas

A continuación se muestra la comparación entre Dify, LangChain y n8n en dimensiones clave.

DimensiónDifyLangChainn8n
Usuarios principalesDesarrolladores + Product ManagersDesarrolladoresOperaciones / Automatización
Requisitos de programaciónLow-code / No-codeRequiere escribir Python/JSLow-code
RAG integradoCompletamente integradoRequiere ensamblaje manualLimitado
Framework de AgentIntegradoIntegradoLimitado
ObservabilidadIntegradaRequiere tercerosLimitada
AutohospedajeTotalmente compatibleCompatibleCompatible
LicenciaApache 2.0MITFair-code

El intuitivo estudio de orquestación visual de Dify lo convierte en la opción ideal para startups y empresas que necesitan crear aplicaciones de IA funcionales rápidamente.

LangChain, por otro lado, es más adecuado para aplicaciones complejas a nivel empresarial que requieren integraciones personalizadas y una participación profunda de los desarrolladores.

¿Quién usa Dify?

Desde la biomedicina hasta la industria automotriz, Dify ofrece soluciones confiables para todo tipo de empresas.

Volvo Cars utiliza Dify en la navegación estratégica de vanguardia en IA para validar ideas rápidamente.

Los usuarios valoran muy positivamente que Dify democratiza el desarrollo de agentes de IA, combinando potentes capacidades de IA/ML en una plataforma no-code.


Conceptos clave

Antes de empezar a operar, conozcamos los conceptos básicos de Dify:

Concepto Descripción
Aplicación (App) Unidad básica de implementación en Dify. Cada aplicación corresponde a una función de IA independiente, con su propio System Prompt, base de conocimiento asociada, configuración de herramientas y API Key.
Base de conocimiento (Knowledge Base) La base de conocimiento es tu propia colección de datos, que se puede integrar en aplicaciones de IA. Permite que el LLM utilice tus datos propietarios como fuente adicional de verdad al responder, garantizando respuestas más precisas, relevantes y con menos alucinaciones.
RAG (Generación Aumentada por Recuperación) Cuando un usuario hace una pregunta, el sistema primero recupera la información más relevante de la base de conocimiento (Retrieval), luego combina los resultados con la pregunta original del usuario y se los envía al LLM (Augmented), y el LLM genera una respuesta más precisa basada en este contexto (Generation).
Workflow (flujo de trabajo) Construye y prueba potentes flujos de trabajo de IA en un lienzo visual, definiendo la lógica de procesamiento de IA en múltiples pasos mediante arrastrar y soltar nodos y conectarlos.
Agent (agente inteligente) Puedes definir un Agent basado en LLM Function Calling o ReAct, y añadirle herramientas preconstruidas o personalizadas. Dify ofrece más de 50 herramientas integradas para AI Agent, como Google Search, DALL E, Stable Diffusion y WolframAlpha.
Nodo (Node) Unidad básica del flujo de trabajo; cada nodo ejecuta una operación específica: razonamiento LLM, recuperación de conocimiento, ejecución de código, solicitudes HTTP, ramas condicionales, etc.

Instalación y puesta en marcha

Cuatro métodos de instalación, desde empezar en segundos hasta el despliegue de clústeres de alta disponibilidad.

Opción 1: Dify Cloud (la más rápida, empieza en 0 segundos)

Visitacloud.dify.ai, regístrate y podrás usarlo de inmediato.

El plan Sandbox gratuito incluye 200 mensajes al mes y 5 aplicaciones, sin necesidad de configurar ningún entorno.

Ideal para probar rápidamente, proyectos personales y prototipos de prueba.


Opción 2: Autohospedaje con Docker Compose (recomendado para producción)

Adecuado para usuarios con experiencia técnica, que quieren tener control total sobre los datos y el entorno de despliegue.

Requisitos del sistema

RecursoRequisito mínimoConfiguración recomendada
CPU2 núcleos4 núcleos
Memoria4 GB8 GB
Disco20 GB50 GB+
DockerEngine 20.10+Última versión
Docker Composev2.2+Última versión

Pasos de instalación

Primer paso: clonar el repositorio

Clona el repositorio de Dify localmente:

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

Segundo paso: entra en el directorio docker y copia la configuración del entorno

cd docker
# 从模板复制环境配置文件
cp .env.example .env

Tercer paso (importante): configurar SECRET_KEY

Desde v1.14.1, el despliegue con Docker ya no depende de una clave pública por defecto. Cuando SECRET_KEY está vacío, la API genera y persiste automáticamente una clave de ejecución. Se recomienda configurarlo explícitamente en el archivo .env.

# 生成一个安全的随机密钥
openssl rand -base64 42

Edita el archivo .env, encuentra SECRET_KEY y establécelo como la cadena aleatoria generada anteriormente:

SECRET_KEY=your-very-long-random-secret-key-here

Cuarto paso: iniciar el servicio

# 启动所有 Dify 服务(首次会拉取镜像,约需 3-10 分钟)
docker compose up -d

Quinto paso: acceder e inicializar

Accede a http://localhost/install desde el navegador y completa el registro de la cuenta de administrador.

Sexto paso: verificar el estado del servicio

# 查看所有容器状态,全部为 healthy 即表示运行正常
docker compose ps

Si todos los contenedores (api, worker, web, db, redis, weaviate, nginx, etc.) tienen estado healthy, significa que el servicio funciona correctamente.

Detener y reiniciar

# 停止所有服务(数据保留在 Docker volumes 中)
docker compose down

# 重新启动所有服务
docker compose up -d

Actualizar a una nueva versión

# 进入 docker 目录
cd dify/docker

# 拉取最新代码
git pull origin main

# 拉取新镜像
docker compose pull

# 重新启动
docker compose up -d

Los datos se persisten en volúmenes de Docker; la actualización no afecta a las aplicaciones, bases de conocimiento ni historiales de conversación existentes. Antes de una actualización de versión mayor, se recomienda hacer una copia de seguridad de la base de datos PostgreSQL.


Opción 3: Implementación con un clic en AWS Marketplace

Dirigido a startups y pequeñas empresas que operan en AWS: puedes desplegar Dify Premium desde AWS Marketplace con un clic en tu propia VPC de AWS, y también admite logotipo y marca personalizados.


Opción 4: Implementación en Kubernetes (alta disponibilidad)

Para escenarios que requieren configuración de alta disponibilidad, la comunidad proporciona Helm Charts y archivos YAML para desplegar Dify en un clúster de Kubernetes.

# 添加 Dify Helm 仓库
helm repo add dify https://langgenius.github.io/dify-helm

# 使用自定义 values.yaml 安装
helm install dify dify/dify -f values.yaml

Configuración del proveedor de modelos

Una vez completada la instalación, el primer paso es conectar tu modelo de IA.

Ruta de operación

Después de iniciar sesión en Dify, haz clic en el avatar en la esquina superior derecha, entra en Settings (Configuración) y selecciona Model Provider (Proveedor de modelos).

Por ejemplo, podemos instalar el proveedor de modelos DeepSeek y luego configurar la API key:

Configuración de proveedores principales

Anthropic (serie Claude):

Provider: Anthropic
API Key: sk-ant-xxxxxxxx(从 console.anthropic.com 获取)
推荐模型:claude-sonnet-4-6(综合性能最佳)

OpenAI:

Provider: OpenAI
API Key: sk-xxxxxxxx(从 platform.openai.com 获取)
推荐模型:gpt-4o(性价比高)

Google (serie Gemini):

Provider: Google
API Key: xxxxxxxx(从 aistudio.google.com 获取)
推荐模型:gemini-2.0-flash(速度快,适合大量请求)

OpenRouter (una clave para acceder a más de 300 modelos):

Provider: OpenRouter
API Key: sk-or-xxxxxxxx(从 openrouter.ai 获取)
Base URL: https://openrouter.ai/api/v1

Modelos locales (Ollama):

Provider: Ollama
Base URL: http://host.docker.internal:11434  # Docker 内访问宿主机
(先在宿主机运行:ollama pull llama3.3)

Configurar el modelo de embedding (necesario para la base de conocimiento)

La vectorización de la base de conocimiento requiere un modelo de embeddings. Estas son las opciones recomendadas:

ModeloCaracterísticasCasos de uso
OpenAI text-embedding-3-smallEconómico y con buenos resultadosEscenarios generales
Zhipu AI embedding-3Excelente soporte para chinoContenido principalmente en chino
nomic-embed-text local (Ollama)Totalmente offlineRequisitos elevados de seguridad de datos

Verificar que el modelo esté disponible

Vuelve a Settings, busca el proveedor configurado y haz clic en el botón Test junto al nombre del modelo. Si aparece una marca de verificación verde, la configuración se ha realizado correctamente.


Explicación detallada de los cinco tipos de aplicación

En la página de inicio de Dify, haz clic en Create App (Crear aplicación). Verás cinco tipos, cada uno correspondiente a diferentes casos de uso.

Al hacer clic en crear una aplicación en blanco, puedes ver los cinco tipos de aplicación:

1. Chatbot (asistente de chat)

Aplicación estándar de conversación de múltiples turnos con memoria de sesión persistente.

AtributoDescripción
Casos de uso adecuadosBots de atención al cliente, asistentes personales, preguntas frecuentes (FAQ)
Características principalesMemoria de conversación integrada (con estrategia de memoria configurable), posibilidad de adjuntar base de conocimiento (habilitar RAG), soporte para salida en streaming y publicación con un clic como código de inserción web

2. Text Generator (generador de texto)

De entrada única a salida única, sin conservar el historial de conversación.

AtributoDescripción
Casos de uso adecuadosReescritura de artículos, generación de resúmenes, redacción SEO, borradores de correos electrónicos
Características principalesEstructura clara (formulario de entrada + texto de salida), adecuado para procesamiento por lotes, soporta marcadores de posición de variables (como {{product_name}})

3. Agent (agente inteligente)

IA capaz de invocar herramientas de forma proactiva, planificar de manera autónoma y ejecutar tareas de múltiples pasos.

AtributoDescripción
Casos de uso adecuadosConsulta y análisis de datos, búsqueda y resumen, ejecución de código
Características principalesSoporta dos modos de razonamiento: Function Calling y ReAct; incluye más de 50 herramientas integradas (búsqueda, generación de imágenes, intérprete de código, etc.); admite herramientas API personalizadas; el proceso de invocación de herramientas es visible para el usuario

4. Chatflow (flujo de conversación)

Añade capacidad de conversación de múltiples turnos sobre la base de Workflow, combinando orquestación de flujos y contexto de conversación.

AtributoDescripción
Casos de uso adecuadosFlujos complejos de atención al cliente, bots de conversación que requieren decisiones en múltiples pasos
Características principalesTiene la capacidad de orquestación de nodos de Workflow y conserva la memoria de múltiples turnos de la conversación, pudiendo activar flujos automatizados durante el diálogo

5. Workflow (flujo de trabajo)

Proceso automatizado puro de múltiples pasos, sin interfaz de conversación; se activa mediante API o se ejecuta manualmente.

AtributoDescripción
Casos de uso adecuadosProcesamiento de datos por lotes, tareas automatizadas programadas, canalizaciones de procesamiento de IA en el backend
Características principalesConstrucción y prueba de flujos de trabajo de IA en un lienzo visual; soporta ramas paralelas, bucles y condiciones; admite Human-in-the-Loop (nodo Human Input); los resultados de salida pueden conectarse con otros sistemas

Guía de selección

Decide rápidamente qué tipo de aplicación usar según tus necesidades:

需要多轮对话?
├─ 是 → 需要复杂流程逻辑?
│        ├─ 是 → Chatflow
│        └─ 否 → Chatbot 或 Agent(需要工具调用时选 Agent)
└─ 否 → 单次输入输出?
          ├─ 是 → Text Generator
          └─ 需要多步骤自动化 → Workflow

Base de conocimiento (RAG): haz que la IA responda con tus datos privados

La base de conocimiento es una de las funciones más potentes de Dify y el núcleo de la mayoría de las aplicaciones empresariales.

Crear una base de conocimiento

  1. En la barra de navegación selecciona Knowledge (Base de conocimiento) y haz clic en Create Knowledge (Crear base de conocimiento)
  2. Ponle un nombre a la base de conocimiento, como «Manual de producto» o «Documento de políticas internas»
  3. Elegir el método de creación

Método 1: subir archivos (el más común)

Dify acepta archivos en formato PDF, Word (.docx), Markdown (.md), texto plano (.txt), CSV y HTML.

Se recomienda usar Markdown o texto plano, ya que se analizan de forma más fiable.

Los PDF con maquetación compleja o versiones escaneadas pueden requerir un preprocesamiento; se recomienda extraer el texto con una herramienta OCR antes de subirlos.

Método 2: Knowledge Pipeline (nivel empresarial)

Knowledge Pipeline es un sistema de orquestación visual basado en nodos, diseñado específicamente para el procesamiento de ingesta de documentos.

Resuelve los tres grandes problemas del RAG tradicional: fuentes de datos dispersas, pérdida de información durante el análisis (tablas y fórmulas descartadas) y procesos de caja negra (difíciles de diagnosticar en caso de fallo).

Método 3: API de base de conocimiento externa

Sincroniza una base de conocimiento externa existente mediante API, sin necesidad de migración de datos.

Estrategia de fragmentación de documentos

Tras la subida, Dify realiza automáticamente la fragmentación del texto (chunking). Los parámetros clave se explican a continuación:

ParámetroDescripciónValor recomendado
Tamaño del fragmentoNúmero de tokens por chunk500-1000 (chino)
Superposición de fragmentosNúmero de tokens superpuestos entre chunks adyacentes50-100
SeparadorCómo dividir (párrafos / oraciones)Párrafos

Para contenido en chino, se recomienda fijar el tamaño del fragmento en torno a 500 tokens. Si es demasiado largo, la recuperación no será lo bastante precisa; si es demasiado corto, se perderá contexto.

Modos de indexación

ModoDescripciónCoste
Alta calidad (por defecto)Utiliza el modelo de embeddings para generar vectores; es el que mejor resultados ofreceConsume API de embeddings
Modo económicoÍndice invertido (coincidencia por palabras clave), sin necesidad de embeddingsGratuito

Configuración de recuperación

Entra en la base de conocimiento, selecciona Settings y configura los parámetros de recuperación:

Método de recuperaciónDescripciónEscenarios de aplicación
Búsqueda vectorialCoincidencia por similitud semánticaConsultas relacionadas por significado
Búsqueda de texto completoCoincidencia de palabras claveBúsqueda de términos exactos
Búsqueda híbrida (recomendada)Combina ambas y usa un modelo de reordenamiento para mejorar la precisiónEscenario general

Se recomienda establecer el umbral de similitud entre 0.5 y 0.7.

Un umbral de similitud demasiado alto puede provocar que no se devuelvan resultados; demasiado bajo devolverá contenido irrelevante. Se recomienda comenzar a probar con 0.6 y ajustarlo según los resultados.

Probar el efecto de la recuperación

En la base de conocimiento, haz clic en Retrieval Testing (Prueba de recuperación), ingresa una pregunta de prueba y revisa directamente los Chunks devueltos para verificar la calidad de la recuperación, sin necesidad de iniciar una conversación real.

Vincular la base de conocimiento a la aplicación

En la página de edición de la aplicación, selecciona Context (Contexto), haz clic en Add (Agregar), elige la base de conocimiento creada y guarda.

Una vez vinculada, cada conversación de la aplicación buscará primero en la base de conocimiento y luego responderá.


Workflow: orquestación visual de tareas de varios pasos

Define la lógica de procesamiento de IA de varios pasos arrastrando nodos y conectándolos.

Entrar al editor de Workflow

Al crear una aplicación, selecciona Workflow, o en una aplicación Workflow existente, haz clic en Edit (Editar) para ingresar al lienzo.

Principales tipos de nodos

A continuación se muestran los nodos más utilizados en el editor de Workflow y sus funciones:

NodoFunciónUso típico
StartEntrada del flujo, define las variables de entradaRecibe la entrada del usuario o parámetros externos
LLMLlamar a un modelo de lenguajeGeneración, análisis y traducción de texto
Knowledge RetrievalRecuperar de la base de conocimientoEscenario RAG
IF/ELSEBifurcación condicionalEnruta por diferentes rutas de procesamiento según el contenido
CodeEjecutar código Python o JSTransformación de datos, procesamiento de formatos y cálculos
HTTP RequestLlamar a API externasConsultar bases de datos, enviar notificaciones
TemplateRenderizado de plantillas de variablesCombina la salida de varios nodos
Variable AssignerEstablecer/actualizar variablesTransmitir datos entre nodos
IterationProcesamiento en bucle de listasProcesamiento por lotes de múltiples datos
AgentNodo Agent incorporadoPermite que un paso del flujo de trabajo tenga capacidad de razonamiento autónomo
Human InputPausar para esperar revisión humanaPunto de decisión clave para la colaboración humano-máquina
EndSalida del flujo, define las salidasDevuelve el resultado final

Transferencia de variables entre nodos

La salida de cada nodo puede ser referenciada por los nodos posteriores; la sintaxis es {{nombre_nodo.variable_salida}}.

A continuación se muestra un ejemplo de transmisión de variables en un flujo de trabajo típico de preguntas y respuestas RAG:

Start 节点输出 user_query
  ↓
Knowledge Retrieval 节点:
  输入:{{Start.user_query}}
  输出:result(检索结果)
  ↓
LLM 节点:
  System Prompt:你是一个客服助理,根据以下资料回答问题
  User:用户问题:{{Start.user_query}}
        参考资料:{{Knowledge Retrieval.result}}
  ↓
End 节点:
  返回:{{LLM.text}}

Nodo Human Input (HITL)

El nodo Human Input es una actualización importante que permite que el flujo de trabajo pause su ejecución en puntos de decisión clave.

Este nodo genera una interfaz de UI para que el personal revise y modifique variables (por ejemplo, editar borradores o corregir datos), y luego decide la ruta posterior según botones personalizados (como "Aprobar", "Rechazar" o "Escalar").

Esto resuelve el dilema binario de los flujos de trabajo anteriores de "totalmente automatizados o totalmente manuales", permitiendo que los escenarios de alto riesgo (revisión de contratos, asesoramiento médico, decisiones financieras) también puedan usar IA automatizada.

Depurar el flujo de trabajo

En la esquina superior derecha del lienzo, haz clic en Run (Ejecutar), ingresa parámetros de prueba y observa la entrada/salida y el tiempo de ejecución de cada nodo.

Junto al nodo aparecerá una marca verde (éxito) o roja (fallo); haz clic para ver el registro detallado de ejecución.


Escenario práctico 1: Robot de preguntas y respuestas basado en el conocimiento interno de la empresa

Usa Dify para crear un chatbot que pueda responder con precisión preguntas sobre documentos internos, con respuestas que incluyan referencias de fuentes.

Contexto del negocio

La empresa tiene una gran cantidad de documentos internos (políticas de RRHH, manuales de producto, wikis técnicas). Los empleados a menudo necesitan buscar información, pero los documentos están dispersos y la búsqueda es difícil.

Paso 1: Preparar la base de conocimiento

  1. Organiza los documentos: exporta las políticas de RRHH (PDF), los manuales de producto (Word) y la wiki técnica (Markdown) para usarlos.
  2. En Knowledge, selecciona Create Knowledge y nómbrala "Base de conocimiento interna de la empresa".
  3. Sube los archivos y selecciona el modo de indexación de alta calidad.
  4. Espera a que se complete la vectorización (se muestra mediante la barra de progreso).

Consejos para optimizar la calidad de los documentos: elimina información irrelevante, encabezados, pies de página y caracteres especiales. Usa títulos claros y párrafos cortos. Si un documento abarca varios temas diferentes, considera dividirlo en archivos independientes.

Paso 2: Crear una aplicación Chatbot

  1. Haz clic en Create App, selecciona Chatbot y nómbrala "Asistente interno".
  2. Selecciona el modelo (se recomienda Claude Sonnet 4.6 o GPT-4o).
  3. Escribe el System Prompt

Eres el asistente de conocimiento interno de la empresa, especializado en ayudar a los empleados a buscar información en documentos internos.

Normas de comportamiento:
- Responde únicamente basándote en el contenido de la base de conocimiento proporcionada; no inventes información.
- Al responder, indica el nombre del documento de origen.
- Si no hay información relevante en la base de conocimiento, di directamente: "No he encontrado información relevante en los documentos", y sugiere contactar con el departamento correspondiente.
- Usa un lenguaje conciso y profesional.
- No discutas temas que estén fuera del ámbito de la confidencialidad de la empresa.
  1. En Context, haz clic en Add y selecciona "Base de conocimiento interna de la empresa".
  2. Configura los parámetros de recuperación: búsqueda híbrida, umbral de similitud 0.6, devolver los Top 5 fragmentos.

Paso 3: Pruebas y optimización

Prueba con preguntas reales. A continuación se muestran los casos de prueba recomendados:

测试问题示例:
"年假怎么申请?" → 应该从 HR 政策文档返回正确步骤
"产品 A 的定价是多少?" → 应该从产品手册返回准确价格
"如何配置 VPN?" → 应该从技术 Wiki 返回步骤
"CEO 是谁?" → 如果文档中没有,应该诚实说不知道

Operaciones de ajuste comunes

ProblemaSolución
Respuesta imprecisaReduce el umbral de similitud (por ejemplo, a 0.5) y aumenta la cantidad de Chunks devueltos.
Respuesta irrelevanteAumenta el umbral (por ejemplo, a 0.7) y verifica si la división de documentos en fragmentos es razonable.
Respuesta incompletaAumenta el tamaño de los fragmentos para que cada Chunk contenga párrafos más completos.

Paso 4: Publicación e integración

Publicar como aplicación web: en la página de la aplicación, selecciona Overview, haz clic en Embedded, copia el código de inserción y pégalo en la wiki interna o en una página de la intranet.

Publicar como API: en la página de la aplicación, selecciona API Reference, copia la API Key, ejemplo de llamada:

# 调用聊天 API,向知识问答机器人发送问题
curl -X POST 'https://api.dify.ai/v1/chat-messages' \
  -H 'Authorization: Bearer app-xxxxxxxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "年假怎么申请?",
    "response_mode": "blocking",
    "user": "employee-001"
  }'

Escenario práctico 2: Tubería de generación de contenido automatizada

Utiliza Workflow para generar en paralelo contenido de marketing para diferentes canales.

Contexto del negocio

El equipo de marketing necesita transformar en masa las notas de actualización del producto (lenguaje técnico) en contenido para diferentes canales: publicaciones de WeChat, blogs técnicos y guiones de videos cortos.

Diseño del flujo de trabajo

Start(输入:更新日志文本)
  ↓ 并行分支
  ├─→ LLM-1:生成微信推文(轻松活泼,500字,含表情符号)
  ├─→ LLM-2:生成技术博客(专业详细,1500字,含代码示例)
  └─→ LLM-3:生成短视频脚本(口语化,300字,分镜头格式)
  ↓ 合并
End(输出:三份内容)

Pasos concretos de construcción

Primer paso: crea una aplicación Workflow y nómbrala "Canal de generación de contenido".

Segundo paso: configura el nodo Start y agrega las variables de entrada:

Nombre de variableTipoDescripción
update_contentTipo de textoTexto original de las notas de actualización del producto
product_nameTipo de textoNombre del producto
versionTipo de textoNúmero de versión

Tercer paso: agrega tres nodos LLM (en paralelo).

Conecta los tres nodos LLM al nodo Start; Dify los ejecutará automáticamente en paralelo.

Ejemplo de Prompt para LLM-1 (publicación de WeChat):

你是一位擅长社交媒体写作的内容创作者。

请将以下 {{product_name}} v{{version}} 的更新日志改写成微信公众号推文:
- 字数:400-600字
- 语气:轻松活泼,贴近用户
- 结构:开头吸引眼球,中间介绍亮点,结尾引导互动
- 适当使用 emoji
- 不要使用技术术语,用用户能理解的语言

更新日志原文:
{{Start.update_content}}

LLM-2 (blog técnico) y LLM-3 (guion de video corto) se configuran de manera similar; solo hay que ajustar el Prompt y el modelo.

Cuarto paso: agrega el nodo End y configura las variables de salida:

wechat_post:引用 {{LLM-1.text}}
tech_blog:引用 {{LLM-2.text}}
video_script:引用 {{LLM-3.text}}

Quinto paso: integra con herramientas internas mediante la API.

Ejemplo

import requests

def generate_content(update_content: str, product_name: str, version: str):
    """Llama a la API de Dify Workflow para generar de forma masiva contenido en múltiples versiones"""
    # Dirección de la API: reemplaza api.dify.ai por el dominio de tu instancia de Dify
    url = "https://api.dify.ai/v1/workflows/run"
    # Encabezado de solicitud: reemplázalo por la API Key de tu aplicación
    headers = {
        "Authorization": "Bearer app-xxxxxxxx",  # Obligatorio: API Key de la aplicación
        "Content-Type": "application/json"
    }
    # Cuerpo de la solicitud: pasa las tres variables de entrada definidas en el nodo Start
    payload = {
        "inputs": {
            "update_content": update_content,  # Texto original de las notas de actualización
            "product_name": product_name,      # Nombre del producto
            "version": version                 # Número de versión
        },
        "response_mode": "blocking",  # Modo de bloqueo, esperar el resultado completo
        "user": "content-team"        # Identificador de usuario, para seguimiento de registros
    }
    response = requests.post(url, headers=headers, json=payload)
    # Extrae el campo outputs de la respuesta; contiene los resultados generados por los tres nodos LLM
    return response.json()["data"]["outputs"]

Escenario práctico 3: Agente de soporte al cliente (con Human-in-the-Loop)

Construye un sistema inteligente de gestión de tickets de atención al cliente: la IA procesa automáticamente los problemas estándar, y los problemas complejos se transfieren a personal humano con un análisis previo.

Contexto del negocio

La plataforma de comercio electrónico recibe más de 500 tickets de soporte al día. La mayoría son problemas estándar (consultas de logística, políticas de devolución), pero alrededor del 20% requiere manejo humano (quejas complejas, reembolsos de gran importe).

Diseño del flujo de trabajo

Start(接收用户工单:问题类型 + 内容 + 订单号)
  ↓
LLM-分类:判断问题类型(standard / complex)
  ↓
IF/ELSE:问题类型是否为 standard?
  ├─ standard →
  │    Knowledge Retrieval(从客服知识库检索)
  │      ↓
  │    LLM-回复:生成标准回答
  │      ↓
  │    End(直接回复用户)
  │
  └─ complex →
       LLM-预分析:生成问题摘要和建议处理方案
         ↓
       Human Input(人工审核,可编辑 AI 建议,选择"批准"/"修改"/"升级")
         ↓
       End(发送经过人工确认的回复)

Configuración de nodos clave

Nodo LLM de clasificación (salida JSON estructurada):

Ejemplo

{
  "system": "Eres un experto en clasificación de tickets de atención al cliente. Analiza el siguiente ticket y genera el resultado de clasificación en formato JSON.",
  "output_schema": {
    "category": standard o complex,
    "reason": Motivo de clasificación (una frase),
    "priority": "low / medium / high"
  },
  "criteria": {
    "standard": Consultas de logística, política de devoluciones, reembolsos normales (<500 yuanes), problemas de cuenta,
    "complex": Reembolsos de gran importe (>500 yuanes), quejas, disputas, problemas de calidad del producto
  }
}

Configuración del nodo Human Input:

Elemento de configuraciónDescripción
Contenido mostradoResultado del preanálisis de IA + borrador de respuesta sugerido
Campo editableContenido de respuesta, prioridad
Botón personalizadoAprobar (responder según la sugerencia de IA), aprobar después de modificar (responder tras edición manual), escalar (derivar al equipo de tratamiento especializado)

Resultados esperados

Tipo de ticketMétodo de gestiónMejora de eficacia
Problemas estándar (aprox. 80%)Procesamiento totalmente automático con IATiempo de respuesta reducido de 4 horas a 30 segundos
Problemas complejos (aprox. 20%)IA asiste al personal, proporcionando análisis y borradoresEl tiempo de procesamiento manual se reduce en un 60%
En general-La eficiencia en la gestión de tickets mejora aproximadamente 3 veces

Publicación: API, incrustación web y servidor MCP

Publique aplicaciones Dify en sistemas externos; admite tres métodos: llamadas API, incrustación web y servidor MCP.

Publicar como API

Cada aplicación Dify tiene automáticamente una API REST. Seleccione API Access en la página de la aplicación para obtenerla.

Ejemplo de llamada API de aplicación de chat:

# 调用聊天 API(流式返回模式)
curl -X POST 'https://api.dify.ai/v1/chat-messages' \
  -H 'Authorization: Bearer {API_KEY}' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "你好",
    "response_mode": "streaming",
    "conversation_id": "",
    "user": "user-001"
  }'

Ejemplo de llamada API de aplicación de flujo de trabajo:

# 调用 Workflow API(阻塞模式)
curl -X POST 'https://api.dify.ai/v1/workflows/run' \
  -H 'Authorization: Bearer {API_KEY}' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {"your_variable": "your_value"},
    "response_mode": "blocking",
    "user": "user-001"
  }'

El formato de la API Key comienza con app-. Asegúrese de pasarla en el encabezado de la solicitud como Authorization: Bearer, no como parámetro de consulta. Cada API Key corresponde únicamente a una aplicación concreta; las claves de diferentes aplicaciones no son intercambiables.

Incrustación web

En la página de la aplicación, seleccione Overview, haga clic en Embedded; se ofrecen tres métodos de incrustación:

Método 1: Incrustación con iframe

Ejemplo

<!-- Incrustación con iframe, adecuado para integrarse directamente en una página web existente -->
<iframe
 src="https://udify.app/chatbot/xxxxxxxx"
 style="width: 100%; height: 100%; min-height: 700px"
 frameborder="0"
 allow="microphone">
</iframe>

Método 2: Botón de burbuja (flotando en la esquina inferior derecha de la página web)

Ejemplo

<!-- Incrustación con botón de burbuja, flotando en la esquina inferior derecha de la página web; al hacer clic se abre la ventana de chat -->
<script>
  window.difyChatbotConfig = { token: 'xxxxxxxx' }
</script>
<script
 src="https://udify.app/embed.min.js"
 id="xxxxxxxx"
 defer>
</script>

Método 3: Página web a pantalla completa, acceso independiente; comparta directamente el enlace https://udify.app/chat/xxxxxxxx.

Publicar como servidor MCP

Dify admite publicar flujos de trabajo o agentes construidos como servidores MCP estándar, con soporte para modos de preautorización y sin autenticación.

Esto significa que la aplicación de preguntas y respuestas sobre base de conocimiento que crees en Dify puede convertirse directamente en un nodo de herramienta para herramientas de programación con IA como Claude Code, Cursor, omp, integrándose sin problemas en el flujo de trabajo de desarrollo.

Ruta de operación: en la aplicación, seleccione Publish y haga clic en MCP Server.


Observabilidad: monitoreo y optimización continua

Monitoree y optimice continuamente el rendimiento de las aplicaciones de IA mediante registros, anotaciones, estadísticas e integración con plataformas externas.

Ver registros de la aplicación

En la página de la aplicación, seleccione Logs (Registros) para ver la entrada/salida completa de cada conversación, el uso de tokens (estadísticas separadas para entrada y salida), el tiempo de respuesta, el modelo y la información de parámetros.

Anotar conversaciones

En los registros, haga clic en una conversación concreta y luego en el botón de pulgar arriba o pulgar abajo junto a la respuesta para añadir una respuesta ideal como anotación.

Los usos de los datos anotados incluyen: construir conjuntos de datos de ajuste fino mediante anotaciones, identificar áreas de cobertura que faltan en la base de conocimiento y descubrir tipos de problemas que fallan con frecuencia.

Estadísticas de datos de la aplicación

En la página de la aplicación, seleccione Overview y haga clic en Analytics (Análisis de datos) para ver:

Elemento de estadísticaDescripción
Tendencia del número de conversacionesCambio en el volumen de conversaciones por dimensión diaria/semanal/mensual
Consumo promedio de tokensMedia del uso de tokens por conversación
Puntuación de satisfacción del usuarioEstadísticas de distribución de pulgar arriba/abajo
Número de usuarios activosNúmero de usuarios únicos que usan la aplicación

Integración con plataformas de observación externas

Dify admite plataformas de observación como Opik, Langfuse y Arize Phoenix.

Tomando Langfuse como ejemplo: en Settings, seleccione Monitoring, elija Langfuse, ingrese la Public Key y la Secret Key y guarde. A partir de entonces, la cadena de llamadas de todas las aplicaciones se sincronizará automáticamente a Langfuse, donde podrá ver el seguimiento completo de Spans y el desglose del gasto en tokens.

Ciclo de optimización continua

Se recomienda establecer el siguiente proceso de optimización continua:

部署上线
  ↓
收集对话日志(1-2 周)
  ↓
分析差评对话:哪些问题回答得不好?
  ↓
改进知识库(补充文档、调整分块)或优化 Prompt
  ↓
A/B 测试:对比改进前后的效果
  ↓
再次部署

Costos y planes

Conozca la estructura de costos de Dify Cloud y del autoalojamiento, y elija el plan que mejor se adapte a sus necesidades.

Planes de Dify Cloud

PlanPrecio mensualDescripción
SandboxGratuito200 mensajes/mes, 5 aplicaciones, apto para escenarios de prueba
Professional$59/mes5,000 mensajes/mes, 50 aplicaciones, admite colaboración en equipo
Team$159/mes10,000 mensajes/mes, aplicaciones ilimitadas, soporte prioritario
EnterprisePersonalizadoUso ilimitado, opción de implementación privada, garantía SLA

Costo del autohospedaje

La versión comunitaria autoalojada es totalmente gratuita y sin ninguna restricción de uso.

Solo necesita pagar el costo de alojamiento del servidor (un VPS de aproximadamente $5-50/mes) y las tarifas de llamadas API de los modelos de IA.

Estimación de costos (autoalojado, 10,000 conversaciones/mes):

ComponenteEstimación de costo
VPS (4 núcleos, 8 GB)$20-40/mes
Claude Sonnet 4.6 (aprox. 1K tokens por conversación)~$30/mes
Embedding(text-embedding-3-small)~$2/mes
Total~$52-72/mes

En comparación con Dify Cloud Professional ($59/mes, más las tarifas de API del modelo), el autoalojamiento suele ser más económico cuando se usa a gran escala.

Consejos para reducir costos

ConsejoDescripción
Indexar la base de conocimiento en modo económicoCuando la búsqueda por palabras clave existente sea suficiente, no es necesario vectorizar
Elegir el modelo adecuadoPara preguntas y respuestas simples, use GPT-4o-mini o Gemini Flash; para tareas complejas, use el modelo insignia
Establecer un límite máximo de tokensConfigure max_tokens en el nodo LLM para evitar llamadas individuales demasiado largas
Habilitar cachéReutilizar automáticamente la respuesta anterior para preguntas similares (Prompt Cache)

Preguntas frecuentes y resolución de problemas

Incluye métodos de resolución de problemas para cuatro categorías principales: inicio, recuperación de base de conocimiento, llamadas API y flujos de trabajo.

Problemas de inicio

Problema: los servicios no están saludables después de docker compose up -d

Ejemplo

# Ver registros del contenedor api para localizar el error específico
docker compose logs api

# Ver registros del contenedor worker
docker compose logs worker

# Comprobar si la memoria es suficiente (se necesitan al menos 4 GB)
free -h

# Comprobar si los puertos están ocupados (80 o 443)
sudo lsof -i :80

Problema: al acceder a http://localhost se muestra 502 Bad Gateway

Ejemplo

# Esperar a que todos los contenedores se inicien por completo (normalmente 1-2 minutos)
docker compose ps

# Confirmar que api, web y worker estén todos en estado healthy y volver a acceder

Problemas de recuperación de la base de conocimiento

Problema: la base de conocimiento no recupera contenido relevante

Pasos de diagnóstico:

  1. En la base de conocimiento, haga clic en Retrieval Testing, pruebe la pregunta concreta y confirme si se puede recuperar.
  2. Si no se recupera: reduzca el umbral de similitud (de 0.6 a 0.3) y pruebe si hay resultados.
  3. Si aún no hay resultados: confirme que el modelo de embedding esté configurado correctamente y que la indexación de la base de conocimiento esté completa.
  4. Si hay resultados pero el contenido no es correcto: revise la estrategia de fragmentación de documentos y considere dividir manualmente los archivos grandes.

Problema: el contenido devuelto por RAG no es relevante

Revise el contenido de los chunks recuperados. Si los chunks no son relevantes, reduzca el tamaño del fragmento y aumente el umbral de puntuación. Si no se devuelve ningún chunk, el umbral puede estar demasiado alto; reduzca temporalmente a 0.3 y pruebe de nuevo. Al mismo tiempo, confirme que la base de conocimiento esté vinculada al panel de orquestación de la aplicación.

Problemas de llamadas a la API

Problema: la API devuelve 401 Unauthorized

Verifica el formato de la clave API: las claves API de las aplicaciones Dify comienzan con "app-". Asegúrate de pasarla en el encabezado de la solicitud como Authorization: Bearer, y no como parámetro de consulta. También confirma que esta clave API pertenece a la aplicación correcta: la clave es a nivel de aplicación, y las claves de diferentes aplicaciones no son intercambiables.

Problema: la respuesta de streaming se corta a mitad de camino

Esto suele ser un problema de tiempo de espera (timeout). Revisa la configuración de timeout del proxy inverso: Nginx tiene un valor predeterminado de 60 segundos, que puede no ser suficiente para flujos de trabajo complejos.

# nginx.conf 中增加超时配置,确保长时间运行的工作流不被中断
proxy_read_timeout 300s;
proxy_connect_timeout 300s;
proxy_send_timeout 300s;

Problemas de flujo de trabajo

Problema: un nodo del flujo de trabajo muestra un error

Pasos de solución de problemas:

  1. Abre el panel de depuración y revisa las entradas/salidas del nodo con error
  2. Haz clic en la marca roja junto al nodo para ver el mensaje de error detallado
  3. Causa común: ruta de referencia de variable incorrecta (verifica la ortografía de {{nombre_del_nodo.nombre_de_la_variable}})

Recursos

Rutas de aprendizaje recomendadas y recursos relacionados para ayudarte de principiante a experto.

Ruta de aprendizaje recomendada

注册 Dify Cloud,用 Sandbox 体验
    ↓
配置自己的模型提供商(Anthropic 或 OpenAI)
    ↓
创建第一个知识库,上传 5-10 个文档,测试检索效果
    ↓
创建 Chatbot 应用,关联知识库,完成场景实战一
    ↓
学习 Workflow,完成场景实战二(内容生成流水线)
    ↓
探索 Human Input 节点,完成场景实战三(客服 Agent)
    ↓
用 Docker Compose 搭建本地/服务器自托管版本
    ↓
通过 API 将 Dify 应用集成到现有系统
    ↓
探索 MCP Server 发布,接入 AI 编程工具生态

Recursos oficiales

RecursosEnlaceDescripción
Sitio web oficialdify.aiInformación del producto y acceso de registro
Documentacióndocs.dify.aiDocumentación completa de uso del producto
GitHubgithub.com/langgenius/difyCódigo abierto bajo Apache 2.0, puedes ver el código fuente y enviar Issues
Comunidad de Discorddiscord.gg/FngNHpbcY7Interactúa con miembros de la comunidad y el equipo oficial
Mercado de plantillasPlantillas dentro de la aplicaciónUsa directamente las plantillas de flujo de trabajo compartidas por la comunidad
Dify Blogdify.ai/blogActualizaciones de funciones y casos de uso
Preguntas frecuentes de la base de conocimientodocs.dify.ai/faqRespuestas oficiales a preguntas frecuentes
Otras extensiones