# Dify: Guia Definitivo — Agentes IA No-Code com 144K Stars > Guia completo do Dify — a plataforma open-source com 144K stars no GitHub para criar agentes IA com workflow visual, RAG integrado e deploy via API.... Source: https://agentify.ia.br/blog/dify/ ## TL;DR O Dify é a plataforma open-source de agentes IA mais popular do GitHub (144K+ stars). Combina um workflow builder visual, engine de RAG, framework de agentes e gestão de modelos numa interface única. Self-hosted gratuito via Docker Compose ou cloud a partir de US$0. Melhor para: equipes que precisam de prototipagem rápida de apps IA com opção de hospedar em infraestrutura própria. Ponto fraco: orquestração multi-agente ainda básica comparada a frameworks code-first. ``` ┌─────────────────────────────────────────────────────────────────┐ │ SPIDER CHART — Dify │ ├─────────────────────────┬───────────────────────────────────────┤ │ Facilidade de Uso │ ████████████████████░░ 9/10 │ │ Workflow Visual │ █████████████████████░ 9.5/10 │ │ RAG Integrado │ ████████████████░░░░░ 8/10 │ │ Capacidade de Agentes │ ██████████████░░░░░░░ 7/10 │ │ Multi-Agent │ ██████████░░░░░░░░░░░ 5/10 │ │ Ecossistema/Plugins │ ██████████████░░░░░░░ 7/10 │ │ Self-Hosting │ █████████████████████ 10/10 │ │ Produção/Enterprise │ ████████████░░░░░░░░░ 6/10 │ └─────────────────────────┴───────────────────────────────────────┘ Média ponderada: 7.7/10 — Líder no-code, gaps em enterprise ``` --- ## Overview — Por Que 144K Stars? Se você acompanha o ecossistema de IA open-source, provavelmente já cruzou com o Dify em algum thread do Reddit, lista curada no X ou comparativo de ferramentas. E não é à toa — o projeto acumulou **144.000+ stars no GitHub**, tornando-se a plataforma open-source de aplicações IA mais popular do planeta. Mais que LangChain, mais que AutoGen, mais que qualquer outro framework da categoria. Mas popularidade no GitHub não é sinônimo de qualidade. Então a pergunta que importa: *por que* tanta gente está usando e estrelando esse projeto? A resposta curta: o Dify ocupa um nicho que ninguém ocupava bem — **a ponte entre no-code e pro-code para aplicações de IA**. Antes dele, suas opções eram: - **Código puro** (LangChain, LlamaIndex) — flexibilidade total, mas semanas de desenvolvimento para cada pipeline - **No-code genérico** (n8n, Make) — ótimos para automação, mas limitados para lógica de agentes e RAG - **Plataformas fechadas** (Relevance AI, Voiceflow) — boas interfaces, mas vendor lock-in e sem self-hosting O Dify entrou nesse vácuo oferecendo workflow visual *com* RAG nativo *com* framework de agentes *com* deploy via API *com* self-hosting gratuito. Tudo na mesma interface. Sem surpresa que atraiu uma comunidade gigante. ### Posicionamento no Ecossistema Para situar o Dify no mapa mental correto, pense nele como uma **plataforma LLMOps** — não apenas um framework ou uma ferramenta de automação. Ele compete em três frentes: - **Contra Flowise/Langflow:** Interface visual similar, mas com RAG integrado, gestão de modelos e deployment mais robusto - **Contra n8n com nós de IA:** Dify é *purpose-built* para LLMs, enquanto n8n é um automator genérico que adicionou IA depois - **Contra LangChain/CrewAI:** Abordagem oposta — visual-first vs code-first. Muitas equipes usam ambos: prototipam no Dify e migram lógica complexa para código O nome “Dify” vem de “Do It For You” — e a proposta é exatamente essa: construir apps de IA de produção sem escrever boilerplate de orquestração de LLMs do zero. --- ## Tutorial — Do Docker ao Primeiro Agente Vamos ao que interessa. Nesta seção, você vai subir uma instância local do Dify via Docker e criar seu primeiro agente visual funcional. ### Pré-requisitos **Hardware mínimo:** - CPU ≥ 2 cores - RAM ≥ 4 GiB (recomendado 8 GiB para workflows complexos) **Software:** - Docker 19.03+ (Linux) ou Docker Desktop (macOS/Windows) - Docker Compose 2.24.0+ - Git ### Passo 1 — Clonar o Repositório ``` git clone --branch "$(curl -s https://api.github.com/repos/langgenius/dify/releases/latest | jq -r .tag_name)" https://github.com/langgenius/dify.git ``` Esse comando já clona a tag da última release estável. Nada de ficar preso no `main` instável. ### Passo 2 — Configurar Variáveis de Ambiente ``` cd dify/docker cp .env.example .env ``` O `.env` vem com defaults sensatos. Mas você vai querer revisar pelo menos: - `SECRET_KEY` — gere uma chave aleatória (`openssl rand -hex 32`) - `INIT_PASSWORD` — senha do admin inicial - Configurações de modelo (OpenAI key, Anthropic key, ou Ollama para modelos locais) ### Passo 3 — Subir os Containers ``` docker compose up -d ``` O Dify levanta **11 containers**: - 5 serviços core: `api`, `worker`, `worker_beat`, `web`, `plugin_daemon` - 6 dependências: `weaviate` (vector store), `db_postgres`, `redis`, `nginx`, `ssrf_proxy`, `sandbox` Verifique se tudo subiu: ``` docker compose ps ``` Todos os containers devem estar com status `Up` ou `healthy`. ### Passo 4 — Configuração Inicial Acesse `http://localhost/install` no navegador. Crie a conta de administrador. Pronto — você está dentro do Dify. **Tempo total: ~15 minutos** (assumindo Docker já instalado e boa conexão para pull das imagens). ### Passo 5 — Criar Seu Primeiro Agente Agora que a plataforma está rodando, vamos criar um agente que consulta uma base de conhecimento: - **Criar Knowledge Base**: Vá em *Knowledge* → *Create Knowledge*. Faça upload de alguns documentos (PDFs, Markdown, TXT). O Dify vai chunkar, embedar e indexar automaticamente. - **Criar App do tipo Agent**: Vá em *Studio* → *Create App* → escolha **Agent**. Dê um nome descritivo. - **Configurar o Agente**: Selecione o modelo (GPT-4o, Claude 3.5, ou Llama via Ollama) - Em *Instructions*, escreva o system prompt: o que o agente é, como deve se comportar, restrições - Em *Tools*, conecte a Knowledge Base criada como ferramenta de busca - Opcionalmente, adicione tools como Web Search ou Code Interpreter - **Testar no Playground**: Use o chat embutido para conversar com o agente. Ele vai usar a Knowledge Base quando relevante e responder de forma autônoma. - **Publicar como API**: Clique em *Access API* e copie o endpoint. Agora qualquer aplicação pode consumir seu agente via REST. Você acabou de criar, sem escrever uma linha de código, um agente com RAG que: - Recebe perguntas em linguagem natural - Decide quando consultar a base de documentos - Gera respostas fundamentadas no conteúdo indexado - Expõe tudo como API pronta para integração --- ## Deep Dive — O Motor Por Baixo do Capô ### Workflow Builder O workflow builder é a funcionalidade mais emblemática do Dify — e onde ele realmente se diferencia de competidores. Funciona com um canvas drag-and-drop onde você conecta nós (nodes) para construir pipelines de IA. **Tipos de nós disponíveis:** Nó Função Start Ponto de entrada, define variáveis de input LLM Chamada a um modelo de linguagem com prompt configurável Knowledge Retrieval Busca vetorial na base de conhecimento Agent Nó autônomo que decide quais tools usar (Function Calling ou ReAct) Code Executa Python ou JavaScript inline HTTP Request Chamadas a APIs externas Conditional (IF/ELSE) Branching baseado em condições Iteration Loops sobre arrays de dados Template Formatação de texto com Jinja2 Variable Aggregator Combina outputs de múltiplos nós End Saída final do workflow O Dify oferece dois tipos de app baseados em workflows: - **Workflow**: Execução linear com inputs definidos e output estruturado. Ideal para pipelines batch — análise de documentos, geração de conteúdo, transformações de dados. - **Chatflow**: Workflows conversacionais com memória de chat. Perfeito para assistentes, suporte ao cliente, chatbots com RAG. **O nó Agent merece atenção especial.** Diferente dos outros nós que seguem lógica fixa, o Agent Node é autônomo — ele recebe uma tarefa, analisa quais ferramentas tem disponíveis e decide sozinho como resolver. Suporta duas estratégias de raciocínio: - **Function Calling**: Chamadas estruturadas a tools (estilo OpenAI) - **ReAct**: Chain-of-thought com ciclos de reason → act → observe Na prática, isso significa que dentro de um workflow linear você pode ter um nó que “pensa” de forma autônoma — o melhor dos dois mundos. ### RAG — Retrieval-Augmented Generation O pipeline de RAG do Dify é integrado à plataforma e cobre o ciclo completo: **Ingestão:** - Upload de documentos: PDF, TXT, HTML, Markdown, DOCX, CSV - Chunking automático com configuração de tamanho e overlap - Suporte a pre-processing (limpeza de texto) **Embedding:** - Modelos de embedding configuráveis (OpenAI, Cohere, modelos locais) - Vector store padrão: Weaviate (incluso no Docker Compose) - Opções alternativas: pgvector, Milvus, Qdrant, Chroma **Retrieval:** - Busca semântica (similaridade vetorial) - Hybrid retrieval (semântico + keyword) - Top-K configurável com reranking opcional - Suporte a multi-retrieval (consultar múltiplas knowledge bases em paralelo) **O conceito de Agentic RAG é onde fica interessante.** Com o Agent Node em workflows, o retrieval deixa de ser one-shot (busca → gera) e passa a ser iterativo: o agente analisa a intenção, seleciona fontes, reescreve queries, avalia evidências e tenta de novo se necessário. Isso melhora significativamente a fundamentação das respostas em cenários complexos. Na prática, testando com uma base de ~50 documentos, o RAG do Dify entrega resultados relevantes em ~85% das queries. Para cenários simples de Q&A sobre documentação, é suficiente. Para casos que exigem metadata filtering avançado ou retrieval multi-hop, você vai sentir as limitações. ### Tool Use e Plugins Agentes no Dify podem usar ferramentas — e aqui entra o ecossistema de plugins inaugurado na v1.0: **Tools built-in:** - Web Search (Google, Bing, DuckDuckGo) - Code Interpreter (Python/JS sandboxed) - HTTP Request - Wikipedia - Calculator - Weather **Custom Tools:** - Defina qualquer API como tool via OpenAPI/Swagger schema - O agente recebe a descrição da tool e decide quando usá-la - Suporte a autenticação (API key, Bearer token, Basic auth) **Plugin Marketplace:** - Marketplace comunitário com plugins instaláveis - Integrações com Slack, Notion, databases, serviços externos - Plugins podem adicionar novos model providers, tools ou extensions A arquitetura plugin-first (introduzida na v1.0) transformou o Dify de uma plataforma monolítica para um ecossistema extensível. Se a integração que você precisa não existe, é possível desenvolver seu próprio plugin. ### Multi-Agent Aqui precisamos ser honestos: o suporte multi-agente do Dify existe, mas é **básico comparado a frameworks dedicados** como CrewAI ou AutoGen. O que funciona: - Nó Agent dentro de workflows pode ser encadeado com outros nós Agent - Cada nó Agent tem suas próprias tools e instruções - É possível criar hierarquias simples (agente principal → agentes especializados) O que falta: - Não há conceito nativo de “crew” ou “roles” com delegação automática - Comunicação inter-agente é via passagem de variáveis no workflow, não diálogo natural - Sem mecanismos built-in de consenso, votação ou debate entre agentes - Debugging de fluxos multi-agente pode ser opaco Se multi-agent orchestration sofisticada é seu caso de uso principal, o Dify sozinho não resolve. Mas para cenários onde você precisa de 2-3 agentes especializados em etapas diferentes de um pipeline, funciona adequadamente. ### API Publishing Talvez a feature mais underrated do Dify: **qualquer app ou workflow que você cria pode ser exposta como API REST com um clique**. O que você ganha: - Endpoint REST completo com autenticação via API key - Streaming response (Server-Sent Events) - Async execution para workflows longos - Webhooks para notificações - SDKs oficiais (Python, JavaScript) - Rate limiting e controle de quotas Isso transforma o Dify de “ferramenta de playground” para “backend de IA em produção”. Seu frontend React, app mobile, integração com Slack ou sistema legado — qualquer coisa pode consumir os agentes via API. --- ## Spider Chart — Análise por Eixos ``` Facilidade de Uso (9) │ │ Self-Hosting (10) ─────┼───── Workflow Visual (9.5) ╱│╲ ╱ │ ╲ ╱ │ ╲ Produção/ ╱ │ ╲ RAG Enterprise (6) ─────╱────┼────╲───── Integrado (8) ╲ │ ╱ ╲ │ ╱ ╲ │ ╱ ╲ │ ╱ Ecossistema (7) ──────┼───── Agentes (7) │ │ Multi-Agent (5) ``` **Detalhamento:** Eixo Score Justificativa Facilidade de Uso 9/10 Interface intuitiva, onboarding rápido, templates prontos. Qualquer dev sobe um agente em 30 min. Workflow Visual 9.5/10 Melhor canvas de workflows para IA no mercado open-source. Nós ricos, Agent Node autônomo, debug por nó. RAG Integrado 8/10 Pipeline completo drag-and-drop. Bom para 80% dos casos. Perde para soluções code-first em cenários avançados. Capacidade de Agentes 7/10 Function Calling + ReAct, tools configuráveis, sandbox de código. Sólido, mas não bleeding-edge. Multi-Agent 5/10 Encadeamento básico via workflow. Sem orquestração sofisticada nativa. Gap mais evidente da plataforma. Ecossistema/Plugins 7/10 Marketplace crescendo, comunidade ativa. Ainda não tem a profundidade de ecossistemas maduros. Self-Hosting 10/10 Docker Compose, K8s, AWS AMI. Gratuito, sem restrições de features. Melhor proposta de self-host da categoria. Produção/Enterprise 6/10 Funciona para apps internas e chatbots. SSO/RBAC/compliance ainda amadurecendo. --- ## Prós e Contras — A Visão Sem Filtro ### ✅ Prós - **Open-source genuíno com comunidade massiva** — 144K stars não mentem. Issues respondidas rápido, releases frequentes, roadmap transparente. - **Workflow visual que funciona de verdade** — Não é um toy. Gente roda pipelines de produção no canvas sem tocar em código. - **Model-agnostic de nascença** — OpenAI, Anthropic, Google, Meta, Azure, Ollama (modelos locais). Troca de modelo por nó. Otimize custo usando modelo barato para classificação e premium para geração. - **Self-hosting sem pegadinhas** — A versão self-hosted tem as mesmas features do cloud. Zero taxa de licença. Seus dados ficam na sua infra. - **RAG end-to-end sem código** — Upload de documento → chunking → embedding → retrieval → geração. Pipeline completo em clicks. - **API publishing instantâneo** — Cada app vira endpoint REST. Com streaming, auth, SDKs. Integre com qualquer coisa. - **Custo efetivo** — Self-hosted + Ollama = custo zero de LLM (só infra). Cloud a partir de grátis. Professional a US$59/mês — menos que horas de dev. - **Velocidade de prototipagem** — O que levaria dias com LangChain, faz em 45 minutos no Dify. Ideal para validação rápida de ideias. ### ❌ Contras - **Multi-agent é básico** — Se você precisa de crews com roles, delegação, debate entre agentes — CrewAI e AutoGen fazem isso muito melhor. - **Sem frontend nativo** — O Dify é backend/orquestração. O widget de chat embutido é funcional mas limitado. Para UI polida, você vai construir por conta. - **Documentação atrasa features** — Funcionalidades novas às vezes chegam antes da documentação. Vai acabar caçando respostas em issues do GitHub. - **Canvas fica pesado com 20+ nós** — Performance degrada visualmente em workflows complexos. Não é blocker, mas irrita. - **Observabilidade limitada** — Logs built-in são funcionais mas rasos. Monitoramento sério precisa de Langfuse, Grafana ou similar externo. - **Enterprise governance imaturo** — SSO, RBAC granular, audit logs, compliance (SOC 2) — tudo existe mas não está centralizado nem polido. Valide direto com o time do Dify antes de enterprise deploy. - **Sem version control nativo de workflows** — Quer rollback? Exporte JSON manualmente. Não tem git-like history integrado. - **Metadata filtering no RAG é limitado** — Para filtros complexos no retrieval, você vai precisar de workarounds ou trocar o vector store. --- ## Quando Usar — E Quando Não Usar ### Use o Dify Quando… - **Você quer prototipar rápido** — MVP de chatbot com RAG em uma tarde. Validar ideia de agente sem semanas de código. - **Self-hosting é requisito** — Dados sensíveis, compliance interno, ou simplesmente preferência por infraestrutura própria. O Dify é imbatível aqui. - **Sua equipe não é 100% devs** — Product managers, analistas e designers conseguem montar workflows e testar. Barreira de entrada baixa. - **Você precisa de RAG sem complexidade** — Base de conhecimento interna, suporte ao cliente, Q&A sobre documentação. Pipeline completo out-of-the-box. - **Deploy rápido como API** — Precisa expor um agente como serviço para outros times ou sistemas consumirem. Um clique. - **Budget é limitado** — Self-hosted é grátis. Mesmo o cloud é mais barato que a maioria das alternativas pagas. ### Não Use o Dify Quando… - **Multi-agent sofisticado é o core** — Crews com hierarquias, delegação, loops de debate. Use [CrewAI ou frameworks code-first](/blog/agent-frameworks-vs-coding-agents). - **Você quer controle absoluto sobre cada abstração** — Se a felicidade está em customizar cada detalhe do pipeline em Python, LangChain/LangGraph servem melhor. - **Enterprise compliance é day-one requirement** — SOC 2, ISO, RBAC granular auditável. Valide com o time do Dify primeiro. - **Sua aplicação precisa de UI complexa** — O Dify não é um construtor de frontend. Você vai precisar de stack separado para a interface do usuário. - **Você precisa de MCP Servers ou tool integration nativa com ecossistemas específicos** — Para cenários onde [ferramentas, tools e MCP servers](/blog/ferramentas-tools-e-mcp-servers) são o centro da arquitetura, avalie se os plugins do Dify cobrem seu caso. --- ## Pricing — Resumo Rápido Plano Preço Ideal para Self-hosted Grátis Equipes com DevOps. Controle total. Sandbox (cloud) US$0/mês Testar a plataforma. 200 credits. Professional US$59/mês Times pequenos (3 pessoas). 5K credits. Team US$159/mês Times médios (50 pessoas). 10K credits. Enterprise Custom Grandes orgs. Tudo custom. **Dica de custo zero:** Self-host + Ollama (modelos locais como Llama 3, Mistral, Phi) = agentes de IA sem nenhum custo de API. Só paga a infra (~US$20-40/mês em VPS básico). --- ## Veredito Final O Dify é, hoje, a **melhor plataforma visual open-source para construir aplicações de IA**. Não é o mais flexível (LangChain), nem o melhor para multi-agent (CrewAI), mas é o mais *completo* como plataforma que pega você do zero ao deploy em produção — visualmente, sem boilerplate, com self-hosting real. As 144K stars refletem uma comunidade que encontrou algo que realmente resolve um problema: a barreira de entrada para colocar agentes IA em produção. Se sua equipe precisa de velocidade, controle sobre a infraestrutura e uma curva de aprendizado gentil, comece pelo Dify. Se precisar ir além — multi-agent orchestration, MCP servers, integrações profundas — combine-o com [frameworks code-first](/blog/agent-frameworks-vs-coding-agents) ou explore o ecossistema de [ferramentas e tools via MCP](/blog/ferramentas-tools-e-mcp-servers). --- **Quer uma análise personalizada de qual plataforma de agentes IA se encaixa no seu projeto?** Agende uma conversa com a gente em [ft.ia.br](https://ft.ia.br) — ajudamos equipes a escolher, implementar e escalar arquiteturas de agentes em produção. -->