Motor RAG de código abierto que combina generación aumentada por recuperación y capacidades de agente para proporcionar una capa de contexto a aplicaciones con LLM.
92,5 mil11 milGoApache-2.0Actualizado anteayer
SensAI-PT/RAGMeUp
Framework RAG genérico y extensible para crear aplicaciones con LLM que responden preguntas sobre tus propios datos, con una interfaz React y un servidor Python.
- Estrellas
- 678
- Forks
- 98
- Issues abiertos
- 0
- Último commit
- el mes pasado
¿Qué es?
RAG Me Up es un framework para crear aplicaciones de generación aumentada por recuperación (RAG), en las que un LLM responde preguntas usando documentos o datos que proporcionas. Se organiza en un servidor RAG en Python, un servidor API en Node.js respaldado por PostgreSQL y un cliente React, de modo que la lógica de recuperación y la interfaz web se pueden desarrollar y ejecutar por separado.
El proyecto está diseñado de forma modular: puedes sustituir los segmentadores de texto, los almacenes vectoriales y los recuperadores por tus propias implementaciones. Incluye una configuración de Docker Compose para ejecutar toda la pila en una sola máquina. El servidor Python se ejecuta en modo solo CPU dentro de Docker, y un modo híbrido permite ejecutarlo directamente en el host para usar una GPU local para los embeddings y la inferencia.
El repositorio también enlaza a un sitio de documentación que cubre la configuración, la arquitectura y las referencias de la API. SensAI.PT mantiene el proyecto y afirma que lo utiliza en su propio producto de entrenador personal con IA.
Funciones clave
- 01Diseño modular con segmentadores de texto, almacenes vectoriales y recuperadores intercambiables.
- 02Configuración de Docker Compose que inicia PostgreSQL, la API en Node.js y el cliente React.
- 03Modo híbrido que ejecuta el servidor RAG en Python en el host para acceder a GPU/CUDA.
- 04Incluye una interfaz web en React para interactuar con la aplicación RAG.
- 05Usa PostgreSQL (ParadeDB) como base de datos.
Casos de uso
- Crear un prototipo de asistente de preguntas y respuestas sobre tus propios documentos.
- Crear un chatbot especializado en un dominio, respaldado por una base de conocimiento personalizada.
- Ejecutar una pila RAG autoalojada con embeddings acelerados por GPU en una máquina local.
Inicio rápido
- 1
Clona el repositorio
git clone https://github.com/SensAI-PT/RAGMeUp.git - 2
Entra en el directorio del proyecto
cd RAGMeUp - 3
Crea el archivo env de Docker a partir del ejemplo y configura POSTGRES_PASSWORD y JWT_SECRET
cp docker-compose.env.example docker-compose.env - 4
Compila e inicia todos los servicios con Docker Compose
docker compose --env-file docker-compose.env up --build -d
Antes de usarlo
- La configuración completa de Docker ejecuta el servidor de Python solo con CPU, por lo que para usar GPU se necesita una configuración híbrida aparte.
- La configuración requiere Docker y ajustar varios servicios y variables de entorno.
Temas
Preguntas frecuentes
- ¿Qué es RAGMeUp?
- Framework RAG genérico y extensible para crear aplicaciones con LLM que responden preguntas sobre tus propios datos, con una interfaz React y un servidor Python. RAG Me Up es un framework para crear aplicaciones de generación aumentada por recuperación (RAG), en las que un LLM responde preguntas usando documentos o datos que proporcionas. Se organiza en un servidor RAG en Python, un servidor API en Node.js respaldado por PostgreSQL y un cliente React, de modo que la lógica de recuperación y la interfaz web se pueden desarrollar y ejecutar por separado.
- ¿RAGMeUp es gratuito? ¿Qué licencia tiene?
- RAGMeUp es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿RAGMeUp sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de RAGMeUp fue el 12 sept 2026.
- ¿Para qué puedo usar RAGMeUp?
- Crear un prototipo de asistente de preguntas y respuestas sobre tus propios documentos. Crear un chatbot especializado en un dominio, respaldado por una base de conocimiento personalizada. Ejecutar una pila RAG autoalojada con embeddings acelerados por GPU en una máquina local.
- ¿Cómo se instala RAGMeUp?
- Clona el repositorio: git clone https://github.com/SensAI-PT/RAGMeUp.git Entra en el directorio del proyecto: cd RAGMeUp Crea el archivo env de Docker a partir del ejemplo y configura POSTGRES_PASSWORD y JWT_SECRET: cp docker-compose.env.example docker-compose.env Compila e inicia todos los servicios con Docker Compose: docker compose --env-file docker-compose.env up --build -d
- ¿Dónde consigo RAGMeUp?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/SensAI-PT/RAGMeUp
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Framework y servidor ligero de RAG con grafos de conocimiento que indexa documentos como entidades y relaciones para generar respuestas de LLM con recuperación aumentada.
40,2 mil5,7 milPythonMITActualizado hace 7 días
Framework open source de Python para crear aplicaciones LLM listas para producción con pipelines modulares y flujos de trabajo de agentes para RAG, búsqueda y agentes.
26,8 mil3,3 milPythonApache-2.0Actualizado anteayer
Framework RAG todo en uno para consultar documentos con texto, imágenes, tablas y ecuaciones, basado en LightRAG.
IA y Machine Learning#rag#multimodal#retrieval-augmented-generation#knowledge-graph#document-parsing
23,9 mil2,8 milPythonMITActualizado hace 10 días
Toolkit de recuperación de BAAI con modelos de embeddings y reranking BGE, además de herramientas de entrenamiento, evaluación y tutoriales para búsqueda y RAG.
12,3 mil1,1 milPythonMITActualizado hace 2 meses
Una capa de memoria para agentes y aplicaciones de IA que guarda y recupera el contexto de usuarios, sesiones y agentes entre conversaciones.
67,5 mil8 milPythonApache-2.0Actualizado anteayer