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.
bibinprathap/VeritasGraph
Framework open source de GraphRAG y agentes que responde preguntas de varios saltos sobre un grafo de conocimiento con citas; funciona localmente con Ollama o en la nube.
- Estrellas
- 326
- Forks
- 39
- Issues abiertos
- 2
- Último commit
- ayer
¿Qué es?
VeritasGraph crea un grafo de conocimiento a partir de tus documentos y responde preguntas recorriendo las relaciones entre entidades, en lugar de limitarse a buscar coincidencias de texto por similitud. Cada respuesta incluye citas a las fuentes con el formato [doc#chunk], y el proyecto afirma que responde «evidencia insuficiente» cuando el grafo no ofrece respaldo.
El proyecto ofrece un paquete de Python instalable con pip, una CLI, una API de Python para ingerir y consultar PDF, y un servidor MCP que pone herramientas de ingestión y consulta a disposición de agentes de IDE como Claude Desktop y Cursor. Studio, un espacio de trabajo web local basado en FastAPI, permite crear grafos y agentes con herramientas, memoria, guardrails y redacción de PII, así como inspeccionar cada etapa del pipeline. Los modelos pueden ejecutarse mediante Ollama o cualquier proveedor compatible con OpenAI.
El repositorio también incluye ejemplos de distintos dominios: un grafo de conocimiento clínico con desidentificación y normalización de ICD-10/RxNorm/SNOMED/LOINC, un chatbot de incidentes municipales y VeritasReason, un motor basado en reglas para comprobar el cumplimiento de políticas.
Funciones clave
- 01Respuestas a preguntas de varios saltos sobre un grafo de conocimiento, con citas [doc#chunk].
- 02Navegación jerárquica en árbol por la estructura de los documentos, combinada con búsqueda en el grafo.
- 03Servidor MCP que pone herramientas de ingestión y consulta a disposición de agentes de IDE.
- 04Espacio de trabajo Studio local para crear grafos y agentes gobernados con guardrails y memoria.
- 05Compatible con Ollama y cualquier proveedor de modelos compatible con OpenAI.
- 06Visualización interactiva con PyVis de entidades y relaciones.
Casos de uso
- Responder preguntas sobre documentos internos cuando la respuesta depende de cómo se relacionan los datos.
- Ejecutar un sistema de preguntas y respuestas sobre documentos o agentes íntegramente en las instalaciones, con un modelo local de Ollama.
- Conectar un asistente de IDE como Cursor o Claude Desktop a un grafo de conocimiento privado.
- Crear prototipos de flujos de trabajo de cumplimiento normativo o verificación de políticas sobre registros estructurados.
Inicio rápido
- 1
Instala el paquete desde PyPI
pip install veritasgraph - 2
Ejecuta la demo interactiva en modo lite (necesita una clave de API en la nube, como OPENAI_API_KEY)
veritasgraph demo --mode=lite - 3
Ejecútalo completamente sin conexión con Ollama (necesita Ollama y unos 8 GB de RAM)
veritasgraph demo --mode=local --model=llama3.2
Antes de usarlo
- La demo rápida requiere una clave de API de pago de OpenAI o Anthropic.
- El modo sin conexión requiere una instalación local de Ollama y aproximadamente 8 GB de RAM.
- El flujo completo requiere Docker y una base de datos Neo4j.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es VeritasGraph?
- Framework open source de GraphRAG y agentes que responde preguntas de varios saltos sobre un grafo de conocimiento con citas; funciona localmente con Ollama o en la nube. VeritasGraph crea un grafo de conocimiento a partir de tus documentos y responde preguntas recorriendo las relaciones entre entidades, en lugar de limitarse a buscar coincidencias de texto por similitud. Cada respuesta incluye citas a las fuentes con el formato [doc#chunk], y el proyecto afirma que responde «evidencia insuficiente» cuando el grafo no ofrece respaldo.
- ¿VeritasGraph es gratuito? ¿Qué licencia tiene?
- VeritasGraph es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿VeritasGraph sigue mantenido?
- Mantenimiento activo. El último commit de VeritasGraph fue el 6 nov 2026.
- ¿Para qué puedo usar VeritasGraph?
- Responder preguntas sobre documentos internos cuando la respuesta depende de cómo se relacionan los datos. Ejecutar un sistema de preguntas y respuestas sobre documentos o agentes íntegramente en las instalaciones, con un modelo local de Ollama. Conectar un asistente de IDE como Cursor o Claude Desktop a un grafo de conocimiento privado. Crear prototipos de flujos de trabajo de cumplimiento normativo o verificación de políticas sobre registros estructurados.
- ¿Cómo se instala VeritasGraph?
- Instala el paquete desde PyPI: pip install veritasgraph Ejecuta la demo interactiva en modo lite (necesita una clave de API en la nube, como OPENAI_API_KEY): veritasgraph demo --mode=lite Ejecútalo completamente sin conexión con Ollama (necesita Ollama y unos 8 GB de RAM): veritasgraph demo --mode=local --model=llama3.2
- ¿Dónde consigo VeritasGraph?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/bibinprathap/VeritasGraph
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Aplicación web que usa LLMs y LangChain para convertir PDFs, documentos, videos y páginas web en un grafo de conocimiento almacenado en Neo4j.
Paquete oficial de Python para crear aplicaciones GraphRAG que combinan bases de datos de grafos Neo4j, LLM y búsqueda vectorial.
SDK de Python para crear aplicaciones GraphRAG con FalkorDB, que usan un grafo de conocimiento para recuperar contexto relacionado y responder con LLM indicando la procedencia de las fuentes.
Tutorial y proyecto modular de Agentic RAG con LangGraph, con indexación jerárquica, memoria conversacional y aclaración de consultas.
Herramienta en Rust que crea un grafo semántico de conocimiento de tu código y ofrece herramientas de análisis mediante MCP para agentes de programación.