Motor de búsqueda local con IA que indexa automáticamente cualquier carpeta (código, documentos, registros, PDF) y ofrece la API de Elasticsearch, desarrollado en Rust.
18,6 mil+664 esta semana1,4 milRustApache-2.0Actualizado hace 4 horas
elastic/elastic-labs
Notebooks ejecutables de Python, aplicaciones de ejemplo y recursos para probar Elasticsearch en casos de uso de búsqueda, observabilidad y seguridad.
- Estrellas
- 1,140
- Forks
- 280
- Issues abiertos
- 52
- Último commit
- hace 4 días
¿Qué es?
elastic-labs es una colección de notebooks ejecutables de Python y aplicaciones de ejemplo del equipo de Search de Elastic. Incluye casos sobre cómo usar Elasticsearch como base de datos vectorial, crear aplicaciones RAG y chatbots, y ejecutar búsquedas híbridas. También contiene material sobre observabilidad basada en OpenTelemetry con consultas ES|QL, ingeniería de detección de seguridad y pruebas de ataques a aplicaciones con LLM.
Los notebooks abarcan kNN y búsqueda híbrida con reciprocal rank fusion, búsqueda semántica con ELSER y multilingual E5, reglas de consulta, sinónimos, learning to rank y reranking semántico. Los ejemplos de integración conectan Elasticsearch con OpenAI, Hugging Face, Cohere, Amazon Bedrock, Anthropic y LangChain. Se incluyen tres aplicaciones de ejemplo: una aplicación RAG de chatbot, una aplicación de búsqueda de conocimiento interno y un Relevance Workbench.
El proyecto cuenta con licencia Apache-2.0 y lo mantiene el equipo de Search de Elastic. El código de las aplicaciones de ejemplo no está cubierto por los servicios de soporte de Elastic.
Funciones clave
- 01Usa Elasticsearch como base de datos vectorial con búsquedas kNN e híbridas.
- 02Ofrece notebooks para búsqueda semántica con ELSER y multilingual E5.
- 03Incluye aplicaciones de ejemplo de RAG y chatbots basadas en Elasticsearch.
- 04Muestra integraciones con OpenAI, Hugging Face, Cohere, Amazon Bedrock, Anthropic y LangChain.
- 05Incluye ejemplos de observabilidad con OpenTelemetry y análisis de logs con ES|QL.
- 06Incluye consultas de detección de seguridad con ES|QL y EQL.
Casos de uso
- Aprender a crear funciones de búsqueda semántica o RAG con Elasticsearch.
- Crear un prototipo de chatbot que responda preguntas sobre documentos internos.
- Probar reglas de consulta, sinónimos y reranking para ajustar la relevancia de las búsquedas.
- Explorar consultas ES|QL para logs, datos de observabilidad o búsqueda de amenazas.
Inicio rápido
- 1
Abre en tu navegador, mediante Colab o localmente, un notebook de la carpeta notebooks, como el de inicio rápido de búsqueda
- 2
Ejecuta las celdas del notebook en tu propia implementación de Elasticsearch
Antes de usarlo
- Esta es una colección de ejemplos y notebooks, no una biblioteca instalable por sí sola.
- Los notebooks presuponen que tienes una implementación de Elasticsearch a la que conectarte.
- El soporte de Elastic no cubre el código de la aplicación de ejemplo de este repositorio.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es elastic-labs?
- Notebooks ejecutables de Python, aplicaciones de ejemplo y recursos para probar Elasticsearch en casos de uso de búsqueda, observabilidad y seguridad. elastic-labs es una colección de notebooks ejecutables de Python y aplicaciones de ejemplo del equipo de Search de Elastic. Incluye casos sobre cómo usar Elasticsearch como base de datos vectorial, crear aplicaciones RAG y chatbots, y ejecutar búsquedas híbridas. También contiene material sobre observabilidad basada en OpenTelemetry con consultas ES|QL, ingeniería de detección de seguridad y pruebas de ataques a aplicaciones con LLM.
- ¿elastic-labs es gratuito? ¿Qué licencia tiene?
- elastic-labs es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿elastic-labs sigue mantenido?
- Mantenimiento activo. El último commit de elastic-labs fue el 3 nov 2026.
- ¿Para qué puedo usar elastic-labs?
- Aprender a crear funciones de búsqueda semántica o RAG con Elasticsearch. Crear un prototipo de chatbot que responda preguntas sobre documentos internos. Probar reglas de consulta, sinónimos y reranking para ajustar la relevancia de las búsquedas. Explorar consultas ES|QL para logs, datos de observabilidad o búsqueda de amenazas.
- ¿Cómo se instala elastic-labs?
- Abre en tu navegador, mediante Colab o localmente, un notebook de la carpeta notebooks, como el de inicio rápido de búsqueda Ejecuta las celdas del notebook en tu propia implementación de Elasticsearch
- ¿Dónde consigo elastic-labs?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/elastic/elastic-labs
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Backend FastAPI para un agente conversacional RAG que indexa documentos en Qdrant, realiza búsquedas semánticas e híbridas y responde preguntas con LLM.
25744PythonMITBien mantenidoActualizado hace 8 días
Una base de datos de búsqueda nativa para IA que almacena datos vectoriales, de texto completo, estructurados y semiestructurados en un solo motor compatible con MySQL, para la memoria y la recuperación de agentes.
3,2 mil+23 esta semana1,3 milC++Apache-2.0Actualizado hace 5 horas
Framework de IA todo en uno para Python, basado en una base de datos de embeddings, que ofrece búsqueda semántica, RAG, orquestación de LLM y flujos de trabajo con modelos de lenguaje.
13,1 mil+37 esta semana972PythonApache-2.0Bien mantenidoActualizado hace 23 horas
Epsilla es una base de datos vectorial open source en C++ para búsquedas de similitud entre embeddings, con filtros de metadatos, búsqueda híbrida e integraciones de recuperación para LLM.
87446C++Apache-2.0Actualizado el mes pasado
Base de datos vectorial de código abierto que almacena objetos y vectores juntos y combina la búsqueda por similitud con filtros estructurados.
16,9 mil+9 esta semana1,4 milGoOtherActualizado hace 5 horas