Toolkit de Python para Retrieval-Augmented Generation que almacena y busca documentos en DuckDB o PostgreSQL.
RAGLite es un toolkit de Python para crear pipelines de Retrieval-Augmented Generation. Convierte PDFs y otros documentos a Markdown, los divide en fragmentos, genera embeddings y almacena todo en DuckDB o PostgreSQL, para que puedas recuperar pasajes relevantes y enviárselos a un LLM al responder preguntas.
La recuperación combina la búsqueda nativa por palabras clave y vectores de la base de datos (FTS con VSS en DuckDB, y tsvector con pgvector en PostgreSQL) y puede volver a ordenar los resultados con un reranker configurable. El acceso a los LLM y los modelos de embeddings se realiza mediante LiteLLM, incluidos los modelos locales de llama.cpp a través de llama-cpp-python. Además, el proyecto evita dependencias pesadas como PyTorch o LangChain.
Además de la recuperación básica, RAGLite ofrece un adaptador de consultas opcional calculado a partir de datos de evaluación, filtrado por metadatos, un servidor MCP integrado para clientes como Claude desktop y una interfaz de chat basada en Chainlit. También está disponible como extra la evaluación de la recuperación y la generación basada en Ragas.
Instala RAGLite desde PyPI
pip install ragliteConfigura RAGLite con una base de datos DuckDB o PostgreSQL y un LLM en Python
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Servidor de inferencia autohospedado que sirve modelos de embeddings, reranking, OCR, extracción, seguridad y LLM desde un solo clúster mediante una API compatible con OpenAI.
App de chat RAG que responde preguntas en lenguaje natural sobre filas de una tabla PostgreSQL mediante búsquedas con pgvector y modelos de OpenAI, y se puede desplegar en Azure.
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.
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.
Base de conocimiento autohospedada en Rust que crea un grafo de conocimiento bitemporal a partir de documentos, con búsqueda RAG, razonamiento basado en ontologías y acceso MCP para agentes.
Implementación de referencia en Python de RAG-Fusion, que combina reformulaciones de consultas con LLM, BM25, búsqueda vectorial y fusión recíproca de rangos para mejorar la recuperación; incluye evaluación con NFCorpus.