Mecanismo RAG open source que combina geração aumentada por recuperação com recursos de agentes para oferecer uma camada de contexto a aplicações com LLMs.
92,5 mil11 milGoApache-2.0Atualizado anteontem
SensAI-PT/RAGMeUp
Framework RAG genérico e extensível para criar aplicações com LLM que respondem a perguntas sobre seus próprios dados, com interface em React e servidor em Python.
- Estrelas
- 678
- Forks
- 98
- Issues abertas
- 0
- Último commit
- mês passado
O que é?
RAG Me Up é um framework para criar aplicações de Retrieval-Augmented Generation, nas quais uma LLM responde a perguntas usando documentos ou dados fornecidos por você. Ele é composto por um servidor RAG em Python, um servidor de API em Node.js com PostgreSQL e um cliente em React, permitindo desenvolver e executar a lógica de recuperação e a interface web separadamente.
O projeto foi desenvolvido para ser modular: você pode substituir os chunkers, vector stores e retrievers por implementações próprias. Ele inclui uma configuração do Docker Compose para executar toda a stack em uma única máquina. O servidor Python roda em modo somente CPU dentro do Docker, e um modo híbrido permite executá-lo diretamente no host para usar uma GPU local em embeddings e inferência.
O repositório também traz um link para um site de documentação com informações sobre configuração, arquitetura e referências da API. O projeto é mantido pela SensAI.PT, que informa usá-lo em seu próprio produto de personal trainer com IA.
Recursos principais
- 01Design modular com chunkers, vector stores e retrievers substituíveis.
- 02Configuração do Docker Compose que inicia o PostgreSQL, a API em Node.js e o cliente em React.
- 03Modo híbrido que executa o servidor RAG em Python no host para permitir acesso à GPU/CUDA.
- 04Inclui uma interface web em React para interagir com a aplicação RAG.
- 05Usa PostgreSQL (ParadeDB) como banco de dados.
Casos de uso
- Prototipar um assistente de perguntas e respostas baseado nos seus próprios documentos.
- Criar um chatbot especializado em um domínio, apoiado por uma base de conhecimento personalizada.
- Executar uma stack RAG auto-hospedada com embeddings acelerados por GPU em uma máquina local.
Início rápido
- 1
Clone o repositório
git clone https://github.com/SensAI-PT/RAGMeUp.git - 2
Acesse o diretório do projeto
cd RAGMeUp - 3
Crie o arquivo env do Docker com base no exemplo e defina POSTGRES_PASSWORD e JWT_SECRET nele
cp docker-compose.env.example docker-compose.env - 4
Compile e inicie todos os serviços com Docker Compose
docker compose --env-file docker-compose.env up --build -d
Antes de usar
- A configuração completa do Docker executa o servidor Python apenas na CPU; para usar GPU, é necessária uma configuração híbrida separada.
- A configuração exige Docker e o ajuste de vários serviços e variáveis de ambiente.
Tópicos
Perguntas frequentes
- O que é RAGMeUp?
- Framework RAG genérico e extensível para criar aplicações com LLM que respondem a perguntas sobre seus próprios dados, com interface em React e servidor em Python. RAG Me Up é um framework para criar aplicações de Retrieval-Augmented Generation, nas quais uma LLM responde a perguntas usando documentos ou dados fornecidos por você. Ele é composto por um servidor RAG em Python, um servidor de API em Node.js com PostgreSQL e um cliente em React, permitindo desenvolver e executar a lógica de recuperação e a interface web separadamente.
- RAGMeUp é gratuito? Qual é a licença?
- RAGMeUp é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- RAGMeUp ainda é mantido?
- Atualizado nos últimos 6 meses. O último commit de RAGMeUp foi em 12 de set. de 2026.
- Para que posso usar RAGMeUp?
- Prototipar um assistente de perguntas e respostas baseado nos seus próprios documentos. Criar um chatbot especializado em um domínio, apoiado por uma base de conhecimento personalizada. Executar uma stack RAG auto-hospedada com embeddings acelerados por GPU em uma máquina local.
- Como instalar RAGMeUp?
- Clone o repositório: git clone https://github.com/SensAI-PT/RAGMeUp.git Acesse o diretório do projeto: cd RAGMeUp Crie o arquivo env do Docker com base no exemplo e defina POSTGRES_PASSWORD e JWT_SECRET nele: cp docker-compose.env.example docker-compose.env Compile e inicie todos os serviços com Docker Compose: docker compose --env-file docker-compose.env up --build -d
- Onde consigo RAGMeUp?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/SensAI-PT/RAGMeUp
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Um framework leve de RAG com grafo de conhecimento e servidor que indexa documentos como entidades e relações para gerar respostas de LLM com recuperação de informações.
40,2 mil5,7 milPythonMITAtualizado há 7 dias
Framework Python de código aberto para criar aplicações LLM prontas para produção, com pipelines modulares e fluxos de agentes para RAG, busca e agentes.
26,8 mil3,3 milPythonApache-2.0Atualizado anteontem
Framework RAG completo para consultar documentos que combinam texto, imagens, tabelas e equações, desenvolvido sobre o LightRAG.
IA e Machine Learning#rag#multimodal#retrieval-augmented-generation#knowledge-graph#document-parsing
23,9 mil2,8 milPythonMITAtualizado há 10 dias
Toolkit de recuperação de informações da BAAI com modelos BGE de embeddings e reranking, além de recursos para treinamento, avaliação e tutoriais de busca e RAG.
12,3 mil1,1 milPythonMITAtualizado há 2 meses
Uma camada de memória para agentes e apps de IA que armazena e recupera contexto de usuários, sessões e agentes entre conversas.
67,5 mil8 milPythonApache-2.0Atualizado anteontem