haiku.rag
Haiku.RAG es un sistema de RAG agéntico para búsqueda local y auto-alojada de documentos. Utiliza LanceDB embebido, Pydantic AI y Docling para ingestión multimodal. Soporta recuperación híbrida, reranking y respuestas con citas a números de página y encabezados sin necesidad de API keys externas por
Ficha actualizada 26 sept 2026, 5:33 · upstream 25 sept 2026, 13:59 · release 0.89.0
Qué es haiku.rag
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Haiku.RAG es una solución de RAG (Retrieval-Augmented Generation) agéntica diseñada para búsqueda local y auto-alojada de documentos. Utiliza LanceDB como base de datos embebida, Pydantic AI para capacidades nativas y Docling para parsing de documentos con preservación de encabezados, tablas, imágenes y procedencia de página.
El sistema soporta recuperación híbrida (vectorial y full-text), reranking opcional con múltiples proveedores (cross-encoders, Jina, Cohere, Zero Entropy, vLLM, OpenRouter) y búsqueda multimodal con embedders como vLLM, OpenRouter, VoyageAI y Cohere. Las respuestas incluyen citas verificables a números de página y encabezados, con capacidad para ejecutar Python sandboxed sobre documentos para conteo y agregación.
La integración se realiza mediante API de Python, capacidades nativas de Pydantic AI, un servidor MCP para Claude Code/Codex/Claude Desktop y una aplicación web de referencia. El ingester permite ingestión continua desde filesystem, HTTP, S3, WebDAV con colas SQLite o PostgreSQL, control plane y dashboard. Incluye herramientas como haiku-rag doctor para health checks.
La verificación de citas se realiza dibujando chunks en imágenes de página desde CLI, chat TUI o Python. Soporta almacenamiento remoto en S3, GCS, Azure o LanceDB Cloud además del embebido local.
- Análisis de documentos PDF y Office con preservación de estructura para Q&A con citas verificables
- Chat multi-turn local sin API keys usando Ollama por defecto para embeddings y modelos de lenguaje
- Integración con Claude Code, Codex y Claude Desktop mediante servidor MCP para búsqueda y lectura de documentos
- Búsqueda multimodal que recibe imágenes junto con texto para análisis visual de figuras en documentos
- Ingestión continua automatizada desde múltiples fuentes (filesystem, HTTP, S3, WebDAV) con colas de trabajo
- Ejecución de Python sandboxed sobre documentos para operaciones de conteo y agregación contextual
- Funciona embebido sin necesidad de servidor externo ni API keys por defecto usando Ollama local
- Verificación visual de citas dibujando chunks en imágenes de página desde CLI o TUI
- Soporte nativo para múltiples proveedores de reranking y embedders (Jina, Cohere, vLLM, OpenRouter)
- Preservación completa de estructura documental: encabezados, tablas, imágenes y procedencia de página
- Integración directa con ecosistema MCP para asistentes de IA como Claude Code y Codex
- Ingestión continua desde múltiples fuentes con control plane, dashboard y rollback disponible
- Requiere Python 3.12 o superior; no incluye Dockerfile ni compose por defecto (instalación manual)
- Por defecto depende de Ollama para embeddings y modelos; otros proveedores son extras
- La base de datos principal es LanceDB embebido, no PostgreSQL (este último solo para colas de trabajo opcionales)
- Algunas funcionalidades avanzadas requieren instalar extras como haiku.rag[ingester] o haiku.rag-slim
- El servidor MCP requiere configuración explícita en Claude Code/Codex mediante marketplace o comandos manuales
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instalar con pip: 'pip install haiku.rag' (completo) o 'haiku.rag-slim' (core). Para ingestión continua, instalar extras: 'pip install haiku.rag[ingester]'. Inicializar con 'haiku-rag init', añadir fuentes con 'haiku-rag add-src <ruta>', buscar con 'haiku-rag search' y preguntar con 'haiku-rag ask'. Para modelos alternativos a Ollama, configurar en configuración. El ingester se sirve con 'haiku-ingester serve'. Verificar salud con 'haiku-rag doctor'. Los ejemplos Docker están en /examples/docker.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.