prostograf
Prostograf es un sistema RAG basado en grafos para equipos, desarrollado como fork de LightRAG. Incluye autenticación JWT, roles admin/user, control de acceso (ACL) por departamentos y soporte OCR opcional. Utiliza FastAPI, React y Rust.
Ficha actualizada 24 sept 2026, 19:12 · upstream 24 sept 2026, 18:51 · release sin release detectada
Qué es prostograf
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Prostograf es una plataforma de recuperación aumentada (RAG) basada en grafos diseñada para entornos corporativos y equipos. A diferencia del original LightRAG, añade una capa completa de gestión multiusuario con autenticación obligatoria mediante JWT, roles diferenciados (admin/user) y control de acceso basado en departamentos (ACL). Esto permite que los documentos estén físicamente aislados según el grupo, impidiendo fugas de información entre equipos.
La arquitectura combina FastAPI para la lógica del servidor, React 19 con Vite y Tailwind para el frontend, y utiliza Rust junto con Python. El backend soporta múltiples motores de búsqueda híbridos (naive, local, global, hybrid, mix) integrando bases de datos como PostgreSQL, Redis y OpenSearch. Ofrece capacidades avanzadas de gestión documental, incluyendo OCR opcional mediante MinerU o Docling para procesar imágenes y PDFs escaneados.
El sistema permite la evaluación de respuestas mediante reacciones (👍/👎) con historial en servidor, facilitando el análisis de calidad por parte de administradores. Soporta cualquier proveedor OpenAI-compatible (OpenRouter, vLLM, Groq, Ollama), permitiendo despliegues locales o en la nube sin ataduras a una única API.
- Soporte técnico interno: Los equipos consultan bases de conocimiento aisladas por departamento sin filtrar datos sensibles de otras áreas.
- Auditoría corporativa: Historial de chats con evaluaciones permite rastrear preguntas frecuentes y mejorar la calidad de las respuestas del modelo.
- Gestión del conocimiento en empresas híbridas: Uso de OCR opcional para indexar documentación escaneada o PDFs complejos sin perder contexto gráfico.
- Integración con infraestructura existente: Compatibilidad con endpoints OpenAI-compatible permite conectar LLMs propios (vLLM, Ollama) sin cambiar la aplicación.
- Sistema RAG híbrido con grafos de conocimiento y búsqueda vectorial para mayor precisión contextual.
- Control de acceso granular (ACL): documentos físicamente restringidos por departamento o rol.
- OCR opcional integrado: soporte para MinerU y Docling para procesar imágenes y PDFs escaneados.
- Multi-proveedor LLM: compatibilidad con OpenAI, vLLM, Groq, Ollama y más mediante configuración de endpoint.
- Historial de chats evaluado: sistema de reacciones (👍/👎) con causas para análisis administrativo.
- Independencia tecnológica: frontend React + backend FastAPI/Rust/Python sin acoplamiento a un único proveedor.
- Modelo de embeddings fijo tras la primera indexación: cambiarlo invalida los vectores existentes y requiere reconstrucción.
- Requiere Docker: no hay soporte nativo para despliegue directo en Python/Node sin contenedores.
- Configuración inicial manual: es necesario editar .env o usar el web UI para configurar claves API y modelos antes de usar.
- OCR externo obligatorio para imágenes: los PDFs escaneados requieren servicios externos (MinerU/Docling) configurados en .env.
- Complejidad alta: la arquitectura combina múltiples lenguajes (Rust, Python, JS) y bases de datos, aumentando el mantenimiento.
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Despliegue con Docker Compose. Cambiar contraseña admin inmediatamente tras el primer inicio. Usar HTTPS con reverse proxy; no exponer puerto 9621 directamente a internet. Realizar backups periódicos del volumen ./data (users.db, chats.db, rag_storage/, jwt_secret.txt). Configurar LLM y Embedding en .env o vía web UI antes de indexar documentos.
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.