rag-system-pgvector
Sistema RAG construido con Node.js y PostgreSQL + pgvector para búsqueda semántica y recuperación híbrida sobre datos privados. Permite consultar documentos y bases de conocimiento mediante lenguaje natural, integrando embeddings vectoriales directamente en la base de datos relacional.
Ficha actualizada 24 sept 2026, 11:07 · upstream 24 sept 2026, 10:58 · release sin release detectada
Qué es rag-system-pgvector
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
rag-system-pgvector es una aplicación de Recuperación Aumentada con Generación (RAG) diseñada para permitir búsquedas semánticas sobre datos propios utilizando PostgreSQL y la extensión pgvector. El sistema procesa documentos locales, como notas o PDFs, generando embeddings que se almacenan en la base de datos relacional, lo que facilita consultas complejas sin depender únicamente de coincidencias de texto exacto.
El proyecto está orientado a entornos de desarrollo con Node.js y TypeScript, aunque el README sugiere compatibilidad con Docker. Requiere PostgreSQL 15 o superior con pgvector instalado para manejar los vectores. La arquitectura es ligera (LOW complexity), optimizada para ejecutarse en máquinas con al menos 8 GB de RAM y 5 GB de disco libre, permitiendo una integración sencilla en flujos de trabajo locales.
El flujo de trabajo implica la ingestión de documentos, su transformación en vectores semánticos y el almacenamiento en PostgreSQL. Al realizar una consulta, el sistema recupera el contexto relevante mediante búsqueda vectorial y lo envía a un modelo de lenguaje (como OpenAI) para generar respuestas precisas. Esto es ideal para crear bases de conocimiento internas o asistentes de soporte que operan sobre datos sensibles almacenados localmente.
- Búsqueda semántica en repositorios de documentación técnica o manuales internos.
- Creación de chatbots privados que responden sobre datos almacenados en la base de datos local.
- Análisis de notas y archivos PDF para extraer respuestas específicas sin exponer datos a la nube.
- Implementación de sistemas de preguntas frecuentes (FAQ) automatizados con contexto vectorial.
- Utiliza PostgreSQL nativo con pgvector, evitando dependencias externas de bases de datos vectoriales dedicadas.
- Arquitectura ligera basada en Node.js y TypeScript, compatible con entornos de desarrollo estándar.
- Soporte para búsqueda híbrida combinando coincidencia léxica y semántica mediante embeddings.
- Configuración flexible mediante archivo .env para gestionar credenciales de la base de datos y claves API de LLMs.
- No incluye Dockerfile ni docker-compose.yml por defecto, requiriendo configuración manual de PostgreSQL.
- Depende de un proveedor externo (como OpenAI) para la generación del texto, no es totalmente autónomo en LLM.
- Los requisitos de sistema sugieren al menos 8 GB de RAM y 5 GB de disco libre para una instalación local estable.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instalar Node.js 20+, descargar el proyecto desde GitHub y ejecutar npm install. Configurar PostgreSQL 15+ con la extensión pgvector habilitada antes de iniciar la aplicación. Es necesario definir variables de entorno en un archivo .env (DATABASE_URL, OPENAI_API_KEY). Si se desea usar contenedores, se debe instalar Docker Desktop manualmente, ya que no hay archivos de composición incluidos por defecto. Acceder a la interfaz web localmente en el puerto indicado (habitualmente 3000 o 5173) tras iniciar los servicios.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.