RagenAI
Ragen AI es una plataforma open-source de RAG para empresas que permite consultar documentos con IA en servidores propios, sin lock-in a proveedores. Ofrece API REST compatible con OpenAI y SDK TypeScript oficial.
Ficha actualizada 22 sept 2026, 18:52 · upstream 22 sept 2026, 18:36 · release v2.5.4
Qué es RagenAI
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Ragen es un repositorio de código abierto que proporciona una plataforma completa de Retrieval-Augmented Generation (RAG) diseñada para organizaciones que desean ejecutar su propia infraestructura en lugar de depender de servicios cloud. La solución incluye un backend de búsqueda híbrida con BM25 y Dense, un sistema de re-ranking con Cross-Encoder, generación automática de resúmenes de documentos al ingesta, control de permisos por documento y organización, API REST compatible con OpenAI, y SDK TypeScript oficial.
La arquitectura se construye sobre CQRS (Command Query Responsibility Segregation), con capas separadas para consultas, persistencia, vectorización y servicios. El sistema soporta múltiples organizaciones en un solo despliegue mediante guardas de tenencia a nivel de colección de Qdrant y validación de roles en la capa Prisma.
Se diferencia de soluciones genéricas por su enfoque en permisos granulares (por documento y carpeta), control de acceso estructural, métricas documentadas de calidad de búsqueda, y soporte para múltiples proveedores de modelos sin lock-in. También incluye herramientas de auditoría, monitoreo de conectores MCP y un panel administrativo separado del cliente final.
El proyecto fue construido manualmente durante dos años con 3.200 commits, incluyendo 34 ADRs (Architecture Decision Records) que documentan decisiones técnicas y rebotos deliberados. Incluye un agente de desarrollo autónomo que opera dentro de los límites definidos por el código.
- Crear una base de conocimiento interna para onboarding de empleados con procedimientos, contratos y historial del proyecto
- Implementar asistentes de chat corporativos en páginas web o aplicaciones internas, con respuestas verificables contra documentos públicos
- Construir un asistente personalizado detrás de tu propio producto que consulte documentación técnica, manuales de usuario y especificaciones
- Gestionar bases de conocimiento reguladas donde se requiere trazabilidad completa de quién pudo acceder a qué documento
- Integración con herramientas como Google Workspace, Slack o HubSpot mediante MCP para consultar datos en tiempo real durante conversaciones
- Automatizar respuestas a preguntas frecuentes basadas en documentación pública sin necesidad de entrenar un modelo desde cero
- Los permisos de acceso se aplican al nivel del documento y carpeta, no solo al workspace, permitiendo control granular
- Se implementó un sistema híbrido de búsqueda (BM25 + Dense) con re-ranking por Cross-Encoder para mejorar precisión en consultas complejas
- El modelo de tenencia es estructural: cada organización tiene su propia colección de Qdrant y guardas separadas, sin compartir datos entre instancias
- La API es compatible con OpenAI (Chat completions, Chat completions with tools) y el SDK TypeScript ofrece streaming, tipos completos y subida de archivos
- Se documentaron 34 ADRs que explican decisiones técnicas, rebotos y la arquitectura de CQRS aplicada al sistema
- El panel administrativo es independiente del cliente final: los roles y permisos se configuran en una capa separada con dos tipos de administrador
- La búsqueda híbrida depende de Qdrant, lo que introduce dependencia de un proveedor externo para el vector index
- El sistema no incluye autenticación de usuarios por defecto; se requiere configuración manual de roles y permisos en cada organización
- No hay capacidades nativas de guardado automático (auto-save) ni de recuperación ante fallos del servidor
- La generación de resúmenes de documentos se realiza manualmente mediante scripts, sin integración automática con LLMs externos
- El sistema no soporta consultas anónimas o respuestas públicas; todo lo que se indexa está vinculado a un usuario específico
- No incluye capacidades nativas de escalabilidad horizontal para el servicio de API sin migración adicional
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requisitos mínimos: Node.js >= 24.15.0, Docker >= 24.0, Compose >= v2.26, 8 GB RAM y 25 GB de disco SSD. No se requiere GPU para chat o embeddings. Se recomienda ejecutar en un entorno aislado (Docker) con permisos de red restringidos. Para producción, se recomienda usar el tag `sha-` del image para evitar compilaciones no necesarias. El despliegue incluye web, API, worker de ingestión y panel administrativo. Se sugiere configurar un firewall que solo permita puertos 3000 (API), 55432 (Qdrant), 3001 (Prisma) y 5001 (Redis).
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.