ragnar
Herramienta local RAG para chat sobre documentos PDF, Excel y Word con respuestas citadas, rechazos deterministas cuando el corpus no lo soporta y todo procesado en máquina sin salir del entorno.
Ficha actualizada 24 sept 2026, 12:37 · upstream 24 sept 2026, 12:30 · release sin release detectada
Qué es ragnar
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
RAGnar es una herramienta de chat RAG local diseñada para equipos pequeños que trabajan con sus propios documentos. Permite subir archivos PDF, Excel y Word desde la barra lateral y formular preguntas que se responden exclusivamente a partir del contenido indexado, nunca de conocimiento general del modelo.
El sistema procesa documentos con Docling manteniendo procedencia por página y hoja, realiza chunking estructural sin dividir páginas, usa vectores BGE-M3 en Qdrant combinados con vectores léxicos esparsos, y fusiona búsqueda densa y lexical mediante reciprocal rank. El modelo de respuesta (por defecto qwen2.5:14b) solo ve los fragmentos recuperados.
La privacidad es inherente a la arquitectura: todo corre en máquina local sin claves externas ni facturación por token. Los documentos se escriben en ./data y nunca salen del entorno. Docker define dos contenedores (app y qdrant) sin acceso a servicios externos.
- Responder preguntas sobre contratos legales con citas exactas a página y archivo
- Analizar hojas de presupuesto manteniendo integridad de tablas con encabezados repetidos
- Gestionar múltiples clientes mediante carpetas que delimitan el corpus de búsqueda
- Auditar respuestas verificando fuentes en panel expander sin inventar citas
- Procesar documentos escaneados con OCR automático cuando la densidad de texto es baja
- Rechazos deterministas: si el score de relevancia está por debajo del umbral (0.55 por defecto), el LLM nunca se llama
- Citas verificables construidas desde metadatos de chunks recuperados, no inventadas por el modelo
- Todo procesamiento local sin API keys externas ni facturación por token
- Chunking estructural que respeta límites de página y repite encabezados en tablas
- Búsqueda híbrida fusionando vectores densos BGE-M3 con vectores léxicos esparsos
- Requiere Ollama instalado nativamente en el host (Docker no puede acceder a GPU en macOS)
- La búsqueda de tablas tiene limitaciones estructurales: solo ve filas individuales, no cálculos globales
- El umbral de estrictitud 0.55 está calibrado con 5 puntos de datos, no es un conjunto golden
- Re-ranking desactivado reduce precisión y elimina el piso de relevancia
- La caché de vectores debe reconstruirse desde cero si cambia la estrategia de chunking
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Ejecutar ollama pull qwen2.5:14b y ollama pull bge-m3 antes del despliegue. Copiar .env.example a .env (HF_TOKEN opcional para rate limit). docker compose up -d --build. Puerto 8501. Docker Desktop bajo presión de memoria puede SIGKILL sin restart: unless-stopped. Qdrant usa volumen separado qdrant_storage. Archivos en ./data con caché por hash de contenido.
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.