RAGLight
RAGLight es un marco modular para Generación Aumentada por Recuperación (RAG). Facilita la integración de diferentes LLMs, embeddings y almacenes de vectores, y ahora incluye integración MCP sin problemas para conectar herramientas externas y fuentes de datos.
Construye sistemas de IA que puedan entender y recuperar información de documentos utilizando una biblioteca simple.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasRAGLight es un marco modular para Generación Aumentada por Recuperación (RAG). Facilita la integración de diferentes LLMs, embeddings y almacenes de vectores, y ahora incluye integración MCP sin problemas para conectar herramientas externas y fuentes de datos.
RAGLight tiene 670 estrellas en GitHub. Se ha bifurcado 101 veces. RAGLight está escrito principalmente en Python. Se desarrolla activamente desde 2024. RAGLight está disponible bajo la licencia MIT. Sus temas principales son: agentic-ai, agentic-rag, agentic-workflow, artificial-intelligence.
¿Qué es RAGLight?
RAGLight es un marco modular para Generación Aumentada por Recuperación (RAG). Facilita la integración de diferentes LLMs, embeddings y almacenes de vectores, y ahora incluye integración MCP sin problemas para conectar herramientas externas y fuentes de datos.
¿RAGLight es de código abierto?
RAGLight es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿RAGLight es gratis?
Sí. RAGLight es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está RAGLight?
RAGLight está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito RAGLight?
RAGLight está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/bessouat40-raglight.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.