LinkingMem — Graph-native RAG Engine
khapu2906 · Programación · Aprendizaje
LinkingMem es un motor RAG nativo de grafos que funciona como servicio Docker autoalojado y enlaza la búsqueda vectorial con el recorrido de grafos para que un LLM responda preguntas a partir de tus propios documentos. En vez de emparejar fragmentos de texto solo por similitud, recorre las aristas entre entidades para reunir hechos relacionados en una respuesta fundamentada. Esa es toda la idea. Si quieres una canalización RAG que controles de principio a fin, en tu propio hardware, esto está hecho para eso.
Acerca de LinkingMem — Graph-native RAG Engine
Qué es LinkingMem
LinkingMem es un motor de recuperación para construir sistemas de preguntas y respuestas sobre datos privados. Combina un núcleo de cómputo en Rust con complementos en Python, y trata el grafo de conocimiento como una parte central de la recuperación y no como un añadido tardío. Una consulta entra en la canalización, se convierte en vector, llega a un índice vectorial HNSW y luego se expande por las aristas del grafo antes de que el LLM escriba la respuesta final. Ese orden importa. El paso por el grafo es lo que conecta hechos que no comparten vocabulario.
El motor se distribuye como imagen de Docker, así que lo ejecutas tú mismo. El tratamiento de texto e imágenes vive en complementos separados que puedes iniciar u omitir, y el cliente LLM habla el protocolo compatible con OpenAI. Elige tu backend. Los endpoints compatibles con OpenAI, Ollama, Groq y Gemini funcionan, algo útil cuando quieres mantener la inferencia en local.
El principal inconveniente es el coste de configuración. LinkingMem pide Rust 1.80+ y Python 3.11+, y tú te encargas de enlazar la configuración, la clave del LLM y los archivos de datos. Es una herramienta para desarrolladores, no una app que instalas y olvidas.
Cómo empezar
- Descarga la imagen de Docker desde Docker Hub (khapu2906/linkingmem) o clona el repositorio e instala Rust 1.80+ y Python 3.11+ con uv.
- Copia
.env.examplea.envy define al menosOPENAI_API_KEY; apuntaOPENAI_BASE_URLa Ollama u otro proveedor compatible si prefieres ejecutar en local. - Revisa
plugins.tomlpara decidir qué complementos lanzar (el de texto en el puerto 8001, el de imagen en el puerto 8002) y cómo se ordena la canalización de consulta. - Ingesta tus documentos con los endpoints
POST /ingest/textoPOST /ingest/jsonpara construir los nodos, las aristas y los vectores. - Envía una pregunta a
POST /queryy lee la respuesta fundamentada del LLM, o usaPOST /query/multihopcuando necesites que el motor siga varios saltos.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de LinkingMem — Graph-native RAG Engine.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Ingenieros de backend y de IA
- Equipos con documentos privados
- Desarrolladores que prueban ideas de RAG de grafos
Tareas
- Crear un servicio de preguntas y respuestas sobre documentos internos
- Preguntas de varios saltos
- Combinar recuperación de imágenes y texto
Casos de uso
- Ejecutar una base de conocimiento privada en tu propio servidor
- Prototipar un backend de recuperación antes de comprometerte con un servicio gestionado
- Añadir fundamentación a un LLM que ya alojas
Funciones clave
Recuperación híbrida de vectores y grafos
LinkingMem ejecuta una canalización de recuperación en dos etapas. Una consulta se convierte en vector y se compara con un índice vectorial HNSW para una búsqueda rápida de vecinos más cercanos, y luego los resultados se expanden por las aristas del grafo mediante recorrido en anchura. El paso vectorial encuentra los puntos de entrada. El paso por el grafo reúne el contexto de alrededor. Para preguntas que dependen de las relaciones entre entidades, esa segunda etapa es a menudo lo que hace correcta la respuesta.
Endpoint de razonamiento de varios saltos
El motor expone un endpoint dedicado /query/multihop que sigue varios saltos por el grafo de conocimiento antes de generar una respuesta. Está pensado para preguntas que ningún documento único responde, donde el modelo tiene que combinar hechos de distintos nodos. Obtienes una cadena de evidencia enlazada en lugar de un único fragmento coincidente.
Complementos modulares de texto e imagen
La inclusión de texto, la extracción de entidades y la generación de respuestas viven en un complemento de texto en Python en el puerto 8001, mientras que el almacenamiento e inclusión de imágenes se ejecutan en un complemento aparte en el puerto 8002. Puedes iniciar solo lo que necesites. El complemento de imagen ofrece dos backends: un modo de descripción con LLM de visión que comparte el espacio vectorial de texto, o un codificador CLIP para una similitud visual real sin llamada al LLM.
Cliente LLM compatible con OpenAI
El cliente LLM habla la API compatible con OpenAI, así que puedes conectar OpenAI, Ollama, Groq, endpoints compatibles con Gemini y servicios similares. Cambiar de proveedor es un cambio de configuración, no de código. ¿Necesitas inferencia local? La ruta de Ollama se encarga de eso.
Núcleo en Rust con almacén delta a prueba de fallos
La capa de cómputo está escrita en Rust y sirve una API HTTP en el puerto 8000. Incluye un almacén delta estilo LSM con registro de escritura anticipada y bloqueo de archivos, así que los cambios ingestados sobreviven a un reinicio. Una caché de inclusión concurrente (moka) y una caché de resultados recortan el trabajo repetido en consultas habituales.
Observabilidad y autenticación integradas
Los endpoints de administración exponen /health, /metrics, /graph/stats y listados de nodos, y las métricas llegan en un formato compatible con Prometheus. La autenticación por clave de API y un limitador de velocidad de cubo de fichas están en el middleware. Es una capa menos que construir. Puedes poner el motor delante de más de un cliente desde el primer momento.
Ventajas y desventajas
Ventajas
- Autoalojado por defecto, así que los documentos privados se quedan en tu propia infraestructura.
- La expansión del grafo resuelve preguntas de varios saltos que la búsqueda vectorial simple suele pasar por alto.
- El cliente LLM compatible con OpenAI te deja ejecutar la inferencia en local con Ollama.
- Los complementos modulares te permiten omitir la compatibilidad con imágenes o funciones de texto que no necesites.
- Código abierto, con el núcleo completo en Rust y los complementos en Python disponibles para leer y cambiar.
Desventajas
- La configuración es de nivel desarrollador: necesitas Docker además de Rust 1.80+ y Python 3.11+ para compilar desde el código, lo que descarta a usuarios no técnicos.
- Sin plan gestionado ni panel web, así que el alojamiento, el escalado y el tiempo de actividad son cosa tuya.
- La documentación está pensada para el código, lo que significa que pasarás tiempo leyendo el repositorio y los archivos de configuración antes de que funcione tu primera consulta.
Preguntas frecuentes
Es un motor de recuperación que responde preguntas a partir de tus propios documentos combinando la búsqueda vectorial con el recorrido de grafos, y luego pasa el contexto recuperado a un LLM. El paso por el grafo es lo que lo separa de una configuración RAG básica de emparejamiento de fragmentos.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con LinkingMem — Graph-native RAG Engine.
Alternativas a LinkingMem — Graph-native RAG Engine
Forefront
Forefront · ProgramaciónForefront es una plataforma web para construir con IA de código abierto. Te deja ajustar los principales modelos de lenguaje de código abierto con tus propios datos, evaluar cómo rinden y ejecutarlos a través de una API o exportarlos para alojarlos tú mismo. Los desarrolladores que quieren la comodidad de una plataforma cerrada pero insisten en ser dueños de sus modelos y sus datos son el público objetivo.
Startkit
StartKit.AI · ProgramaciónStartkit es un boilerplate para crear productos de SaaS con IA y wrappers de IA. Piénsalo como un boilerplate para startups de IA con las partes aburridas ya conectadas: autenticación, pagos con Stripe y Lemon Squeezy, límites de uso, correo transaccional y un kit de inicio de API de IA que habla con OpenAI, Anthropic, Groq o Llama. Clonas el repositorio, pones tu precio y te dedicas a la parte del producto por la que la gente paga de verdad. Está hecho con Next.js sobre React y Tailwind, así que buena parte del código boilerplate ya te resulta familiar.
Testim
Tricentis · ProgramaciónTestim es una plataforma de automatización de pruebas impulsada por IA para crear y ejecutar pruebas de extremo a extremo en aplicaciones web, móviles y Salesforce. Se apoya en el aprendizaje automático para mantener las pruebas estables cuando cambia una interfaz, así que los equipos dedican menos tiempo a reparar selectores rotos. No está nada mal para una herramienta de pruebas automatizadas que puedes empezar a usar hoy mismo. Creas pruebas grabando acciones en un navegador y luego añades JavaScript cuando necesitas más control. Es una opción sólida para equipos de QA con mucho trabajo.