R2R
SciPhi AI · Programação · Produtividade
O R2R é um sistema de recuperação com IA de código aberto criado pela SciPhi AI que transforma seus documentos em uma base de conhecimento consultável, com busca híbrida, grafos de conhecimento e API RAG agêntica.
Sobre R2R
About
O que é o R2R
O R2R (Reason to Retrieve) é um motor de geração aumentada por recuperação pronto para produção, feito pela SciPhi AI. É um framework RAG que resolve o problema de buscar respostas dentro dos seus próprios documentos. A geração aumentada por recuperação funciona assim: você extrai os trechos certos dos seus arquivos e deixa um modelo responder a partir deles. O R2R assume a parte chata desse caminho, a leitura dos documentos, a divisão em blocos, os embeddings, a recuperação e a resposta fundamentada, e coloca tudo atrás de uma única API REST. Você aponta para os arquivos e ele faz o resto.
A ferramenta é feita para equipes que querem buscar em conhecimento privado sem construir infraestrutura do zero. Ela aceita formatos comuns como texto, PDF e JSON, além de imagens e áudio, e depois deixa você perguntar sobre esse material com citações em cada resposta.
O R2R é software livre sob licença MIT, então você pode montar um serviço RAG auto-hospedado no seu próprio hardware ou no Docker. Isso pesa quando seus documentos têm dados que você não pode mandar para um serviço de terceiros.
Como começar
- Instale o SDK com
pip install r2rno Python ounpm i r2r-jsno JavaScript. - Suba o servidor localmente com
python -m r2r.serve, ou levante a pilha completa do Docker comdocker compose -f compose.full.yaml --profile postgres up -d. - Crie documentos pelo cliente, por exemplo
client.documents.create(file_path="/path/to/file"), para disparar a ingestão. - Faça uma consulta com
client.retrieval.search(query="...")ou peça uma resposta com citações por meio declient.retrieval.rag(query="..."). - Para perguntas complexas, chame o endpoint do agente com
client.retrieval.agent(...)e deixe o raciocínio planejar as próprias buscas.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de R2R.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Desenvolvedores que montam um assistente sobre uma base de conhecimento
- Equipes pequenas com documentos sensíveis
- Pesquisadores que prototipam uma ideia de GraphRAG
Tarefas
- Perguntar por uma biblioteca de documentos variada
- Montar respostas com citações para busca interna
- Ligar a recuperação a um fluxo de agentes
Cenários
- Levantar um serviço privado de perguntas e respostas no hardware da empresa
- Alimentar um bot de atendimento que cita as fontes
- Explorar relações num acervo grande
Principais recursos
Ingestão multimodal
O R2R lê .txt, .pdf, .json, .png, .mp3 e outros formatos num único fluxo. O áudio é transcrito e os links web são capturados, então você não escreve um pré-processador diferente para cada tipo de arquivo. Você solta os arquivos e o sistema cuida da leitura, da divisão em blocos e da indexação.
Busca híbrida
A recuperação junta semelhança vetorial e correspondência por palavras-chave por meio de fusão de rankings recíprocos. A busca semântica pega as paráfrases, a de palavras-chave pega os termos exatos, e a mistura fica com o sinal mais forte para aquela consulta. Assim caem tanto os acertos que se perdem com vetores puros quanto os pontos cegos das palavras-chave sozinhas.
Grafos de conhecimento
Durante a ingestão, o R2R extrai entidades e relações para montar um grafo ao lado dos seus vetores. Você pode rodar detecção de comunidades para achar grupos de temas e percorrer relações, por exemplo para encontrar todas as entidades ligadas a uma empresa específica. Os grafos ficam isolados por coleção, o que mantém os diferentes inquilinos separados.
RAG agêntico e Deep Research API
O modo agente vai além do clássico recuperar e gerar, e planeja várias etapas. Ele decide quando buscar mais contexto, pode sair da sua base de conhecimento e pode dar mais orçamento de raciocínio a um modelo. Cada resposta traz citações, então você consegue seguir como ele chegou a uma conclusão.
Gestão de usuários e coleções
A autenticação embutida e um sistema de coleções cobrem o acesso multiusuário. As coleções isolam documentos e grafos, então cada equipe ou cliente vê apenas o próprio material. O controle de acesso é aplicado na própria API.
API REST com SDK para Python e JavaScript
Todos os recursos ficam expostos numa API REST documentada, com clientes oficiais para Python e JavaScript. Você conecta o R2R a uma aplicação existente sem adotar um framework novo, e a configuração fica num único arquivo.
Prós e contras
Prós
- Código aberto sob licença MIT, então você pode inspecionar, alterar e auto-hospedar sem ficar preso a um fornecedor.
- Os recursos de produção vêm de fábrica, com autenticação, coleções e observabilidade, o que economiza meses de trabalho no backend.
- Busca híbrida e grafos de conhecimento juntos cobrem tanto as consultas por termo exato quanto as baseadas em relações.
- Os SDKs oficiais de Python e JavaScript tornam a integração direta na maioria das pilhas de aplicação.
Contras
- Auto-hospedar significa que você cuida da implantação, das atualizações e do escalonamento, e isso é trabalho real para equipes sem experiência em infraestrutura.
- O modo completo precisa de Docker, PostgreSQL e de uma chave da API da OpenAI, então a instalação leve fica limitada para testes rápidos.
- O site de documentação tem estado instável, o que pode atrasar a solução de problemas até você achar referências atualizadas.
Perguntas frequentes
O R2R monta uma busca e um serviço de perguntas e respostas privados sobre os seus próprios arquivos. Ele cuida da ingestão, da recuperação e da geração de respostas fundamentadas, então você lança um assistente de conhecimento sem montar o fluxo por conta própria.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a R2R.
Alternativas a R2R
Forefront
Forefront · ProgramaçãoO Forefront é uma plataforma web para construir com IA de código aberto. Você ajusta os principais modelos de linguagem de código aberto com seus próprios dados, avalia o desempenho deles e os roda por uma API ou os exporta para hospedar por conta própria. Desenvolvedores que querem a conveniência de uma plataforma fechada, mas fazem questão de ser donos dos modelos e dos dados, são o público-alvo aqui.
Startkit
StartKit.AI · ProgramaçãoStartkit é um boilerplate para criar produtos de SaaS com IA e wrappers de IA. Pense nele como um boilerplate para startups de IA com as partes chatas já conectadas: autenticação, pagamentos com Stripe e Lemon Squeezy, limites de uso, e-mail transacional e um kit inicial de API de IA que conversa com OpenAI, Anthropic, Groq ou Llama. Você clona o repositório, define seu preço e começa pela parte do produto que as pessoas realmente pagam. Ele é feito em Next.js sobre React e Tailwind, então boa parte do código boilerplate já parece familiar.
Testim
Tricentis · ProgramaçãoO Testim é uma plataforma de automação de testes com IA para criar e executar testes de ponta a ponta em aplicações web, mobile e Salesforce. Ele se apoia no aprendizado de máquina para manter os testes estáveis quando uma interface muda, então as equipes gastam menos tempo consertando seletores quebrados. Nada mal para uma ferramenta de testes automatizados que você pode começar a usar hoje. Você cria testes gravando ações no navegador e depois adiciona JavaScript quando precisa de mais controle. É uma escolha sólida para equipes de QA ocupadas.