Agentic RAG, который отвечает на вопросы о ваших документах с ссылками на номера страниц и заголовки разделов. Он работает на встроенной базе данных LanceDB с открытыми моделями через Ollama по умолчанию, поэтому серверный или API ключ не требуется. Любой провайдер, поддерживаемый Pydantic AI, работает вместо них, и та же база данных может работать на S3, GCS, Azure или LanceDB Cloud.

Построен на основе LanceDB, Pydantic AI и Docling. Документация: ggozad.github.io/haiku.rag.

Особенности

• Вводить PDF, офисные документы, HTML, Markdown и изображения с помощью Docling, в процессе или в docling-serve. Сохранённый DoclingDocument хранит заголовки, таблицы, изображения и происхождение страниц.
• Поиск с гибридным векторным и полнотекстовым поиском, опциональное перераспределение (кросс-энкодеры, Jina, Cohere, Zero Entropy, vLLM, OpenRouter), расширение контекста с учётом разделов и поиск изображений с помощью мультимодального вложения (vLLM, OpenRouter, VoyageAI, Cohere). Одновременно в нескольких именованных базах данных.
• Ответ с возможностью RAG: он ищет, запускает песочницу Python для подсчёта и агрегации, а также цитирует номера страниц и заголовки. Модели зрения получают эти цифры.

haiku.rag

Agentic RAG that answers questions about your own documents with citations to page numbers and section headings. It runs on an embedded LanceDB database with open models through Ollama by default, so no server or API key is needed. Any provider Pydantic AI supports works in their place, and the same database can live on S3, GCS, Azure or LanceDB Cloud.

Built on LanceDB, Pydantic AI and Docling. Documentation: ggozad.github.io/haiku.rag.

Features

• Ingest PDFs, office documents, HTML, Markdown and images with Docling, in-process or on docling-serve. The stored DoclingDocument keeps headings, tables, pictures and page provenance.
• Search with hybrid vector and full-text retrieval, optional reranking (cross-encoders, Jina, Cohere, Zero Entropy, vLLM, OpenRouter), section-aware context expansion, and image search with a multimodal embedder (vLLM, OpenRouter, VoyageAI, Cohere). Across several named databases at once.
• Answer with the RAG capability: it searches, runs sandboxed Python over the documents for counting and aggregation, and cites page numbers and headings. Vision models receive the figures. Optional capabilities compact earlier evidence in long conversations and require every answer to declare its grounding.
• Check a citation by drawing its chunk on the page image, from the CLI, the chat TUI or Python.
• Integrate through the Python API, native Pydantic AI capabilities, plugin hooks that observe document writes and transform searches, an MCP server for Claude Code, Codex and Claude Desktop, and a reference web app.
• Operate with the haiku-ingester service (filesystem, HTTP, S3 and WebDAV sources, a SQLite or Postgres job queue with retries, a control plane and dashboard), tags and rollback, vacuum, and haiku-rag doctor health checks.

Installation

Python 3.12 or newer.

pip install haiku.rag        # Docling, the VoyageAI and Cohere embedders, every reranker, the TUI
pip install haiku.rag-slim   # the core, with extras chosen by you