Integración y despliegue

Cuatro modos de acceso: hay uno para usted

De un solo comando a la integración profunda, a libre elección según el stack del equipo

Línea de comandos CLI

Ideal para: procesamiento por lotes en operaciones

Preprocesamiento, segmentación y evaluación en un solo comando. Soporta procesamiento por lotes de directorios y reanudación, e integra por scripts los flujos de datos existentes.

HTTP API

Ideal para: integración en backends de aplicaciones

Interfaz RESTful que cubre el preprocesamiento, la construcción de la base de conocimientos y la evaluación de principio a fin, con soporte de síncrono/asíncrono, subida por bloques y notificación de progreso vía SSE.

SDK de biblioteca dinámica C

Ideal para: integración profunda en C/C++/Java

.so/.dylib/.dll multiplataforma + cabecera C, artefactos precompilados para varias plataformas, incrustables en el proceso de su servicio, con coste de red cero.

Python / LangChain

Ideal para: equipos de IA y de datos

SDK de Python sin dependencias + conector LangChain: tres líneas de código para cargar la base de conocimientos empresarial en una lista de Document, con los metadatos transmitidos.

¿Cómo de simple? Mire el código

De «archivo» a «base de conocimientos», más corto de lo que imagina

Opción 1: preprocesamiento por línea de comandos (extracción → limpieza → anonimización → compresión, en un solo comando)

# preprocesamiento de documentos uglypearai preprocess --input contract.docx --output-dir out/ --clean --desensitize --compress # construcción de la base de conocimientos (ingest de toda la cadena, reanudable) uglypearai chunk --mode ingest --input report.pdf --storage-dir ./rag_store --preset legal # ejecutar una evaluación uglypearai eval run --evalset my_set --report out/report.json

Opción 2: Python + LangChain (la más cómoda para los equipos de IA)

from uglypear_rag import UglyPearRAG from uglypear_rag.integrations.langchain_loader import UglyPearLoader client = UglyPearRAG("http://direccion-intranet:8080", api_key="sk-uglypear-***") loader = UglyPearLoader(client, user_tags=["dept:legal"]) docs = loader.load() # -> [Document], los metadatos como chunk_id/versión/etiquetas de permisos se transmiten automáticamente

Opción 3: API HTTP (invocable desde cualquier lenguaje)

POST /v1/rag/preprocess # documento → JSON estructurado + copia anonimizada POST /v1/rag/ingest # entrada en la base de toda la cadena: segmentación → refuerzo → permisos → almacenamiento GET /v1/rag/documents # consulta de documentos y puntos de conocimiento, reingreso en la base PATCH /v1/rag/.../validity # gobierno de la vigencia: marcar caducado/vigente POST /v1/rag/eval/run # activar la evaluación y emitir el informe cuantificado POST /v1/rag/feedback # atribución de «no me gusta» y retorno de badcase

Despliegue: de Docker al centro de datos de la pila nacional

Un clic en el entorno estándar, adaptación punto por punto en los entornos especiales

Despliegue estándar (Docker)

# levantar el servicio (incluye compresión + cadena completa RAG) docker compose up -d # o ejecución sobre servidor físico RAG_STORAGE_DIR=/data/rag_store PORT=8080 ./uglypear-server

Los modelos de OCR y de análisis de maquetación (ONNX) se distribuyen con el paquete y se ejecutan localmente; el refuerzo de resúmenes con LLM se conecta a cualquier endpoint compatible con OpenAI en la red interna (opcional). Los módulos funcionales se recortan por feature: solo compresión, solo preprocesamiento o toda la cadena, cada uno toma lo que necesita.

Entornos de pila tecnológica nacional china

Compatible con los sistemas operativos Kylin/UOS, CPU Feiteng/Kunpeng (artefactos arm64 completos) y bases de datos DM/KingBase, con instalación totalmente sin conexión. Verificado en varios proyectos de compatibilidad con la pila tecnológica nacional china; véasePlan de compatibilidad con la pila tecnológica nacional china。

Conexión con su stack de IA

La base emite JSON estructurado estándar y puntos de conocimiento con metadatos, conectables a:

Milvus Qdrant PGVector Elasticsearch LangChain LlamaIndex Dify cualquier RAG propio

En el nivel de SDK también se ofrece una biblioteca dinámica FFI (libcompressor.so + sdk.h), incrustable directamente desde C/C++/Java/Go. VéaseSDK de compresión Rusty en elCentro de desarrolladores。

De cero a en marcha, en cinco pasos

Se cuenta normalmente en «días», no en «meses»

Preparación del entorno

Entrega de la lista de especificaciones de servidor y del paquete de entrega: imagen de Docker o instalador sin conexión

Elección del modo de acceso

Elección de CLI / API / SDK según el stack técnico del equipo; primera petición de prueba en media jornada

Prueba piloto con documentos reales

Entrada en la base de un lote de documentos reales por toda la cadena, con informe de control de calidad de análisis y de limpieza

Ajuste de la estrategia

Selección de los preajustes de segmentación por tipo de documento y construcción conjunta del conjunto de evaluación sectorial

Puesta en producción

Conexión con la base vectorial y los sistemas de negocio, con supervisión continua desde el panel de evaluación