Guía

Base de conocimiento con IA compartimentada y autohospedable, pensada para empresas que necesitan que sus procedimientos y secretos comerciales no salgan de su propia infraestructura.

Sube documentos, organízalos por categorías, decide qué grupo de personas ve qué, y deja que tu equipo pregunte en lenguaje natural. Las respuestas se construyen únicamente con los documentos a los que quien pregunta tiene acceso.

Qué lo diferencia

• Permisos reales sobre el conocimiento. Categorías, grupos y acceso por grupo a categorías. El filtrado ocurre en la propia búsqueda vectorial, no ocultando resultados en la interfaz.
• Multi-organización. Una instalación puede servir a varios departamentos o empresas, cada uno con sus documentos y sus miembros.
• Sin dependencia de terceros. Modelos, embeddings, base de datos y archivos pueden vivir enteros en tu servidor: Ollama o vLLM para la inferencia, PostgreSQL con pgvector para los vectores, y disco local o MinIO para los documentos.
• Integraciones. Slack, para preguntar desde donde ya trabaja el equipo.

Stack

Next.js 16 · PostgreSQL + pgvector · Prisma · Better Auth · Vercel AI SDK · Shadcn/UI + Tailwind · Vitest

Arranque rápido (Docker)

git clone https://github.com/Pep3M/guia.git
cd guia
cp .env.example .env      # define POSTGRES_PASSWORD y BETTER_AUTH_SECRET
docker compose up -d

Eso levanta PostgreSQL con pgvector, Ollama con los modelos y la aplicación en http://localhost:3000. Las migraciones y la descarga de modelos se hacen solas; la primera vez tarda, porque son varios GB.

Cuando termine, comprueba la instalación:

docker compose --profile tools run --rm tools bun run doctor

Verifica contra los servicios reales la base de datos, ambos modelos y el almacenamiento, y avisa de los problemas que no dan error visible —como que el modelo esté truncando el contexto.

Probar sin instalar nada

El repositorio incluye una organización de ejemplo con documentos ficticios de una empresa de logística y dos cuentas con distinto nivel de acceso, para ver en un minuto cómo la misma pregunta obtiene respuesta o no según quién la haga:

NEXT_PUBLIC_DEMO_MODE=true bun run demo:seed

Detalles en docs/demo.md.

Desarrollo

Requisitos: Bun >= 1.2 y PostgreSQL >= 14 con pgvector.

bun install
cp .env.example .env
bun run db:migrate
bun run dev

Comandos útiles:

Comando	Qué hace
bun run dev	Servidor de desarrollo
bun run build	Build de producción
bun run test	Tests unitarios (Vitest, modo watch)
bun run test:integration	Tests de integración
bun run db:migrate	Aplica migraciones en desarrollo
bun run db:studio	Explorador de la base de datos
bun run doctor	Diagnostica modelos, base de datos y almacenamiento
bun run demo:seed	Siembra la organización de demostración

Modelos

Todo se configura contra una API compatible con OpenAI, que es lo que exponen Ollama, vLLM, LM Studio, llama.cpp y la propia OpenAI. Cambiar de proveedor es cambiar AI_BASE_URL, no tocar código.

AI_BASE_URL="http://localhost:11434/v1"
CHAT_MODEL="qwen2.5:14b-instruct"
EMBEDDING_MODEL="bge-m3"
EMBEDDING_DIMENSIONS=1024

El modelo de embeddings no se cambia a la ligera: su dimensión debe coincidir con la de la columna Chunk.embedding y cambiarla obliga a reindexar todos los documentos. Ver docs/self-hosting.md.

Hardware recomendado

Para que las respuestas con modelos locales sean útiles, no basta un modelo pequeño. Punto de partida razonable para 10–50 usuarios:

Componente	Mínimo	Recomendado
GPU	16 GB VRAM (modelo 14B cuantizado)	24–48 GB VRAM (modelo 24–32B)
RAM	32 GB	64 GB
Disco	100 GB SSD	500 GB NVMe

Sin GPU la aplicación funciona, pero la latencia de respuesta la hace incómoda para uso diario. Alternativa: apuntar AI_BASE_URL a un proveedor externo y mantener sólo los datos en local.

Licencia

AGPL-3.0. Puedes usarlo, modificarlo y desplegarlo libremente; si lo ofreces como servicio a terceros, las modificaciones deben publicarse bajo la misma licencia.

¿Necesitas una licencia comercial sin las obligaciones de la AGPL, o soporte e instalación? Escribe a través de las issues del repositorio.