TaiXu-Admin V0.1.2 presenta una consola unificada que integra capacidades de LLM, RAG y agentes

Una iniciativa de código abierto dedicada a estructurar las capacidades de los grandes modelos de lenguaje (LLM) ha logrado otro avance gradual. Se ha lanzado la versión 0.1.2 de TaiXu-Admin. Este sistema de gestión de aplicaciones, centrado en LLM, RAG y Agent, tiene como objetivo unificar el diálogo, la mejora de la recuperación de información y la colaboración con agentes inteligentes en un único backend.

El registro de cambios de esta versión es muy completo. Vincula la documentación con el análisis sintáctico de LLM Wiki e introduce la búsqueda en LLM Wiki; implementa un mecanismo de sustitución mediante compilación en caliente (HCP) para los archivos de código modificados, lo que permite que los ajustes surtan efecto sin necesidad de reiniciar; la base de conocimientos y la biblioteca de grafos de conocimiento admiten ahora la reconfiguración personalizada. Se ha actualizado la gestión de la memoria histórica y se ha completado el manejo de excepciones para RAG y Agent durante el tiempo de ejecución; para una plataforma cuyo objetivo es mantener en línea a múltiples agentes inteligentes durante períodos prolongados, estas mejoras han consolidado aún más los cimientos.

Si analizamos el sistema en sí, TaiXu-Admin es un sistema inteligente que integra tecnología de IA: el backend está escrito en Python y el frontend utiliza React para las páginas interactivas. Entre sus capacidades se incluyen la conversación con modelos de lenguaje grande (LLM), RAG y Agent. Utiliza LangChain y LangGraph como componentes centrales de las aplicaciones de modelos de gran tamaño. El primero construye flujos de trabajo modulares de modelos, mientras que el segundo ejecuta una colaboración multiagente compleja basada en estados, lo que permite el modo RAG, el modo «Agent», la ingeniería de prompts, las llamadas a herramientas y la gestión de la memoria, integrando así la interacción conversacional, la generación mejorada mediante la recuperación de conocimientos y la colaboración entre agentes.

Lo que realmente demuestra su capacidad es que presenta casi todas las prácticas habituales del mercado en forma de menú. En la sección RAG, están disponibles el RAG nativo, las consultas múltiples, la fusión de recuperación, la descomposición en subpreguntas, la incrustación de documentos hipotéticos (HYDE), el enrutamiento lógico y semántico, la reescritura de consultas, las representaciones múltiples y la indexación jerárquica (RAPTOR). Los agentes con corrección de errores, autocomprobación y autoadaptación se encargan de proporcionar una red de seguridad durante el proceso de recuperación. Entre los modos especiales también se incluyen los grafos de conocimiento GraphRAG, las palabras clave BM25, el RAG híbrido, la agrupación por K-medias y el RAG de relevancia marginal máxima. El modo «Agente» es aún más dinámico: las acciones de razonamiento de ReAct, el razonamiento sin observación de ReWOO, la ejecución de la planificación, la compilación de LLM, la reflexión, el autodescubrimiento, la búsqueda inteligente en árbol, además de la orquestación multiagente supervisada, colaborativa y jerárquica —cubriendo prácticamente todos los elementos clave de la investigación actual sobre agentes—.

En cuanto a la arquitectura, sigue un enfoque de front-end y back-end separados con modularidad. El back-end está desarrollado en Python y utiliza el ligero Flask para dar soporte a la API RESTful. El front-end utiliza React para crear una interfaz adaptativa, aprovechando el proyecto de código abierto Umi de Ant Group para la ingeniería del proyecto y utilizando Ant Design como biblioteca de componentes. La base de datos subyacente también se divide en funciones: Qdrant, una base de datos nativa de la nube de alto rendimiento, almacena representaciones de texto y gestiona búsquedas de similitud semántica; Neo4j modela relaciones complejas entre entidades y permite el razonamiento grafo; y PostgreSQL almacena de forma fiable datos empresariales estructurados, como usuarios, registros y configuraciones.

Empezar no es demasiado complicado. Las dependencias del frontend se gestionan mediante npm o yarn, y las del backend mediante pip o poetry; a continuación, hay que instalar los tres componentes esenciales: Qdrant, Neo4j y PostgreSQL. Si solo quieres probarlo localmente, con seguir los pasos de configuración más sencillos ni siquiera necesitarás Qdrant ni Neo4j para ver en acción los módulos principales. Una vez iniciado, accede a localhost:8000, donde el nombre de usuario y la contraseña predeterminados son ambos «admin»: ahora se presenta a los desarrolladores un sistema que integra LLM, RAG y Agent en una única plataforma.