RagIndex: Generazione Aumentata da Recupero (RAG) 100% Client-Side

Versione: 0.2.3

RagIndex è un'applicazione web che implementa un'architettura RAG (Retrieval-Augmented Generation) completa, operando interamente nel browser dell'utente. Nessun dato lascia mai il client, garantendo massima privacy e autonomia.

🚀 Scopri di più: per una presentazione delle funzionalità e dell'implementazione tecnica, consulta la pagina static/ragindex.html. ⬇️ Installazione locale: vedi static/installazione.html — git clone https://github.com/uaorg/ragindex.git

Setup Rapido

Essendo un'applicazione puramente statica, non richiede build system complessi (Webpack, Vite, ecc.) né backend.

1. Requisiti: Un qualsiasi web server statico (es: python3 -m http.server, npx http-server ., o l'estensione "Live Server" di VS Code), servito dalla root del progetto. Scarica il codice con git clone https://github.com/uaorg/ragindex.git o Download ZIP dalla pagina GitHub (vedi installazione).
2. Avvio: Apri il browser all'indirizzo locale della root — index.html redirige automaticamente a static/ragindex.html (presentazione, con link all'app in static/index.html).
3. Configurazione API:
   • Apri il menu laterale.
   • Seleziona "API Keys Default" per caricare le chiavi di prova predefinite dal file locale.
   • Oppure seleziona "Gestisci API Key" per inserire la tua chiave personale (Gemini, Mistral, Groq, OpenRouter, HuggingFace).

   🛡️ Privacy: Le chiavi sono salvate esclusivamente nell'IndexedDB del tuo browser. La comunicazione AI avviene direttamente dal tuo computer al provider, senza server intermedi.

Caratteristiche Principali

• Privacy Assoluta: Tutta l'elaborazione dei documenti, dall'indicizzazione alla costruzione del contesto, avviene localmente. I documenti non lasciano mai il computer dell'utente.
• Strategia Parent-Child: Utilizza una segmentazione gerarchica per la massima precisione:
  • Child Chunks: Singole frasi indicizzate per una ricerca ultra-precisa.
  • Parent Chunks: Paragrafi completi inviati all'AI per mantenere il contesto.
• Zero Dipendenze da Backend: L'applicazione è un puro front-end che sfrutta le API degli LLM direttamente dal client.
• Ricerca Lessicale BM25: Sfrutta Lunr.js per un'indicizzazione veloce e affidabile direttamente nel browser.
• Giudizio Semantico (rerank): Dopo la ricerca BM25, il modello valuta la pertinenza reale (0-5) dei candidati e riordina il contesto: sinonimi e parafrasi vengono promossi, i falsi positivi lessicali declassati. Nessun embedding, nessuna modifica all'indice.

Il Flusso di Lavoro a 3 Azioni

L'applicazione è progettata per essere utilizzata seguendo tre fasi sequenziali, identificate dai pulsanti numerati:

1. 🔴 (1) Crea Knowledge Base: Carica i tuoi documenti (PDF, TXT, DOCX) e clicca il pulsante (1). Il sistema creerà l'indice di ricerca locale.
2. 🟠 (2) Inizia Conversazione: Scrivi la tua domanda e clicca il pulsante (2). Il sistema estrarrà i frammenti pertinenti e interrogherà l'AI.
3. 🟢 (3) Continua Conversazione: Prosegui il dialogo cliccando il pulsante (3). L'AI risponderà tenendo conto di tutta la cronologia.

Gestione Modelli LLM

• Reset LLM: ripristina la selezione ai modelli di default dai file locali.
• Aggiorna LLM: scopre i modelli dai provider con le tue chiavi, li testa (voto ≥ 6) e apre la selezione.
• Seleziona LLM: mostra solo i modelli scaricati e testati; Salva sostituisce, Aggiungi unisce.
• Test LLM: prova il prompt sui modelli selezionati del provider scelto, con riepilogo finale.
• STOP: durante elaborazioni e ricerche, clicca l'icona di attesa (STOP) per interrompere l'operazione in corso.

Architettura del Codice

• UI Controller: static/js/app_ui.js (Gestione DOM ed eventi).
• RAG Engine: static/js/rag_engine.js (Orchestratore del flusso RAG).
• Worker: static/js/rag_worker.js (Elaborazione intensiva in background).
• LLM Clients: static/js/llmclient/ (5 provider: Gemini, Mistral, Groq, OpenRouter, HuggingFace).
• Database Locale: static/js/services/idb_mgr.js (Persistenza via Dexie.js).
• Database Locale: static/js/services/idb_mgr.js (Persistenza via Dexie.js).
• Test:
  • static/test_providers.html — eseguito nel browser via menu ☰ → "Test Provider" (oppure aprendo direttamente la pagina).
  • test/test_providers.js — Node.js, genera report HTML in test/providers_report.html.
  • Entrambi testano tutti i provider e modelli configurati con chiavi da static/data/api_x.json.

---

RagIndex è un progetto focalizzato sulla privacy e sull'efficienza dell'AI lato client.