Quivr

Quivr es un framework RAG (generación aumentada por recuperación) de código abierto creado por Stan Girard y el equipo de QuivrHQ, una empresa de Y Combinator W24. Comenzó en mayo de 2023 como una herramienta personal de "segundo cerebro" para chatear con documentos, se volvió viral en GitHub a los pocos días de su lanzamiento y, desde entonces, ha evolucionado hasta convertirse en una biblioteca de desarrollo con un enfoque definido (opinionated) para integrar la recuperación de documentos mediante IA generativa en aplicaciones existentes. Cuenta con licencia Apache 2.0, está alojada en github.com/QuivrHQ/quivr y se instala mediante pip install quivr-core.

El framework es compatible con cualquier LLM compatible con OpenAI, incluidos GPT-4, Anthropic Claude, Mistral, Groq y Gemma, además de cualquier base de datos vectorial: PGVector, Faiss y ChromaDB funcionan de forma nativa. Quivr incluye configuraciones predeterminadas específicas para la fragmentación (chunking), la recuperación y la generación, de modo que los equipos puedan centrarse en su producto en lugar de en la infraestructura del pipeline. Una versión en la nube alojada en quivr.app ofrece una interfaz web sin instalación para crear "cerebros" (bases de conocimiento con nombre) a partir de PDF, URL y archivos. La opción autoalojada es totalmente gratuita; la versión en la nube funciona con un modelo freemium basado en créditos. El proyecto alcanzó las 39,100 estrellas en GitHub a principios de 2026 y desarrolló una biblioteca complementaria de análisis de archivos llamada Megaparse que superó las 6,000 estrellas por sí sola.

Lo que Quivr realmente hace en mayo de 2026

En su núcleo, Quivr es una biblioteca de Python que importas en tu propia aplicación para gestionar todo el pipeline RAG: ingesta de documentos, incrustación (embedding), almacenamiento, recuperación y generación. Una integración mínima requiere solo unas pocas docenas de líneas de Python. Pasas los archivos, eliges un LLM, lo apuntas a una base de datos vectorial y haces preguntas. Quivr se encarga de la estrategia de fragmentación, la búsqueda de similitudes y el ensamblaje del contexto en segundo plano.

La biblioteca se integra con Megaparse para analizar formatos de archivo complejos: PDF, documentos de Word, archivos de Excel, Markdown, texto sin formato, archivos de código y URL. La compatibilidad con LLM abarca toda la línea de modelos de OpenAI, Anthropic Claude 3.x, Mistral, variantes de Llama alojadas en Groq y cualquier API que siga la especificación de OpenAI. Los backends de bases de datos vectoriales incluyen PGVector (Postgres), Faiss (local) y ChromaDB. El framework tiene un enfoque intencionadamente definido: en lugar de exponer todas las opciones de configuración RAG posibles, incluye valores predeterminados sensatos para que el proceso de integración sea corto.

La aplicación de consumo alojada, quivr.app, permite a los usuarios sin conocimientos de programación utilizar la misma tecnología a través de un navegador. Los usuarios crean "cerebros" con nombre, suben documentos o pegan URL, y chatean con la base de conocimiento combinada. El plan gratuito otorga 25 créditos de mensajes; GPT-3.5 cuesta 1 crédito por mensaje, mientras que GPT-4 cuesta 20, por lo que el plan gratuito puede agotarse en una sola conversación con GPT-4. El plan de pago en la nube amplía los créditos y la cantidad de cerebros. Para los desarrolladores, la biblioteca es gratuita a perpetuidad bajo la licencia Apache 2.0, independientemente del uso de la nube.

A finales de 2024, Stan Girard separó públicamente el proyecto en tres repositorios de código abierto: Quivr (la biblioteca de algoritmos RAG), Megaparse (análisis de archivos a Markdown) y Le Juge (algoritmos de evaluación, en desarrollo). Las funciones de la interfaz de usuario empresarial permanecen en un repositorio privado. Esta arquitectura permite a la comunidad de código abierto utilizar y contribuir a los algoritmos principales, mientras la empresa construye su diferenciación comercial sobre ellos.

Dónde se sitúa Quivr frente a AnythingLLM y Open WebUI

Para entender el lugar que ocupa Quivr, es necesario saber qué problema resuelve en comparación con las dos alternativas más visibles en el espacio RAG autoalojado.

AnythingLLM (Mintplex Labs, más de 54,000 estrellas en GitHub) es una aplicación implementable full-stack. La descargas, la inicias y obtienes una interfaz de chat completa impulsada por RAG con aislamiento de espacios de trabajo, RBAC, almacenamiento vectorial integrado a través de LanceDB, herramientas de agentes y una aplicación de escritorio para Mac, Windows y Linux. No es una biblioteca. No puedes importar AnythingLLM en tu propio producto; lo implementas como un producto independiente. Su pipeline RAG gestiona la fragmentación y la recuperación internamente con opciones configurables de superposición y bases de datos vectoriales externas. Para los equipos que desean USAR un sistema de preguntas y respuestas de documentos en lugar de CONSTRUIR uno, AnythingLLM es la opción lista para usar más completa.

Open WebUI (más de 56,000 estrellas en GitHub) es una capa de interfaz de chat que se conecta a cualquier backend compatible con OpenAI o instancia de Ollama. Añadió la carga de documentos y soporte básico para RAG, pero la implementación de RAG es menos madura y se basa en una recuperación simple sin la gestión avanzada de pipelines de los frameworks dedicados. El punto fuerte de Open WebUI es ser un front-end pulido; nunca fue diseñado para ser un framework RAG que integres en tus propias aplicaciones.

Quivr ocupa la posición de biblioteca para desarrolladores que ni AnythingLLM ni Open WebUI cubren. Si estás construyendo un producto SaaS y necesitas una función de "chatear con tus documentos" para tus usuarios, Quivr es la que instalas con pip install e integras en tu código base existente. La contrapartida es que eres responsable del alojamiento, la interfaz de usuario y la capa de aplicación. Quivr se encarga del pipeline de recuperación; todo lo demás debes construirlo tú.

Una tercera comparación relevante es RAGFlow (InfiniFlow), que adopta un enfoque de comprensión profunda de documentos con modelos OCR, detección de diseño Yolov8, indexación RAPTOR y técnicas self-RAG integradas. RAGFlow es significativamente más capaz para documentos complejos con diseños mixtos, contenido escaneado o tablas que requieren análisis a nivel de celda. Quivr es más simple, más rápido de integrar y funciona bien para documentos estándar con mucho texto; RAGFlow es la opción más robusta para la complejidad de documentos empresariales. Los valores predeterminados definidos de Quivr son una ventaja para los equipos que buscan velocidad; pero son una limitación para los equipos que necesitan un control detallado sobre las estrategias de fragmentación y reclasificación (reranking).

"las aplicaciones web son, para PKM, inherentemente demasiado lentas y no accesibles mediante atajos de teclado" - Douglas Keiller, Product Hunt, 2023

Cómo es la realidad de la integración para desarrolladores

Configurar Quivr como desarrollador es realmente rápido. El paquete de Python se instala en segundos, se conecta a una base de datos Postgres existente con pgvector, y un flujo de trabajo RAG básico está operativo en menos de una hora para cualquier persona familiarizada con Python. La documentación cubre los patrones más comunes: RAG básico, configuración de LLM personalizada, configuración de base de datos vectorial personalizada e ingesta de archivos con Megaparse.

El enfoque definido del framework significa que los valores predeterminados son sensatos, pero no siempre óptimos. Los equipos con requisitos de fragmentación complejos, reclasificación específica del dominio o flujos de trabajo de razonamiento de múltiples saltos (multi-hop) alcanzarán los límites de lo que manejan los valores predeterminados. La biblioteca no expone la sofisticación de análisis de documentos al nivel de RAGFlow de forma nativa. Los archivos PDF pesados con tablas complejas, idiomas mixtos o páginas escaneadas funcionan mejor si se preprocesan a través de un pipeline OCR dedicado antes de la ingesta.

La experiencia del consumidor en la aplicación alojada quivr.app es independiente de la experiencia de la biblioteca. Los usuarios sin conocimientos de programación que utilizan la aplicación web encuentran un panel de control limpio, un procesamiento de carga rápido y una recuperación precisa para contenido típico de PDF y texto. Las frustraciones se basan en los créditos: los usuarios que chatean mucho con GPT-4 alcanzan rápidamente el límite del plan gratuito, y no hay una señal automática de reposición de créditos antes de que te quedes sin ellos a mitad de una conversación.

La comunidad en torno a Quivr es activa en Discord y GitHub. El repositorio de GitHub muestra más de 353 versiones a principios de 2025, con una clasificación activa de problemas y actividad de los colaboradores. La empresa de Stan Girard también creó Megaparse específicamente porque Quivr necesitaba un mejor análisis de archivos, lo que demuestra el tipo de integración vertical que hace que el ecosistema se refuerce a sí mismo. Para tener contexto sobre cómo encaja Quivr en los patrones más amplios de desarrollo de aplicaciones GenAI, consulta también LangChain y Dify, que adoptan diferentes enfoques arquitectónicos para el mismo problema de conectar LLM a los datos.

"Nos dimos cuenta de que muchas personas tenían problemas para construir un RAG, así que en lugar de impulsar nuestro producto empresarial completo, te permitimos añadir fácilmente un RAG a tu producto sin tener que implementar una aplicación empresarial completa." - Stan Girard, LinkedIn, 2024

Para quién está diseñado Quivr

Quivr es una buena opción para desarrolladores de Python y equipos de ingeniería que necesitan añadir la recuperación de documentos a un producto que ya están construyendo. Si tu producto implica que los usuarios suban archivos, realicen consultas en una base de conocimiento o hagan preguntas sobre documentos de la empresa, Quivr te proporciona un pipeline listo para producción sin tener que escribir la infraestructura de recuperación desde cero.

Los investigadores y trabajadores del conocimiento que se sienten cómodos con el autoalojamiento y desean un sistema de preguntas y respuestas de documentos totalmente privado también son una excelente combinación. La licencia Apache 2.0 significa que no hay dependencia del proveedor (vendor lock-in), los datos no salen de tu infraestructura y no hay tarifas de suscripción. Un investigador con 500 PDF que sepa cómo ejecutar Docker puede tener una base de conocimiento privada y con capacidad de búsqueda en una tarde.

Quivr es especialmente adecuado para equipos que ya utilizan Postgres, ya que la integración con PGVector significa que no hay infraestructura adicional más allá de la que probablemente ya ejecutan. También es ideal para casos de uso en los que la elección del LLM debe mantenerse flexible, como proyectos en los que la gestión de costes requiere cambiar entre GPT-3.5 y GPT-4 según la complejidad de la consulta, o donde el cumplimiento normativo exige modelos locales (on-premises).

La versión en la nube alojada en quivr.app amplía la usabilidad a usuarios sin conocimientos de programación que solo desean un asistente de conocimiento de IA personal sin configuración de infraestructura. Funciona bien para personas con volúmenes de consulta moderados. Los usuarios que realizan investigaciones diarias intensivas en grandes colecciones de documentos superarán rápidamente el plan gratuito y deberán sopesar el coste de los créditos de pago frente a la complejidad del autoalojamiento.

Para los equipos que evalúan el espacio más amplio de aplicaciones habilitadas para RAG, vale la pena revisar RAGFlow para flujos de trabajo de documentos empresariales complejos que requieren un análisis avanzado.

Lo que Quivr no es

Quivr no es una aplicación independiente. Si deseas descargar algo, iniciarlo y tener un producto terminado listo para que tu equipo lo use, AnythingLLM o una herramienta todo en uno similar es la opción correcta. Quivr requiere una aplicación anfitriona a su alrededor.

Quivr no es una interfaz de chat. No tiene una interfaz de usuario integrada. La versión alojada quivr.app proporciona una, pero la biblioteca de código abierto en sí no tiene front-end. Los equipos que necesitan una capa de interfaz de usuario aún deben construir o adoptar una por separado.

Quivr no es adecuado para usuarios sin conocimientos técnicos que necesitan un software de gestión del conocimiento pulido con funciones como notas diarias, vistas de gráficos o enlaces de estilo wiki. Esos usuarios estarán mejor atendidos por Notion AI, Obsidian con los plugins adecuados o herramientas PKM similares. Las primeras reseñas en Product Hunt reflejan esta brecha: los usuarios que esperaban una experiencia PKM local similar a Obsidian encontraron la aplicación web demasiado lenta y con pocas funciones.

Quivr tampoco es un reemplazo para una plataforma dedicada de inteligencia de documentos. Para las organizaciones que procesan documentos de seguros escaneados, contratos en varios idiomas o tablas financieras complejas, el enfoque de comprensión profunda de documentos de RAGFlow con OCR y detección de diseño superará al pipeline de ingesta más simple de Quivr en esos tipos de documentos específicos.