Original en inglés: https://argusic.com/subject/pharosrag
PharosRAG
Pharos: RAG agéntico local primero para la biblioteca de documentos de tu equipo: ingesta multiformato, recuperación híbrida, ACL empresarial, vías de salida duales HTTP + MCP.
Funciona con mocksfuente: GitHubPythonMITcommit 162c7ca3e975
Python, licencia MIT. El proyecto se describe a sí mismo como: agentic rag, embeddings, fastapi, hybrid search, knowledge base, llm, local first y mcp.
PharosRAG funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 0,2 minutos y encontró 3 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Pharos installs, builds, and runs its test suite (240/240 pass in the product+engine CPU tests); the HTTP server starts and answers health checks; the MCP stdio adapter initializes with full tool contract; the RAG pipeline (embedder → Qdrant in-memory → hybrid dense+BM25 retrieval → small-to-big context assembly) works end-to-end via a mock inference backend;
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 92 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- pharos serve requires GPU model scripts at ~/models/Qwen3-VL-Embedding-8B/scripts which don't exist (no GPU in container)3 minutos
- remote module _verify_server checks that os.path.basename(dense_model_path) matches the server's model_dense field, so default path basename ~/models/... must match2 minutos
- externally-managed-environment prevents system-wide pip install0,2 minutos
- Tiempo de instalación
- menos de un minuto
- De máquina en frío a terminar
- 22 minutos
- Errores encontrados y corregidos
- 3 encontrados, 3 corregidos sin ayuda humana
- Cómo se demostró el resultado
- `python -m pytest tests -q` exited 0 with 240 passed, 12 skipped (12 skipped because no torch installed; expected without [gpu] extra); `pharos health` returned {"status":"ok"} on running server; `curl http://127.0.0.1:8788/healthz` returned 200; `echo initialize | pharos mcp` returned valid MCP capabilities; `python -c '...embedder pipeline...'` indexed one doc and retrieved 1 hit with score=1.0; `curl -X POST /v1/ask` returned structured `llm_unconfigured` (correct, needs real DeepSeek key)
- Tokens de modelo usados
- 268.489
- Commit exacto probado
- 162c7ca3e975
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 2, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
All systems verified. Let me compile the final report. **Install elapsed**: roughly 0.2 minutes (the pip install itself). **Total time including investigation**: harder to bound, but within the allowed exec /bin/sh -lc 'pkill -f "mock_inference" 2>/dev/null; pkill -f "pharos serve" 2>/dev/null; echo "clea… exited 143 in 0ms: exec /bin/sh -lc 'date +%s' in /work/repo succeeded in 0ms: 1789889871 tokens used 268,489
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 0,2 minutos, más rápido que la mediana de los 3 proyectos comparables que ha medido Argusic.
- Se recuperó de los 3 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia MIT, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
De los 4 proyectos de agentic-rag que Argusic ha instalado y cronometrado, PharosRAG fue el 1.º más rápido en llegar a funcionar, y 2 de 4 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Funciona con mocks | 92,00 | 0,09 | |
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,03 |
Temas (de GitHub)
agentic-ragembeddingsfastapihybrid-searchknowledge-basellmlocal-firstmcpmodel-context-protocolpythonqdrantragretrieval-augmented-generationself-hosted
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/pharosrag)Preguntas
- ¿Funciona PharosRAG?
- PharosRAG funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 0 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic PharosRAG?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 162c7ca3e975. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar PharosRAG?
- La ejecución que produjo este veredicto costó 0,09 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda PharosRAG en instalarse?
- 0,2 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita PharosRAG una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar PharosRAG?
- En la ejecución registrada fallaron 3 cosas, y 3 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara PharosRAG con las alternativas?
- De los 4 proyectos de agentic-rag que Argusic ha instalado y cronometrado, PharosRAG fue el 1.º más rápido en llegar a funcionar, y 2 de 4 llegaron a funcionar.
- ¿Dónde está la evidencia de PharosRAG?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.