# RAG-Anything: Cómo Hacer RAG con PDFs que Tienen Imágenes, Tablas y Ecuaciones **URL:** \ **Category:** AI Dev Tools — General\ **Tags:** rag, pdf, python, yodev, open-source, markitdown, rag-multimodal, lightrag\ **Created:** [25 Octubre, 2026 14:45 UTC](https://www.yodev.dev/t/rag-anything-como-hacer-rag-con-pdfs-que-tienen-imagenes-tablas-y-ecuaciones/5792 "2026-10-25T14:45:16Z")\ **Posts on this page:** 1\ **Page:** 1
**Author:** ![Devy](https://yyz1.discourse-cdn.com/flex009/user_avatar/www.yodev.dev/devy/32/62_2.png) [@Devy](https://www.yodev.dev/u/Devy)\ **Post date:** [25 Octubre, 2026 14:45 UTC](https://www.yodev.dev/t/rag-anything-como-hacer-rag-con-pdfs-que-tienen-imagenes-tablas-y-ecuaciones/5792/1 "2026-10-25T14:45:17Z")
RAG-Anything es un framework open source en Python para chatear con tus PDFs y documentos de Office sin perder sus imágenes, tablas ni ecuaciones. En lugar de aplanar el archivo a texto plano, separa cada elemento, lo describe con un modelo de lenguaje o de visión y lo conecta todo en un grafo de conocimiento que puedes consultar en lenguaje natural. Lo desarrolla HKUDS, el laboratorio de la Universidad de Hong Kong detrás de LightRAG, tiene licencia MIT y supera las 24.100 estrellas en GitHub. ![Screenshot 2026-10-25 at 11.42.24 AM](https://canada1.discourse-cdn.com/flex009/uploads/inovacon/original/2X/4/4c6b0318d3615217da9b0777bf2f5b5e67778daa.png) > **[GitHub - HKUDS/RAG-Anything: "RAG-Anything: All-in-One RAG Framework"](https://github.com/HKUDS/RAG-Anything)** > > "RAG-Anything: All-in-One RAG Framework" ## ¿Qué es RAG-Anything? RAG-Anything es un pipeline de RAG multimodal (`multimodal RAG`) construido sobre LightRAG. Cubre todo el recorrido, desde la ingesta del documento hasta la respuesta, en cuatro etapas: 1. **Parsing.** Un parser divide el archivo en bloques de texto, imágenes, tablas y ecuaciones, y registra la página de la que viene cada uno. 2. **Análisis por tipo.** Cada elemento pasa por su propio procesador. Un modelo de visión escribe descripciones de las imágenes teniendo en cuenta el contexto, las tablas se interpretan como datos estructurados y las ecuaciones se procesan en LaTeX. 3. **Grafo de conocimiento.** Los elementos se convierten en entidades relacionadas con el texto que los rodea. Una cadena de relaciones `belongs_to` conserva la jerarquía de secciones del documento. 4. **Recuperación híbrida.** Las consultas combinan búsqueda vectorial con recorrido del grafo, así que una respuesta puede traer un párrafo junto con el gráfico que lo explica. Es la idea detrás del `knowledge graph RAG` o `graph RAG`, extendida a contenido que no es texto. Acepta PDFs, documentos de Office (DOC, DOCX, PPT, PPTX, XLS, XLSX), imágenes (JPG, PNG, BMP, TIFF, GIF, WebP) y archivos de texto (TXT, MD). Las versiones recientes también aceptan audio y video, que vemos más abajo. ## ¿Por qué el RAG tradicional falla con PDFs que tienen tablas y gráficos? Porque un pipeline de RAG típico extrae la capa de texto del PDF, la corta en fragmentos y genera embeddings de esos fragmentos. Todo lo que no es texto corrido se pierde por el camino: - Un gráfico de barras desaparece. - Una tabla se convierte en una lista de números sin los encabezados de sus columnas. - Una fórmula queda como caracteres rotos. En documentación técnica, reportes financieros y papers de investigación, la respuesta suele estar justo ahí. RAG-Anything trata esos elementos como contenido de primera clase. Un gráfico lo describe un modelo de visión y se guarda como una entidad vinculada al párrafo que lo menciona. Una tabla conserva su estructura y su leyenda. El enfoque está descrito en el reporte técnico de los autores en arXiv (2510.12323, octubre de 2025). Según los propios autores, supera a los métodos existentes en benchmarks multimodales, con las mayores ventajas en documentos largos. Son resultados reportados por el equipo que creó la herramienta, y el reporte es un preprint. ## ¿Qué diferencia hay entre LightRAG y RAG-Anything? LightRAG es el motor y RAG-Anything es la capa multimodal que va encima. LightRAG aporta la indexación basada en grafos, el almacenamiento y los modos de consulta. RAG-Anything suma los parsers, los procesadores por tipo de contenido y las relaciones entre texto, imágenes, tablas y ecuaciones dentro del grafo. Los dos proyectos están muy conectados: - Si ya tienes una base de conocimiento en LightRAG, puedes pasar esa instancia a RAG-Anything. Hereda el directorio de trabajo, la función del LLM y la de embeddings, y puedes agregar documentos multimodales al mismo almacenamiento. - Desde junio de 2026, el propio LightRAG habilita RAG multimodal mediante una integración nativa de RAG-Anything. Regla práctica: si tus documentos son casi todo prosa, con LightRAG te alcanza. Si las respuestas están en figuras, tablas o fórmulas, necesitas la capa de RAG-Anything. ## ¿RAG-Anything o MarkItDown? Depende de si necesitas un sistema de RAG completo o solo convertir documentos para dárselos a un modelo. [MarkItDown](https://www.yodev.dev/t/markitdown-la-herramienta-de-microsoft-que-convierte-cualquier-documento-en-contexto-para-tu-ia/2232) es una utilidad ligera de Microsoft que convierte PDFs, Office, imágenes, audio, HTML y EPUB a Markdown, conservando títulos, listas, tablas y enlaces. Está pensada para alimentar LLMs, pero solo convierte: no indexa ni recupera nada. | | MarkItDown | RAG-Anything | | --- | --- | --- | | Qué produce | Un archivo Markdown | Un grafo de conocimiento consultable | | Imágenes | EXIF y OCR; descripciones con LLM opcionales para PPTX e imágenes | Descripción con modelo de visión de cada imagen, vinculada al texto | | Búsqueda y respuestas | No incluye | Recuperación híbrida vectorial y de grafo | | Modelos necesarios | Ninguno para la conversión básica | LLM, modelo de visión y embeddings | | Instalación | `pip install 'markitdown[all]'` | `pip install raganything` | Si vas a pegar un documento en el contexto de Claude Code o de tu agente, MarkItDown es la herramienta más directa. Si tienes una carpeta con cientos de documentos y quieres hacerles preguntas cuyas respuestas están en gráficos y tablas, RAG-Anything es la opción. ## ¿Cómo se instala RAG-Anything? Se instala desde PyPI y requiere Python 3.9 o superior: ```bash pip install raganything # Extras opcionales para más formatos pip install 'raganything[all]' pip install 'raganything[image]' # BMP, TIFF, GIF, WebP pip install 'raganything[text]' # TXT, MD ``` Si prefieres trabajar desde el código fuente, el proyecto usa `uv`: ```bash git clone https://github.com/HKUDS/RAG-Anything.git cd RAG-Anything uv sync uv sync --all-extras # todas las funciones opcionales ``` Hay dos cosas que `pip` no instala por ti: - **LibreOffice** es obligatorio para procesar documentos de Office. En macOS es `brew install --cask libreoffice`, en Ubuntu/Debian `sudo apt-get install libreoffice`, y en Windows, el instalador del sitio oficial. - **Los modelos de MinerU** se descargan automáticamente la primera vez que procesas un documento. Para comprobar que el parser está listo: ```bash mineru --version ``` ## ¿MinerU, Docling o PaddleOCR: qué parser conviene usar? Empieza con MinerU, que es el parser por defecto, salvo que tu corpus sea casi todo Office: en ese caso prueba Docling. RAG-Anything soporta tres parsers y eliges uno con el argumento `parser` o la variable de entorno `PARSER`: | Parser | Ideal para | | --- | --- | | **MinerU** (por defecto) | PDFs, imágenes y Office; OCR y extracción de tablas sólidos; aceleración por GPU | | **Docling** | Documentos de Office y HTML; conserva mejor la estructura del documento | | **PaddleOCR** | Trabajo intensivo de OCR sobre PDFs escaneados e imágenes; convierte Office/TXT/MD a PDF primero | PaddleOCR necesita su propio extra (`pip install 'raganything[paddleocr]'`) y además una versión de `paddlepaddle` para tu plataforma, que se instala siguiendo su guía oficial. El método de parsing puede ser `auto`, `ocr` o `txt`. MinerU también acepta opciones como `device` (`cpu`, `cuda`, `mps`), un rango de páginas y `lang` para el OCR. ## ¿Cómo chatear con tus PDFs usando RAG-Anything? Configuras tres funciones de modelo (un LLM, un modelo de visión y una función de embeddings), procesas el archivo y lo consultas. Las llamadas principales son estas: ```python config = RAGAnythingConfig( working_dir="./rag_storage", parser="mineru", parse_method="auto", enable_image_processing=True, enable_table_processing=True, enable_equation_processing=True, ) rag = RAGAnything( config=config, llm_model_func=llm_model_func, vision_model_func=vision_model_func, embedding_func=embedding_func, ) await rag.process_document_complete( file_path="path/to/your/document.pdf", output_dir="./output", parse_method="auto", ) result = await rag.aquery( "What are the main findings shown in the figures and tables?", mode="hybrid", ) ``` Las definiciones completas de las tres funciones de modelo están en el README. El ejemplo oficial las conecta a la API de OpenAI, y el parámetro `base_url` te permite apuntarlas a cualquier endpoint compatible. Hay tres formas de consultar: - **Consultas de texto** , con los modos de LightRAG: `hybrid`, `local`, `global` y `naive`. - **Consultas mejoradas con VLM** , que se activan solas cuando hay un modelo de visión configurado. Si el contexto recuperado incluye imágenes, se envían las imágenes mismas al modelo de visión, no solo sus descripciones. - **Consultas multimodales** (`aquery_with_multimodal`), que te permiten incluir una tabla o una ecuación en LaTeX dentro de la propia pregunta. Para procesar una carpeta completa, `process_folder_complete` recibe una lista de extensiones, un flag `recursive` y `max_workers`. Si ya procesaste tus documentos con otra herramienta, `insert_content_list` acepta contenido ya parseado y se salta el parsing por completo. El repositorio incluye un script de punta a punta listo para usar: ```bash python examples/raganything_example.py path/to/document.pdf --api-key YOUR_API_KEY --parser mineru ``` ## ¿RAG-Anything puede procesar audio y video? Sí, desde las versiones 1.4.x (septiembre de 2026). Las dos funciones son opcionales. - **Audio** (.mp3, .wav, .flac, .m4a, .ogg) - Instala con `pip install 'raganything[audio]'` y activa `enable_audio_processing=True`. - La transcripción se hace en local con faster-whisper, usando el modelo que indiques en `WHISPER_MODEL` (por defecto, `base`). - **Video** (.mp4, .mov, .webm, .avi, .mkv) - Instala con `pip install 'raganything[video]'`, que además necesita `ffmpeg` en tu PATH, y activa `enable_video_processing=True`. - El pipeline detecta escenas con SceneDetect, describe los fotogramas clave con el modelo de visión, transcribe la pista de audio y lo une todo por marca de tiempo. Los archivos multimedia entran en la misma base de conocimiento que tus documentos. Así, una sola pregunta puede apoyarse a la vez en la especificación en PDF y en la grabación de una revisión de diseño. ## ¿RAG-Anything es gratis? El framework es gratuito y tiene licencia MIT, pero ejecutarlo no necesariamente lo es, porque llama a tres modelos: un LLM, un modelo de visión para las imágenes y un modelo de embeddings. Si usas APIs alojadas, pagas por tokens al indexar, ya que cada imagen y cada tabla pasa por un modelo, y otra vez al consultar. Algunas partes corren en local sin costo de API: - Los modelos de los parsers (MinerU, Docling, PaddleOCR). - La transcripción de audio con faster-whisper. - Los scripts de prueba de parsing incluidos (`office_document_test.py`, `image_format_test.py`, `text_format_test.py`), que ejercitan el parser sin API key. Por eso son una buena forma de comprobar qué tan bien se parsean tus documentos antes de gastar en la indexación. * * * **¿Y tú?** ¿Qué documentos te gustaría poder consultar con un RAG multimodal en tu trabajo? _Poll ([view on site](https://www.yodev.dev/t/rag-anything-como-hacer-rag-con-pdfs-que-tienen-imagenes-tablas-y-ecuaciones/5792/1))_ Comenta abajo o, si este artículo te llegó por correo, responde directamente al email: tu respuesta se publica aquí. Relacionado: [Building the Entire RAG Ecosystem and Optimizing Every Component](https://www.yodev.dev/t/building-the-entire-rag-ecosystem-and-optimizing-every-component/976)