¿Qué es PolyUQuest?
PolyUQuest responde preguntas sobre un sitio web conservando la estructura que el troceado plano desecha. Construye un grafo de tres capas con páginas web, bloques DOM (secciones del HTML de cada página, limitadas a unas 150 palabras) y entidades extraídas, lo guarda en Neo4j con vectores en Qdrant y dirige cada consulta a uno de tres modos: búsqueda directa de bloques, búsqueda anclada en páginas que sigue enlaces, o recorrido del grafo de entidades. Existe un modo híbrido para consultas de baja confianza, pero viene desactivado en la configuración incluida. Las respuestas citan sus bloques de origen.
El repositorio es la pila de servicio en línea de un grupo de la Hong Kong Polytechnic University: un backend FastAPI, un frontend Next.js 14 y un benchmark de 300 preguntas sobre la web de PolyU. El artículo que lo acompaña, PolyUQuest: Verifiable Structure-Aware Web RAG over Heterogeneous Graphs (arXiv 2607.08269), fue aceptado en el demo track de CIKM 2026. Por defecto llama a la API de SiliconFlow para modelos DeepSeek y embeddings BGE-M3, con Qwen3-Reranker-8B para el reranking.
El código es Apache 2.0; el dataset es solo para investigación, con condiciones que los autores equiparan a CC BY-NC 4.0. El repositorio se creó en junio de 2026, tiene dos commits, el último del 3 de noviembre de 2026, y ninguna versión publicada.
¿Merece la pena PolyUQuest?
PolyUQuest es un resultado de investigación bien argumentado, pero todavía no algo para desplegar. La idea es buena y los frameworks de RAG con grafos que la gente ya usa apenas la cubren: los enlaces y la maquetación HTML de un sitio son estructura que se obtiene gratis, y la ablación del artículo atribuye la mayor parte de su ventaja de calidad a los bloques conscientes del DOM, no al grafo de entidades. Pero el repositorio tiene 3 estrellas en GitHub, dos commits y ninguna versión, y llega sin la canalización offline que rastrea e indexa un sitio, así que los almacenes de Neo4j y Qdrant arrancan vacíos.
Las cifras del artículo son buenas pero autodeclaradas, sobre el propio benchmark de los autores de 300 preguntas acerca de 4.240 páginas de PolyU (31.086 bloques DOM y 29.119 entidades). PolyUQuest obtuvo 0,644 en corrección de respuestas y 0,921 en fidelidad, frente a 0,610 y 0,559 de LightRAG, con 2.968 tokens por consulta frente a 29.825 de LightRAG y 17,5 millones de tokens para construir el índice frente a 37,4 millones. Un RAG simple por fragmentos llegó a 0,532 de corrección con 2.947 tokens. El artículo no nombra el modelo de lenguaje usado ni dice si las respuestas las puntuaron personas o un modelo, lo que dificulta reproducir las cifras.
Tal como se entrega, es un entorno de desarrollo. El servidor FastAPI escucha en 0.0.0.0, con recarga automática activada y sin autenticación en /api/query. El docker-compose.yml publica Neo4j y Qdrant en todas las interfaces, con una contraseña de Neo4j incluida en el propio archivo y los procedimientos de APOC y Graph Data Science sin restricciones. Además, cada consulta va a SiliconFlow, un proveedor de API chino, para el enrutado, los embeddings, la reescritura de consultas y el reranking, salvo que lo cambies; DeepSeek y Qwen son las alternativas documentadas, y los embeddings pueden ejecutarse en local con BGE-M3.
LightRAG y Microsoft GraphRAG, ambos reseñados aquí, indexan cualquier colección de documentos y publican versiones mantenidas; PolyUQuest se centra en sitios HTML y se ha evaluado en uno solo. Neo4j y Graphiti son infraestructura sobre la que podría apoyarse, no rivales. Su lección más útil, que dividir las páginas según su DOM antes de generar embeddings supera tanto a los fragmentos planos como a los grafos más pesados, merece llevarse a una canalización existente mucho antes de que este código esté listo para adoptarse.
Dónde se gana su sitio
Una investigadora en recuperación que compara métodos de RAG con grafos
Comparar un método nuevo con un RAG web consciente de la estructura sobre un conjunto de prueba publicado
python -m agent_rag.evaluation --validate-only comprueba las 300 preguntas sin ningún servicio, y el modo replay puntúa las salidas de tu propio sistema con métricas de fragmentos de respuesta. Las métricas a nivel de bloque necesitan el corpus 20260523 de los autores, que no está en el repositorio, así que aún no es posible una comparación directa con el propio PolyUQuest.
El equipo web de una universidad con unos pocos miles de páginas sobre estudios y admisiones
Prototipar un asistente de preguntas para estudiantes que cite la sección exacta de la página en cada respuesta
El enrutador, los modos de recuperación y la interfaz de chat en Next.js sirven de referencia. Los módulos de rastreo y extracción de entidades están en el código, pero no la canalización que los vuelca en Neo4j y Qdrant, así que el equipo monta su propia construcción; los 17,5 millones de tokens del artículo para 4.240 páginas dan un presupuesto aproximado. Añade autenticación y cierra los puertos de las bases de datos antes de abrirlo a estudiantes.
Un ingeniero que ejecuta LightRAG sobre la documentación de un producto
Reducir los tokens al responder sin perder fidelidad
Toma la conclusión, no el código: divide las páginas según su estructura HTML en bloques de unas 150 palabras antes de indexar. La ablación del artículo atribuye a ese paso la mayor parte de la ventaja de PolyUQuest, y no requiere una base de datos nueva.
Antes de decidirte
- Puesta en marcha
- Copia .env.example y añade una clave de SiliconFlow, docker-compose up -d para Neo4j y Qdrant, uv sync y uv run agent-rag-serve, y luego npm run dev en frontend/. Necesita Python 3.11+, Node 18+ y Docker; sin GPU con los valores por defecto de la API. Los almacenes arrancan vacíos.
- Integraciones
- Neo4j 5 Community con APOC y Graph Data Science, Qdrant, APIs de SiliconFlow, DeepSeek o Qwen, embeddings BGE-M3 por API o en local, Qwen3-Reranker-8B vía SiliconFlow y Firecrawl opcional para páginas renderizadas con JavaScript. Endpoints REST /api/query, /api/graph/stats y /api/health.
- Datos y privacidad
- Las consultas y el texto de las páginas van a las APIs de LLM, embeddings y reranker configuradas (SiliconFlow por defecto). El servidor escucha en 0.0.0.0 sin autenticación; los puertos de Neo4j y Qdrant se publican con una contraseña por defecto incluida en el repositorio. El código es Apache 2.0; el benchmark prohíbe el uso comercial.
- Coste a escala
- Sin edición de pago. El artículo indica 17,5 millones de tokens de LLM para indexar 4.240 páginas y unos 2.968 tokens por consulta; el repositorio no da precios de API. Alojarlo uno mismo añade servidores para Neo4j y Qdrant, más GPU si los modelos se ejecutan en local.
- Límites
- Canalización de indexación sin publicar; dos commits, ninguna versión y ningún issue abierto; el enrutado híbrido está desactivado en la configuración incluida; evaluado en una sola web universitaria; los IDs de bloques de referencia del dataset solo se resuelven contra el corpus no publicado de los autores.
Lo bueno
- Aprovecha enlaces y estructura HTML que el troceado plano descarta
- El artículo reporta 0,921 de fidelidad frente a 0,559 de LightRAG
- Cerca de una décima parte de los tokens por consulta de LightRAG en las pruebas del artículo
- Incluye un benchmark de 300 preguntas y un entorno de ablación
Lo malo
- No incluye la canalización offline de rastreo e indexación
- 3 estrellas, dos commits y ninguna versión
- Sin autenticación en la API; bases de datos expuestas con una contraseña en el repositorio
- Resultados autodeclarados y benchmark de uso no comercial
Ideal para
Investigadores y equipos web universitarios que estudian la recuperación consciente de la estructura en sitios HTML, no equipos que necesitan un sistema RAG en producción.
Alternativas a PolyUQuest
PolyUQuest: preguntas frecuentes
- ¿Merece la pena PolyUQuest?
- Un artículo inteligente sobre aprovechar la estructura propia de un sitio web para RAG, publicado como código de servicio que todavía no puede indexar tu web. Le damos un 3.0 sobre 5.
- ¿Cuánto cuesta PolyUQuest?
- Gratuito y de código abierto bajo Apache 2.0; el benchmark incluido es solo para investigación. Las consultas y la indexación consumen tus propios créditos de APIs de LLM, embeddings y reranker (SiliconFlow por defecto).
- ¿Qué inconvenientes tiene PolyUQuest?
- No incluye la canalización offline de rastreo e indexación; 3 estrellas, dos commits y ninguna versión; sin autenticación en la API; bases de datos expuestas con una contraseña en el repositorio; resultados autodeclarados y benchmark de uso no comercial.
- ¿Para quién es PolyUQuest?
- Investigadores y equipos web universitarios que estudian la recuperación consciente de la estructura en sitios HTML, no equipos que necesitan un sistema RAG en producción.
- ¿Cuánto cuesta PolyUQuest para un equipo o en producción?
- Sin edición de pago. El artículo indica 17,5 millones de tokens de LLM para indexar 4.240 páginas y unos 2.968 tokens por consulta; el repositorio no da precios de API. Alojarlo uno mismo añade servidores para Neo4j y Qdrant, más GPU si los modelos se ejecutan en local.
- ¿Es PolyUQuest seguro para los datos de la empresa?
- Las consultas y el texto de las páginas van a las APIs de LLM, embeddings y reranker configuradas (SiliconFlow por defecto). El servidor escucha en 0.0.0.0 sin autenticación; los puertos de Neo4j y Qdrant se publican con una contraseña por defecto incluida en el repositorio. El código es Apache 2.0; el benchmark prohíbe el uso comercial.
- ¿Cuáles son las mejores alternativas a PolyUQuest?
- Las alternativas más cercanas que hemos analizado son LightRAG, GraphRAG, RAGFlow, Graphiti y Crawl4AI.
Respuestas comprobadas el 9 nov 2026.