Tu IA hace 10× más trabajo con los mismos tokens.
En vez de quemar tokens releyendo archivos enteros, tu IA recibe el conocimiento ya destilado por un servidor MCP local: módulos y contratos de tu código, totales y agregados de tus planillas, lo esencial de tus documentos y emails. Menos relectura, menos gasto: hasta 50% menos tokens por tarea.
- [✓]Código, planillas y documentos
- [✓]Hasta 50% menos tokens
- [✓]10× más trabajo por sesión
- [✓]Local-first y privado
$ search_context("por qué falla el webhook de pagos")
→ card + finding: contrato, quién lo llama, fix probado
$ query_dataset("SELECT rubro, SUM(total) FROM ventas")
→ totales por rubro desde ventas_2025.xlsx — sin abrir la planilla
return contexto listo — hasta 50% menos tokens
El problema
Releer archivos enteros quema tokens
Cuando una IA arranca fría, gasta tokens y tiempo releyendo archivos para reconstruir cómo encaja todo: el repo, la planilla de cuarenta columnas, la carpeta de contratos. El contexto se pierde entre sesiones y cada tarea vuelve a pagar la relectura. Cuanto más grande el proyecto, más caro cada prompt.
La solución
Contexto destilado = más trabajo por token
CODE-RAG indexa tus fuentes —código, planillas, documentos, emails— y genera tarjetas por módulo o archivo con un LLM: qué hay, cómo se usa, de qué depende, y si son datos, totales y agregados ya calculados. Tu IA recupera solo lo relevante por búsqueda semántica y abre únicamente lo que va a tocar: hasta 50% menos tokens por tarea. Cuanto más complejo el proyecto, mejor funciona.
- [·]Tarjetas por módulo o archivo generadas por LLM, no dumps.
- [·]Traés lo relevante, no medio repo ni la planilla entera en cada prompt.
- [·]Hasta 10× más tareas con el mismo presupuesto de tokens.
Para quién es
Nació para devs. Hoy lo usa cualquiera que trabaje con archivos.
Repos, planillas, contratos, papers, emails: si tu trabajo vive en archivos, tu IA rinde más con CODE-RAG.
Desarrolladores
Tu agente relee medio repo en cada sesión y el contexto no sobrevive al /clear.
Tarjetas por módulo con contratos, dependencias y bugs pasados. Cada fix se indexa como finding: el RAG mejora con el uso.
Contadores y estudios
Balances, mayores y extractos repartidos en veinte planillas que nadie quiere abrir.
Detecta columnas de cuenta, debe y haber automáticamente y precalcula balance de sumas y saldos y mayor por cuenta y mes. Preguntale en castellano; responde con números.
Economistas y finanzas
Series, informes y datasets que hay que volver a abrir para cada consulta.
Totales por mes, trimestre y categoría precalculados al indexar, y SQL ad-hoc de solo lectura sobre tus archivos con query_dataset.
Ciencia de datos
El contexto del proyecto vive en CSV enormes, bases sueltas y docs desperdigados.
Indexa datasets (CSV, Parquet, SQLite) junto con tu código Python o R en el mismo RAG. Tu IA consulta esquemas y agregados sin cargar el dataset en el prompt.
Empresas y administración
Contratos, manuales, presupuestos y correos desperdigados entre carpetas y casillas.
El perfil «Empresa» indexa documentos y datos juntos: Word, PDF —incluso escaneados, con OCR opcional—, emails de Outlook y planillas. Todo local: nada sube a la nube.
Independientes y marketing
Propuestas, piezas, métricas de campañas: cada respuesta exige rearmar el contexto a mano.
Un RAG por proyecto o cliente: indexás la carpeta y preguntás conversando desde tu app de IA (Claude, GPT…). Sin escribir una línea de código.
¿No programás? No importa: se usa conversando, desde Claude, GPT o tu app de IA con MCP. Ver todos los formatos →
Cómo funciona
Indexado en tu GPU → MCP local → Tu IA
Tres piezas simples. Tus archivos nunca salen de tu infraestructura.
Indexá en tu GPU
El indexer descubre módulos y archivos, genera tarjetas con el LLM y las vectoriza. Si hay datos, precalcula totales por columna, fecha y categoría. Corre en tu máquina o en un box GPU compartido por Tailscale.
Serví por MCP local
Un servidor MCP local expone el conocimiento a tu IA mediante sus tools. Sin terceros, sin subir tus archivos a la nube.
Consumí desde tu IA
Claude, GPT o el cliente MCP que prefieras: tu agente de código para programar, una app de chat para todo lo demás. La IA pide contexto por las tools y abre solo lo que necesita. Cada hallazgo se re-indexa y mejora el sistema.
Las 6 tools principales del MCP
search_context
Contexto destilado por búsqueda semántica.
query_dataset
SQL de solo lectura sobre tus planillas y datos.
get_card
La tarjeta completa de un módulo.
get_module_map
El índice de un área del repo.
record_finding
Registra un hallazgo de debugging.
feedback
Marca lo útil/inútil (ajusta el scoring).
Características
Un RAG que mejora solo
Menos tokens, más trabajo útil. Para equipos de software y para cualquiera que viva entre planillas y documentos, sin humo.
Se auto-mejora
Cada bug resuelto o hallazgo se indexa como un finding. Un scoring de utilidad (refuerzo por uso + decay de lo obsoleto) hace aflorar lo probado y fresco primero.
Local-first y privado
El indexado y los modelos corren en tu infra (una GPU). Ni tu código ni tus datos salen a terceros. Modo local (todo en tu máquina) o local + servidor (box GPU por Tailscale).
Preguntale a tus planillas
SQL de solo lectura al instante con query_dataset (DuckDB) sobre Excel, CSV, JSON, Parquet o SQLite. Y agregados precalculados: totales por fecha y categoría, sumatorias y saldos.
Multi-proyecto, con dashboard
Cada repo o carpeta de trabajo con su RAG independiente —índice, store y dashboard de observabilidad con vista 3D «Constelación»— compartiendo GPU y red. Escalá a todos tus proyectos y clientes.
Funciona con Claude, GPT y más
Se conecta vía MCP (6 tools principales) a Claude Code, Claude Desktop, VS Code y cualquier cliente que hable MCP, y suma el skill /aprende, que indexa hallazgos directamente desde la sesión.
Contexto destilado, no grep
Tarjetas por módulo o archivo + recuperación semántica: tu IA entiende el proyecto sin releerlo entero. Menos tokens de entrada, más presupuesto para razonar.
Formatos
Un solo índice para todo lo que tenés
Todo se indexa y se consulta local. Estas son las familias de archivos que CODE-RAG entiende hoy.
Documentos
Prosa y notas
Planillas
Datos y bases
Extractos bancarios
Correo
Imágenes y escaneos
Código
Algunos parsers pesados (PDF, Excel, YAML, SQLite, Parquet) usan dependencias opcionales y se omiten con aviso si faltan. El OCR es opt-in (RAG_OCR=1) y requiere Tesseract instalado; por defecto lee español e inglés.
Planes
Elegí tu plan
Suscripción mensual que se paga sola con lo que ahorrás en tokens. Ultimate también en pago único (perpetua). Sin trial.
Lite
Para arrancar en tu máquina, un proyecto.
- Solo local
- 1 proyecto
- 1 dispositivo(s)
- Auto-mejora (findings + scoring)
- Dashboard de observabilidad
- 6 tools MCP + skill /aprende
- Soporte por email
Pro+
Local + servidor, hasta 3 proyectos.
- Local + servidor
- 3 proyectos
- 3 dispositivo(s)
- Auto-mejora (findings + scoring)
- Dashboard de observabilidad
- 6 tools MCP + skill /aprende
- Soporte por email
Ultimate
Todo desatado: proyectos ilimitados y perpetua opcional.
- Local + servidor
- Proyectos ilimitados
- 5 dispositivo(s)
- Auto-mejora (findings + scoring)
- Dashboard de observabilidad
- 6 tools MCP + skill /aprende
- Soporte por email
Prices in USD, taxes may apply.
Cancelás cuando quieras desde tu pasarela de pago. La licencia corre hasta el fin del período pagado.
FAQ