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
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
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).
En acción
Producto real y pulido: el visor 3D en tiempo real, el grafo 2D de relaciones, el dashboard en vivo y la consulta que abre el contexto destilado. Todo capturado del producto funcionando.
Capturas y video reales — no mockups.
Características
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 dos visores del conocimiento: la «Constelación» 3D y el grafo 2D de relaciones— 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
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
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