Aller au contenu principal
PromptQuorumConçu pour les humains. Structuré pour l'IA.
Accueil/LLM locaux avancés
RAG & Document Chat

Test d’OpenRAG : plateforme RAG agentique open source

·7 min de lecturePar Hans Kuepper · Fondateur de PromptQuorum · Moteur de découverte de l'IA open-weight et open source

OpenRAG (version 0.8.0, publiée le 1er octobre 2026) est une plateforme gratuite sous licence Apache-2.0 qui réunit Langflow, OpenSearch et Docling pour téléverser des documents et dialoguer avec eux via une interface web. Elle tourne dans des conteneurs lancés depuis un terminal : c’est un outil de développeur, pas une application à installer d’un double-clic. PromptQuorum ne l’a ni installée ni testée ; tout ce qui suit provient de la documentation du projet.

Points clés

  • Maintenance : la v0.8.0 est sortie le 1er octobre 2026 et le dépôt a encore évolué le 23 octobre 2026 ; aucun avertissement de projet délaissé ne s’applique.
  • Licence : Apache-2.0, code source sur GitHub dans l’organisation langflow-ai.
  • Coût : le paquet n’a pas de prix ; vos frais sont le matériel et toute API de modèle que vous branchez.
  • Windows : pris en charge uniquement dans le sous-système Windows pour Linux.
  • Poids : elle repose sur des conteneurs et exige beaucoup d’espace disque ; elle convient mieux à un poste de développement ou à un serveur qu’à un portable léger.

📍 En une phrase

OpenRAG est un paquet sous Apache-2.0 qui démarre une pile RAG prête à l’emploi pour vos documents avec une seule commande uvx.

💬 En termes simples

Vous lancez un installateur dans le terminal, il démarre quelques conteneurs, puis vous téléversez des fichiers et posez vos questions dans un chat en ligne.

📌Remarque: Ce test s’appuie sur la documentation d’OpenRAG, son site web et sa page de versions GitHub, consultés le 23 octobre 2026. PromptQuorum n’a ni installé, ni testé, ni mesuré le logiciel.

Lire en:
🇺🇸en🇩🇪de🇫🇷fr🇯🇵ja🇨🇳zh🇪🇸es🇧🇷pt🇸🇦ar🇰🇷ko

OpenRAG est un paquet open source qui relie Langflow, OpenSearch et Docling pour que vous puissiez téléverser des documents, les interroger et dialoguer avec eux dans un navigateur. Il se lance depuis un terminal et tourne dans des conteneurs ; il s’adresse donc aux développeurs. Ce test reflète sa documentation, son site web et sa page de versions GitHub, consultés le 23 octobre 2026.

Test d’OpenRAG : plateforme RAG agentique open source

Qu’est-ce qu’OpenRAG ?

OpenRAG est une plateforme de génération augmentée par récupération : vous ajoutez des documents à une base de connaissances et posez des questions à un agent IA dans une interface de chat. Le projet la décrit comme un paquet open source pour construire des systèmes RAG agentiques, qui combine trois projets existants : Langflow pour les flux d’agents, OpenSearch pour le stockage des documents et des vecteurs, et Docling pour l’analyse et le découpage des fichiers.

Elle est développée dans le dépôt langflow-ai/openrag, avec un backend FastAPI et un frontend Next.js. Sa documentation se trouve sur docs.openr.ag.

Où l’obtenir

OpenRAG n’est pas une application de bureau à télécharger : on l’installe depuis un terminal avec uv, puis il démarre ses propres conteneurs.

Option
Où l’obtenir
Démarrage rapide (macOS, Linux)Exécuter uvx --python 3.13 openrag dans un dossier vide
WindowsMême commande, mais uniquement dans WSL (voir Prérequis)
Projet PythonL’ajouter comme dépendance avec uv, selon les options d’installation
Auto-géréDocker ou Podman avec votre propre fichier .env, selon le guide Docker
Site webopenr.ag
Documentationdocs.openr.ag
Code sourcegithub.com/langflow-ai/openrag
Politique de confidentialitéAucune page propre ; la doc cite la déclaration de confidentialité d’IBM

Version testée : v0.8.0, publiée le 1er octobre 2026 selon la page de versions GitHub ; le dépôt lui-même a été mis à jour pour la dernière fois le 23 octobre 2026. La version ne fournit qu’un paquet wheel Python et une archive de sources, sans installateur ni version de bureau : un terminal et un environnement de développement sont donc nécessaires.

Prérequis

La documentation demande un environnement de conteneurs, 8 Go de RAM et plus de 50 Go d’espace disque libre.

Élément
Ce que dit la documentation
Python et uvPython 3.13 et uv, selon le démarrage rapide
Environnement de conteneursDocker ou Podman plus un outil compose ; uvx en installe un si besoin
RAM8 Go est le minimum recommandé
DisquePlus de 50 Go libres pour l’intégration et l’ingestion
WindowsDans WSL uniquement ; pas dans une distribution WSL au sein d’une VM Windows
Modèles locauxgpt-oss:20b via Ollama exige au moins 16 Go de RAM

Les pages consultées n’indiquent aucune exigence de GPU pour OpenRAG lui-même, seulement qu’Ollama doit tourner dans un conteneur compatible GPU pour en profiter.

Premiers pas

Les étapes suivent le démarrage rapide du projet ; PromptQuorum ne les a pas exécutées.

  1. 1
    Créer un dossier de travail
    Why it matters: Créez un répertoire vide, par exemple openrag-workspace, et ouvrez-y un terminal.
  2. 2
    Lancer l’installateur
    Why it matters: Exécutez uvx --python 3.13 openrag, ce qui ouvre une interface en terminal.
  3. 3
    Définir les mots de passe administrateur
    Why it matters: Générez automatiquement ou saisissez les mots de passe administrateur d’OpenSearch et de Langflow ; ignorez les autres questions pour garder les valeurs par défaut.
  4. 4
    Démarrer les services
    Why it matters: Répondez Y à « Start services now? », attendez « Services are running », puis ouvrez OpenRAG dans le navigateur.
  5. 5
    Terminer l’intégration
    Why it matters: Choisissez un fournisseur de modèles, saisissez sa clé d’API et cliquez sur Complete ; le démarrage rapide utilise OpenAI.
  6. 6
    Ajouter des connaissances et discuter
    Why it matters: Téléversez des fichiers ou des dossiers, puis posez vos questions dans la vue de chat.

Fonctions confirmées par les sources

Chaque point ci-dessous provient de la documentation ou du README du projet.

  • Flux modifiables. Les flux d’agents intégrés se personnalisent dans l’éditeur Langflow embarqué, y compris le remplacement de modèles ou de composants ; les composants Langflow personnalisés et les serveurs MCP sont pris en charge.
  • Ingestion de documents. Les fichiers viennent de votre système de fichiers local ou de connecteurs de stockage cloud autorisés par OAuth ; Docling Serve les analyse et les découpe.
  • Recherche. OpenSearch stocke les documents et les embeddings et ajoute la recherche hybride et le multi-locataire.
  • SDK et API. Des SDK officiels Python et TypeScript sont publiés sous le nom openrag-sdk, et la documentation comprend une référence d’API.
  • Observabilité. Le traçage vers Langfuse et le traceur IBM Instana sont facultatifs et désactivés par défaut.

Flux de données et accès

Selon la documentation, Docling Serve traite vos documents en local et OpenSearch les stocke dans votre propre base de connaissances ; les sources cloud ne sont chargées que par des connecteurs que vous autorisez. L’architecture repose sur des conteneurs : un backend, Langflow, Docling Serve, les connecteurs et un frontend.

OpenAI est le fournisseur de modèles par défaut : avec lui, vos requêtes et les extraits de documents récupérés partent chez OpenAI, selon sa propre politique. La référence de configuration cite aussi Anthropic, Ollama et IBM watsonx.ai, ce qui permet de viser un point d’accès Ollama local à la place. Si aucun mot de passe de superutilisateur Langflow n’est défini, Langflow démarre sans authentification, d’où la recommandation d’en fixer un.

📌Remarque: L’affirmation sur le traitement local est la description du projet lui-même ; PromptQuorum n’a audité ni les conteneurs ni leur trafic réseau. La vérification de mise à jour du terminal interroge l’API de Docker Hub, sauf si le registre d’images est modifié.

À qui elle s’adresse

  • Les développeurs qui veulent une pile RAG déjà câblée plutôt que d’assembler eux-mêmes Langflow, OpenSearch et Docling.
  • Les équipes qui exploitent déjà des conteneurs et veulent une recherche hybride multi-locataire sur leurs propres fichiers.
  • Ceux qui ont besoin d’une API ou d’un SDK pour appeler un agent de recherche documentaire depuis leur application.

Ce que nous n’avons pas pu vérifier

  • Qualité à l’usage. PromptQuorum n’a pas exécuté le logiciel : qualité des réponses, exactitude des citations, vitesse d’ingestion et stabilité ne sont pas évaluées.
  • Télémétrie. Les pages consultées ne documentent ni analyses d’usage ni réglage de désactivation pour les conteneurs.
  • Politique de confidentialité. Aucune politique propre à OpenRAG n’a été trouvée ; la doc renvoie seulement à la déclaration générale d’IBM.
  • Fonctionnement entièrement local. La documentation décrit la prise en charge d’Ollama, mais le démarrage rapide n’est documenté qu’avec OpenAI ; une configuration totalement hors ligne n’est pas testée.

Concurrents et alternatives

Langflow

Plateformes:
Web
Prix / licence:
Gratuit / MIT
Différence clé:
Le constructeur visuel de flux qu’OpenRAG embarque, sans la pile de recherche fournie
Articles sur Langflow (3)

Également mentionné dans :

RAGFlow

Plateformes:
Linux, web
Prix / licence:
Gratuit / Apache 2.0
Différence clé:
Moteur RAG centré sur la compréhension approfondie des documents et les citations
Articles sur RAGFlow (5)

Également mentionné dans :

Dify

Plateformes:
Web, Linux
Prix / licence:
Freemium / Apache 2.0 modifiée
Différence clé:
Constructeur plus large de flux IA et d’agents, où le RAG n’est qu’une partie
Articles sur Dify (8)

Également mentionné dans :

+3 autres non affichés

Les détails des concurrents changent souvent ; vérifiez prix, licence et plateformes sur la fiche de chaque application.

Comparer dans l'annuaire

Questions fréquentes

Quels modèles Ollama OpenRAG recommande-t-il ?

La documentation suggère gpt-oss:20b ou mistral-nemo:12b pour le langage, et nomic-embed-text, mxbai-embed-large ou embeddinggemma pour les embeddings. Les modèles de chat doivent prendre en charge l’appel d’outils, et la documentation ne garantit pas que tous les modèles Ollama fonctionnent.

Quels ports utilise-t-il ?

Par défaut, 3000 pour le frontend, 7860 pour Langflow, 8000 pour le backend, 9200 pour OpenSearch, 5601 pour OpenSearch Dashboards et 5001 pour Docling. Les ports du frontend et de Langflow se modifient dans le fichier .env.

Depuis quel stockage cloud peut-il ingérer des données ?

La référence de configuration décrit Google Drive via Google OAuth, SharePoint et OneDrive via un enregistrement d’application Microsoft Graph, et AWS S3 via des clés d’accès.

Comment l’appeler depuis mon propre code ?

Installez le SDK Python avec pip install openrag-sdk ou le SDK TypeScript avec npm install openrag-sdk. L’ancien paquet autonome openrag-mcp est obsolète.

Verdict

OpenRAG est une pile RAG gratuite sous Apache-2.0 qui, selon sa documentation, fournit Langflow, OpenSearch et Docling déjà reliés et reste activement mise à jour, avec une version début octobre 2026 et des modifications jusqu’au 23 octobre. En revanche, elle est lourde à exécuter, ne prend en charge Windows que via WSL, utilise OpenAI par défaut, et PromptQuorum n’a pu vérifier ni sa qualité, ni sa télémétrie, ni un usage totalement hors ligne. Elle convient aux développeurs qui veulent un backend RAG prêt à l’emploi et modifiable ; qui préfère une application installable peut comparer AnythingLLM, et qui ne veut que le constructeur de flux peut regarder Langflow.

Sources

← Retour aux LLM locaux avancés

MCP