Seus agentes esquecem tudo entre interações. Alucinam por falta de contexto. Não sabem o que foi decidido na última reunião.
O RagUp resolve isso com 3 camadas de memória que qualquer agente consulta via API ou MCP.
Sua chave OpenAI · Sem markup em tokens · Cancele quando quiser
RAG + Grafo de conhecimento. Seus documentos viram memória de longo prazo. Nunca perde contexto.
Contexto de sessão com TTL. Seu agente lembra o que foi discutido há 5 minutos ou 5 dias.
Wiki automática que conecta conceitos entre documentos. O que era isolado vira conhecimento.
Você já tentou fazer RAG simples. Funciona para um Q&A básico. Mas seu agente precisa de mais. Precisa de contexto.
Esquece tudo entre sessões
Você repete o mesmo contexto toda vez. Perde tempo. Perde precisão.
Alucina por falta de contexto
Chunks soltos não contam a história completa. O agente decide com informação parcial.
Contexto preso em cabeças
Decisões, specs, reuniões — está tudo na cabeça do time, não no sistema.
Zero rastreabilidade
De onde veio essa resposta? Qual documento? Qual decisão? Impossível auditar.
Documentos viram lixo digital
Sem estrutura, sem conexões, sem metadados. Upload vai, upload vem, nada se encontra.
Você não sabe o que não sabe
Onde está o gap de conhecimento? Qual documento está desatualizado? Impossível medir.
O RagUp não é mais um RAG. É a camada de memória que seus agentes precisam para funcionar de verdade.
Sem configuração complexa. Você faz upload, o RagUp processa, estrutura e serve para seus agentes.
Upload de PDFs, documentos, áudio, CSV. Ou use o web agent para capturar conteúdo da internet.
Pipeline inteligente: extrai texto, transcreve áudio, aplica regras da sua pasta.
Chunking + embeddings. Metadados, links entre documentos, grafo de conhecimento.
Seus agentes consultam via MCP (18 tools) ou API REST. Webhooks notificam eventos.
Cada funcionalidade foi construída para resolver um problema real de quem opera agentes de IA em produção.
Não é busca vetorial simples. Documentos são conectados num grafo que revela relações. Seus agentes entendem contexto, não só texto.
Grafo disponível em todos os planosSeus agentes lembram o que foi discutido entre sessões. Contexto de curto prazo que expira automaticamente. Sem poluir a base permanente.
24h a 30 dias · Busca fuzzy · Por projetoCada pasta pode ter seu próprio pipeline: ofuscar dados sensíveis, extrair schema, categorizar, sumarizar, ou rodar prompts agênticos.
5 tipos de steps · Reordenável · Por pastaSchema de metadados por pasta. Filtre por qualquer campo. Agregue com COUNT e AVG via MCP. Zero SQL — seguro por design.
String, número, boolean, data · ILIKE + rangePipeline de pesquisa multi-round: planejamento → descoberta (SearXNG) → extração (Playwright) → análise de gaps → síntese. Tudo indexado na sua base.
Até 9 fontes · 2 rounds · 15min timeoutCada resposta referencia os chunks, documentos e conexões do grafo que a fundamentaram. Context gaps são detectados automaticamente. Compliance sem esforço.
Logs estruturados · Score de consistênciaA cada upload, o LLM extrai conceitos, cria páginas de conhecimento e cross-linka com conceitos relacionados, estendidos ou contraditórios.
Por pasta · Conceitos como nós no grafoDocumento antigo? Depreque. Um aviso indexado conecta o obsoleto ao substituto. Quem perguntar pelo antigo é redirecionado.
Notificação indexada · Links automáticosDescubra quais documentos seu time realmente usa. Veja os chunks mais citados, detecte documentos nunca referenciados, acompanhe tokens, inconsistências e uso do web agent. Root-level: monitore filas, latência MCP, saúde do sistema.
RagUp vs RAG tradicional
Chunks soltos, zero relações entre docs
Sem rastreabilidade do que gerou a resposta
Esquece tudo entre sessões
Sem metadados, sem filtros avançados
Grafo conecta decisões, specs e reuniões
Auditoria structural — cada resposta é rastreável
Memória efêmera + persistente
Schema por pasta, COUNT, AVG, filtros ILIKE
Compatível com Claude, Cursor, n8n e qualquer agente que fale MCP. Basta uma API key.
rag_query
Pergunte à base
rag_aggregate
COUNT e AVG
rag_graph_explore
Explore o grafo
rag_read_document
Leia documentos
rag_wiki_*
Wiki synthesis
memory_*
Memória efêmera
create_folder
Crie pastas
upload_document
Upload de docs
link_documents
Conecte docs
deprecate_document
Depreque docs
rag_list_folders
Liste pastas
rag_help
Guia de uso
Disponível a partir do plano Pro (R$ 99/mês)
Times que saíram do RAG simples e implementaram memória de verdade nos agentes.
"O grafo de conhecimento revelou que 40% dos nossos documentos nunca eram usados nas respostas. Conseguimos limpar a base e melhorar a qualidade das respostas em 2 semanas."
Marina Costa
Tech Lead · SaaS B2B
"A auditoria de contexto mudou o jogo. Consigo justificar para o compliance cada resposta que o sistema gera, com trechos e documentos exatos. Não existe no mercado."
Rafael Ferreira
Engenheiro de AI · Fintech
"Setup em 15 minutos. A detecção de redundância entre documentos nos salvou de manter versões duplicadas. O analytics de uso mostrou qual conteúdo realmente importa."
Ana Santos
CTO · Consultoria Técnica
Não. RAG é uma das 3 camadas de memória do RagUp. Além da busca vetorial, você tem grafo de conhecimento (documentos conectados manualmente), memória efêmera (contexto de sessão com TTL), síntese automática (wiki), pipeline de processamento por pasta, web research integrado, e 18 tools MCP para agentes. RAG tradicional é busca semântica — o RagUp é infraestrutura completa de memória.
Para upload de documentos e consultas básicas: zero código. Dashboard web completo. Para integrar com agentes via MCP ou API: conhecimento técnico básico (saber fazer uma requisição HTTP ou configurar um MCP server). A documentação cobre todos os cenários.
Hoje usamos OpenAI (embeddings + LLM). Você usa sua própria chave — sem markup. O plano é suportar múltiplos providers. Para MCP, qualquer agente que implemente o protocolo funciona (Claude, Cursor, n8n, etc.).
O RagUp complementa ou substitui. Se você só precisa de Q&A simples, talvez não precise. Mas se seus agentes precisam de contexto real — rastreabilidade, grafo de decisões, memória entre sessões, auditoria — o RagUp resolve o que o RAG simples não cobre.
Sim. Seus documentos são processados e armazenados em PostgreSQL com pgvector. Embeddings e LLM usam sua própria chave OpenAI — o RagUp não vê seus prompts nem respostas. LGPD-ready: política de privacidade, retenção de dados, exclusão de conta.
Grafo, API, e agentes embutidos em todos os planos. MCP a partir do Pro.
Free
Grátis
Para testar e prototipar
Pro
R$ 99/mês
Para times com agentes em produção
Business
R$ 299/mês
Para operação com escala
3 camadas de memória. 18 tools MCP. Web research. Auditoria nativa. Tudo com sua chave OpenAI, sem markup.
Sem cartão de crédito · 3 documentos grátis · Cancele quando quiser