Pesquisa Aura: Ferramenta local compila documentos em wiki navegável por IA com memória persistente

Aura Research é uma ferramenta de código aberto que compila documentos brutos em um wiki navegável por IA com memória persistente. A ferramenta funciona 100% localmente, sem que nenhum dado saia da sua máquina.

Como funciona

O fluxo de trabalho consiste em quatro comandos principais:

pip install aura-research
research init my-project
# copie documentos para raw/
research ingest raw/
research compile
research query "sua pergunta"

Você coloca uma pasta de documentos brutos (PDFs, artigos, notas, código, suportando 60+ formatos) e o LLM os compila em um wiki estruturado em markdown com artigos vinculados, páginas de conceitos e um índice mestre. Em seguida, ele compacta tudo em um arquivo .aura otimizado para recuperação RAG, que o desenvolvedor afirma ser aproximadamente 97% menor que os dados brutos originais.

Principais decisões de design

• Sem embeddings, sem bancos de dados vetoriais. Usa SimHash + Bloom Filters em vez disso, com zero sobrecarga de RAM
• Memory OS de 3 níveis integrado (fatos / episódico / bloco de notas) para que o LLM não esqueça o contexto importante entre sessões
• O wiki são apenas arquivos .md, navegáveis no Obsidian, VS Code ou qualquer editor de markdown
• Funciona com qualquer provedor de LLM (OpenAI, Anthropic, Gemini) ou como uma ferramenta nativa de agente dentro do Claude Code/Gemini CLI, onde nenhuma chave de API é necessária
• Tudo funciona localmente, sem que nenhum dado saia da sua máquina

A abordagem "sem embeddings"

O desenvolvedor evitou deliberadamente o pipeline RAG padrão (fragmentar → incorporar → busca vetorial). Em vez disso, o LLM compila o conhecimento em um wiki bem estruturado com um índice. Quando você faz uma consulta, ele lê o índice, encontra os 2-3 artigos relevantes e carrega apenas esses. A abordagem assume que, se o conhecimento estiver devidamente organizado, o LLM é inteligente o suficiente para navegar em uma boa estrutura de arquivos sem precisar de um modelo de incorporação separado.

A ferramenta está disponível no GitHub em https://github.com/Rtalabs-ai/aura-research e pode ser instalada via PyPI com pip install aura-research.