Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir die aktuellsten und vielversprechendsten RAG-Systeme und Parser-Pipelines vor, die auf GitHub zu finden sind. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten und die Integration von KI-Technologien.
flexible-graphrag (9/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 0/1 = 9/10
Was es macht: Ein flexibles RAG-System, das verschiedene Graph- und Vektordatenbanken unterstützt, einschließlich Alfresco, Nuxeo, Neo4j, und mehr. Es bietet automatische Synchronisierung, Ontologien, LLM-Integration, und verschiedene Frontend-Optionen.
Warum relevant: Das Projekt ist sehr innovativ und bietet eine breite Palette von Funktionen, die es zu einer umfassenden Lösung machen. Es ist self-hostbar und unterstützt eine Vielzahl von Datenquellen und Datenbanken.
self-hosted-ai-stack (8/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein vollständiger self-hostbarer AI-Stack, der Ollama, LiteLLM, Whisper, Embeddings, Docling und MCP Gateway umfasst. Es bietet lokale und private AI-Funktionen, einschließlich Sprachverarbeitung und Text-to-Speech.
Warum relevant: Dieses Projekt ist ideal für Benutzer, die eine umfassende, lokal betriebene AI-Infrastruktur benötigen. Es ist gut dokumentiert und hat eine hohe Reife.
docker-docling (8/10)
Repository: hwdsl2/docker-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 8/10
Was es macht: Ein Docker-Image für einen self-hostbaren Docling-Dokumentenparsingserver. Es konvertiert PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON, unterstützt Chunking für RAG, NVIDIA GPU-Acceleration und einen optionalen Web-UI.
Warum relevant: Dieses Projekt ist besonders nützlich für Benutzer, die eine leistungsstarke, lokal betriebene Lösung für die Dokumentenverarbeitung benötigen. Es ist einfach zu betreiben und gut dokumentiert.
unified-kg-rag-on-aws (7/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 0/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Ein AWS-native RAG-Framework, das Wissensgraphen und zwei Graph-RAG-Methodologien (Microsoft GraphRAG und LightRAG) kombiniert. Es unterstützt Multi-hop-Fragen und inkrementelles Indexieren.
Warum relevant: Dieses Projekt ist ideal für Benutzer, die in der AWS-Ökosystem arbeiten und eine robuste RAG-Lösung benötigen. Es ist gut dokumentiert und hat eine hohe Reife.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 0/1 = 6/10
Was es macht: Ein Quarkus-Extension, das die Verarbeitung und Parsen von Dokumenten vereinfacht, einschließlich fortgeschrittener PDF-Verarbeitung und Integration in das gen-AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders nützlich für Entwickler, die Quarkus verwenden und eine robuste Dokumentenverarbeitung benötigen. Es ist self-hostbar und gut integriert in die Quarkus-Ökosystem.
transmutation (6/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 0/1 = 6/10
Was es macht: Ein Rust-basiertes Modul zur Dokumentenkonvertierung, das verschiedene Formate in optimierte Text- und Bildausgaben für LLM-Verarbeitung und Vektorembeddings transformiert.
Warum relevant: Dieses Projekt ist innovativ und bietet eine leistungsstarke Lösung für die Dokumentenverarbeitung. Es ist self-hostbar und gut integriert in das HiveLLM-Ökosystem.
Quelle: GitHub Search API