Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir die neuesten Entwicklungen im Bereich RAG-Systeme und Parser-Pipelines vor. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten, wobei sie oft auf lokalen Systemen betrieben werden können, um Datenschutz und Kontrolle zu gewährleisten.
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: Flexible-GraphRAG ist ein umfassendes Python-Projekt, das LlamaIndex, LangChain und verschiedene Datenbanken (wie Neo4j, Alfresco, Nuxeo) kombiniert. Es unterstützt 14 Datenquellen, automatische Synchronisierung, Wissensgraphen, Ontologien, LLMs, Docling, LlamaParse, LiteParse, GraphRAG, RAG und Hybrid Search. Es bietet auch Frontends für TypeScript, React, Vue und Angular sowie eine REST-API und einen MCP-Server.
Warum relevant: Dieses Projekt ist besonders relevant, da es eine breite Palette von Funktionen und Datenquellen unterstützt und leicht erweiterbar ist. Es ist self-hostbar und bietet eine hohe Anpassungsfähigkeit.
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: Self-Hosted-AI-Stack ist eine Docker-Compose-basierte Lösung, die eine vollständige AI-Stack bereitstellt, einschließlich Ollama, LiteLLM, Whisper, WhisperLive, Kokoro, Embeddings, Docling und MCP Gateway. Es ist lokal betreibbar, privatsphäre-freundlich und unterstützt NVIDIA CUDA-Beschleunigung.
Warum relevant: Dieses Projekt ist ideal für Entwickler und Organisationen, die eine vollständige, lokal betriebene AI-Infrastruktur benötigen. Es bietet eine breite Palette von Tools und ist leicht zu deployen.
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: Docker-Image für einen self-hosted Docling-Dokument-Parsing-Server. Es konvertiert PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON. Es unterstützt synchrone und asynchrone Konvertierung, Chunking für RAG, NVIDIA GPU-Beschleunigung, optionale Web-UI, Offline-Modus und persistenten Modell-Cache.
Warum relevant: Dieses Projekt ist besonders nützlich für die Verarbeitung und Analyse von Dokumenten in verschiedenen Formaten. Es ist leicht zu deployen und bietet hohe Leistung dank GPU-Beschleunigung.
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: AWS-native Wissensgraph-RAG-Framework, das zwei Graph-Retrieval-Methodologien (Microsoft GraphRAG und LightRAG) kombiniert. Es unterstützt Multi-Hop-Fragen und Dokument-Korpora, bietet inkrementelles Indexieren und mehrsprachige Unterstützung.
Warum relevant: Dieses Projekt ist besonders relevant für Organisationen, die bereits in der AWS-Ökosystem investiert haben und eine leistungsstarke RAG-Lösung suchen. Es bietet eine hohe Anpassungsfähigkeit und ist gut dokumentiert.
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: Docling vereinfacht die Dokumentverarbeitung und unterstützt verschiedene Formate, einschließlich fortgeschrittener PDF-Verarbeitung. Es bietet nahtlose Integrationen in die gen-AI-Ökosysteme.
Warum relevant: Dieses Projekt ist besonders nützlich für Entwickler, die eine robuste Dokumentverarbeitung in ihre Anwendungen integrieren möchten. Es ist leicht zu integrieren und bietet eine gute Leistung.
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: Transmutation ist ein Rust-basiertes Modul zur Dokumentkonvertierung, das verschiedene Dateiformate in optimierte Text- und Bildausgaben für LLM-Verarbeitung und Vektorembeddings umwandelt. Es nutzt Docling für fortgeschrittene Dokumentverarbeitung.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine leistungsstarke und effiziente Dokumentkonvertierung benötigen. Es ist innovativ und bietet eine gute Leistung dank der Rust-Implementierung.
Quelle: GitHub Search API