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 sind in verschiedenen Stadien der Reife.
flexible-graphrag (8/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 8/10
Was es macht: Dieses Projekt kombiniert verschiedene Datenquellen und Graph-DBs, um ein flexibles RAG-System zu schaffen. Es unterstützt automatische Synchronisierung, Ontologien, LLMs und verschiedene Frontends.
Warum relevant: Die Vielfalt der unterstützten Datenquellen und die Flexibilität in der Architektur machen dieses Projekt zu einer hervorragenden Wahl für komplexe RAG-Anwendungen. Es ist selbstgehostet und kann lokal betrieben werden, was die Datensouveränität erhöht.
self-hosted-ai-stack (7/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Dieses Projekt bietet eine vollständige, selbstgehostete AI-Stack-Lösung, die Ollama, LiteLLM, Whisper und andere Tools umfasst. Es unterstützt NVIDIA CUDA-Acceleration und ist für mehrere Architekturen verfügbar.
Warum relevant: Die umfassende Sammlung von Tools und die Möglichkeit, alles lokal zu betreiben, machen dieses Projekt besonders attraktiv für Entwickler, die eine private und performante AI-Umgebung aufbauen möchten.
docker-docling (7/10)
Repository: hwdsl2/docker-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Docker-Image für einen selbstgehosteten Docling-Dokumentenparsingserver. Es unterstützt verschiedene Dokumentformate, bietet Chunking für RAG und NVIDIA GPU-Acceleration.
Warum relevant: Die Fähigkeit, verschiedene Dokumentformate zu verarbeiten und die RAG-fähige Chunking-Funktionalität machen dieses Projekt zu einer wertvollen Ressource für Entwickler, die eine robuste und flexible Dokumentenverarbeitung benötigen.
unified-kg-rag-on-aws (6/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 1/1 = 6/10
Was es macht: AWS-native RAG-Framework, das Microsoft GraphRAG und LightRAG kombiniert. Es unterstützt Multi-hop QA, inkrementelles Indexing und mehrere Sprachen.
Warum relevant: Die Kombination von verschiedenen Graph-DB-Methoden und die AWS-Integration machen dieses Projekt zu einer interessanten Wahl für Unternehmen, die bereits in der AWS-Ökosystem investiert haben.
quarkus-docling (5/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 1/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 5/10
Was es macht: Quarkus-Erweiterung für Docling, die die Verarbeitung und Parsen von Dokumenten vereinfacht. Es unterstützt verschiedene Formate und bietet nahtlose Integrationen in den gen-AI-Ökosystem.
Warum relevant: Die Integration in Quarkus und die Unterstützung für verschiedene Dokumentformate machen dieses Projekt für Entwickler, die mit Quarkus arbeiten, interessant. Es bietet eine gute Basis für die Erweiterung in RAG-Anwendungen.
Quelle: GitHub Search API