Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir die neuesten und vielversprechendsten RAG-Systeme und Parser-Pipelines vor, die auf GitHub veröffentlicht wurden. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten und die Integration von KI-Technologien.
docling-Studio (9/10)
Repository: scub-france/docling-Studio
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 9/10
Was es macht: Docling-Studio ist ein visuelles Dokumentanalyse-Tool, das es ermöglicht, Text, Tabellen und bounding boxes in einem Browser zu inspizieren. Es unterstützt die Chunking, Embedding und Indizierung von Dokumenten in OpenSearch und Neo4j.
Warum relevant: Das Projekt ist vollständig self-hostbar und bietet eine benutzerfreundliche Oberfläche für die Dokumentverarbeitung. Es ist besonders relevant für Unternehmen, die ihre Daten lokal verwalten möchten und eine flexible Pipeline für die Dokumentanalyse benötigen.
flexible-graphrag (8/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Flexible-GraphRAG ist ein umfassendes Framework, das verschiedene Datenquellen, Graph-DBs und Vektordatenbanken integriert. Es unterstützt die automatische Synchronisierung, die Erstellung von Wissensgraphen und die Verwendung von LLMs für die Textanalyse.
Warum relevant: Das Projekt ist sehr vielseitig und bietet eine breite Palette von Funktionen, die es für verschiedene Anwendungsfälle geeignet machen. Es ist besonders relevant für Entwickler, die eine flexible und erweiterbare RAG-Pipeline benötigen.
self-hosted-ai-stack (8/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | 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 und Docling. Es ist lokal betreibbar und unterstützt NVIDIA CUDA-Acceleration.
Warum relevant: Dieses Projekt ist ideal für Entwickler, die eine umfassende und leistungsstarke AI-Infrastruktur lokal betreiben möchten. Es bietet eine breite Palette von Tools und ist leicht zu installieren und zu konfigurieren.
unified-kg-rag-on-aws (7/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Unified-KG-RAG-on-AWS ist ein AWS-native Framework, das zwei Graph-RAG-Methodologien kombiniert und auf Amazon Bedrock, Neptune und OpenSearch basiert. Es unterstützt Multi-Hop-QA und inkrementelles Indexing.
Warum relevant: Dieses Projekt ist besonders relevant für Unternehmen, die bereits in der AWS-Ökosystem investiert haben und eine robuste RAG-Lösung benötigen. Es bietet eine hohe Skalierbarkeit und Integration mit AWS-Diensten.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Quarkus-Docling ist eine Erweiterung für Quarkus, die die Verarbeitung und Analyse von Dokumenten vereinfacht. Es unterstützt verschiedene Dokumentformate und bietet nahtlose Integrationen in den gen-AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die mit Quarkus arbeiten und eine robuste Dokumentverarbeitung in ihre Anwendungen integrieren möchten. Es ist leicht zu integrieren und bietet eine gute Leistung.
Quelle: GitHub Search API