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, die sich hervorragend für Selfhosting und die Verwendung eigener Daten eignen.
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-Framework, das verschiedene Datenquellen, Graph-DBs und LLMs integriert. Es unterstützt automatische Synchronisierung, Ontologien, und verschiedene Frontends.
Warum relevant: Die Vielfalt an unterstützten Datenquellen und die Flexibilität in der Architektur machen dieses Projekt zu einer hervorragenden Wahl für komplexe RAG-Anwendungen, die lokal betrieben werden können.
docling-Studio (8/10)
Repository: scub-france/docling-Studio
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein visuelles Dokumentanalyse-Studio, das Text, Tabellen und Bounding Boxes extrahiert, chunks, embeds und in OpenSearch und Neo4j indiziert.
Warum relevant: Die visuelle Konfiguration und die umfassende Dokumentverarbeitung machen dieses Tool besonders nützlich für die Erstellung von Wissensgraphen und RAG-Pipelines, die lokal betrieben werden können.
chunky (8/10)
Repository: GiovanniPasq/chunky
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein Open-Source-Toolkit für zuverlässige RAG-Pipelines, das PDFs in Markdown konvertiert, Dokumente bereinigt, Chunks inspiziert und Metadaten bereichert.
Warum relevant: Die umfassenden Funktionen zur Dokumentverarbeitung und Chunking machen dieses Projekt zu einer wertvollen Ressource für die Erstellung von RAG-Systemen, die lokal betrieben werden können.
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: Ein vollständiger, lokal betriebener AI-Stack mit Docker Compose, der Ollama, LiteLLM, Whisper, WhisperLive, Kokoro, Embeddings, Docling und MCP Gateway umfasst.
Warum relevant: Die umfassende Integration verschiedener AI-Tools und die Möglichkeit, alles lokal zu betreiben, machen dieses Projekt zu einer idealen Wahl für Entwickler, die auf Datenschutz und Privatsphäre Wert legen.
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: Ein AWS-native RAG-Framework, das zwei Graph-Retrieval-Methoden auf Amazon Bedrock, Neptune und OpenSearch vereint. Es unterstützt Multi-Hop-QA, inkrementelles Indexing und mehrsprachige Dokumente.
Warum relevant: Die Integration mit AWS-Diensten und die Unterstützung für komplexe RAG-Funktionen machen dieses Projekt besonders relevant für Unternehmen, die bereits in der AWS-Ökosystem investiert haben.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | 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: Die Integration in Quarkus und die Unterstützung für verschiedene Dokumentformate machen dieses Projekt zu einer nützlichen Ergänzung für Java-Entwickler, die RAG-Funktionen in ihre Anwendungen integrieren möchten.
Quelle: GitHub Search API