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, die lokal betrieben werden können und dabei die Privatsphäre der Nutzer 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 Toolkit, das die Verarbeitung von 14 Datenquellen, die Erstellung von Wissensgraphen, die Verwendung von LLMs und die Integration mit verschiedenen Datenbanken wie Alfresco und Nuxeo unterstützt. Es bietet auch Optionen für Langflow und CocoIndex.
Warum relevant: Das Projekt ist hochgradig innovativ und bietet eine breite Palette von Funktionen, die es zu einer vielseitigen Lösung für RAG-Anwendungen machen. Es ist selbstgehostet und ermöglicht es Nutzern, ihre Daten lokal zu verwalten.
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: Docling-Studio ist ein visuelles Dokumentenanalyse-Tool, das die Konfiguration von Extraktionspipelines, die Inspektion von Text, Tabellen und Bounding Boxes im Browser sowie das Chunking, Embedding und Indexieren in OpenSearch und Neo4j ermöglicht.
Warum relevant: Das Projekt ist selbstgehostet und bietet eine benutzerfreundliche Oberfläche für die Dokumentenverarbeitung. Es ist gut dokumentiert und hat eine hohe Anzahl an Sternen, was seine Reife und Brauchbarkeit unterstreicht.
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: Chunky ist ein Open-Source-Toolkit für zuverlässige RAG-Pipelines. Es ermöglicht die Konvertierung von PDFs zu Markdown, das Reinigen von Dokumenten, die Inspektion von Chunks, den Vergleich von Chunking-Strategien und das Anreichern von Metadaten für LLM-Anwendungen.
Warum relevant: Das Projekt ist selbstgehostet und bietet eine umfassende Palette von Funktionen zur Dokumentenverarbeitung. Es ist gut dokumentiert und hat eine hohe Anzahl an Sternen, was seine Reife und Brauchbarkeit unterstreicht.
self-hosted-ai-stack (7/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 7/10
Was es macht: Self-Hosted-AI-Stack ist eine vollständige, lokal betriebene AI-Stack, die Ollama, LiteLLM, AnythingLLM, Whisper, WhisperLive, Kokoro, Embeddings, Docling und MCP Gateway umfasst. Es bietet leichte Stack-Konfigurationen, optionales HTTPS und NVIDIA CUDA-Beschleunigung.
Warum relevant: Das Projekt ist hochgradig innovativ und bietet eine umfassende Lösung für die lokale Betriebsumgebung von AI-Anwendungen. Es ist gut dokumentiert und hat eine hohe Anzahl an Sternen, was seine Reife und Brauchbarkeit unterstreicht.
GustoBot (6/10)
Repository: skygazer42/GustoBot
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 1/1 = 6/10
Was es macht: GustoBot ist ein umfassender Multi-Agenten-Kundenservice-Bot, der auf Langraph basiert und Funktionen wie txt2sql, txt2cypher, LightRAG und multimodale Anwendungen unterstützt.
Warum relevant: Das Projekt ist innovativ und bietet eine breite Palette von Funktionen für die Kundenbetreuung. Es ist lokal betreibbar und hat eine hohe Anzahl an Sternen, was seine Reife und Brauchbarkeit unterstreicht.
quarkus-docling (5/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 0/1 = 5/10
Was es macht: Quarkus-Docling vereinfacht die Verarbeitung und Analyse von Dokumenten in verschiedenen Formaten, einschließlich fortgeschrittener PDF-Verarbeitung, und bietet nahtlose Integrationen mit dem gen-AI-Ökosystem.
Warum relevant: Das Projekt ist lokal betreibbar und bietet eine robuste Lösung für die Dokumentenverarbeitung. Es ist gut dokumentiert und hat eine moderate Anzahl an Sternen, was seine Reife und Brauchbarkeit unterstreicht.
Quelle: GitHub Search API