Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir die neuesten Entwicklungen im Bereich Retrieval-Augmented-Generation (RAG) und Parser-Pipelines vor. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten, oft in Kombination mit lokalen, selbstgehosteten Systemen.
unified-kg-rag-on-aws (8/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 0/1 = 8/10
Was es macht: AWS-native Knowledge Graph RAG-Framework, das zwei Graph-Retrieval-Methodologien — Microsoft GraphRAG und LightRAG — auf Amazon Bedrock, Neptune und OpenSearch vereint. Es unterstützt Multi-hop QA über Dokumentkorpus, inkrementelles Indexieren und mehrsprachige Unterstützung.
Warum relevant: Obwohl es primär für AWS entwickelt wurde, bietet es eine innovative Kombination von Technologien, die die Effizienz und Leistung von RAG-Systemen erheblich verbessern.
docling-Studio (8/10)
Repository: scub-france/docling-Studio
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 8/10
Was es macht: Visuelles Dokumentanalyse-Studio, das von Docling unterstützt wird. Es ermöglicht die Konfiguration des Extraktionspipelines, die Inspektion von Text, Tabellen und Bounding Boxes im Browser sowie das Chunking, Embedding und Indexieren in OpenSearch und Neo4j.
Warum relevant: Dieses Projekt ist besonders relevant, da es eine benutzerfreundliche Oberfläche für komplexe Dokumentanalyseprozesse bietet und vollständig selbstgehostet betrieben werden kann.
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: Komplette, selbstgehostete AI-Stack mit Docker Compose, einschließlich Ollama, LiteLLM, Whisper, Docling und mehr. Es bietet lokale Verarbeitung, Privatsphäre und NVIDIA CUDA-Beschleunigung.
Warum relevant: Dieses Projekt ist ideal für Entwickler und Unternehmen, die eine umfassende, lokal betriebene AI-Infrastruktur benötigen, die auf verschiedene Anwendungen abgestimmt ist.
docker-docling (7/10)
Repository: hwdsl2/docker-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 7/10
Was es macht: Docker-Image für einen selbstgehosteten Docling-Dokumentparsingserver. Es konvertiert PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON, unterstützt Chunking für RAG, NVIDIA GPU-Beschleunigung und einen optionalen Web-UI.
Warum relevant: Dieses Projekt ist besonders nützlich für Entwickler, die eine flexible und leistungsstarke Lösung für die Dokumentverarbeitung benötigen, die lokal betrieben werden kann.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Docling vereinfacht die Dokumentverarbeitung und unterstützt das Parsen verschiedener Formate, einschließlich erweiterter PDF-Verarbeitung, und bietet nahtlose Integrationen mit dem gen AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders relevant für Java-Entwickler, die eine robuste und integrierbare Lösung für die Dokumentverarbeitung suchen.
ragflow-plus (6/10)
Repository: zstar1003/ragflow-plus
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Ragflow-Plus ist eine erweiterte Version von Ragflow, die die Benutzerfreundlichkeit und Nützlichkeit des Originals verbessert.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine verbesserte und benutzerfreundlichere Version des bekannten Ragflow-Systems suchen.
Quelle: GitHub Search API