Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir die neuesten Entwicklungen im Bereich RAG-Systeme und Parser-Pipelines vor. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten, die lokal betrieben werden können und dabei die Privatsphäre und die Kontrolle über eigene Daten 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 System, das verschiedene Datenquellen (einschließlich Alfresco, ArcadeDB, Neo4j) und Dokumentformate (PDF, Markdown, Office) unterstützt. Es bietet eine Kombination aus GraphRAG, Hybrid Search und AI-Chat-Funktionen, die durch LLMs und Embeddings gestützt werden.
Warum relevant: Das Projekt ist hochgradig innovativ und bietet eine breite Palette von Funktionen, die es ideal für komplexe Anwendungen machen. Es ist selfhostbar und kann lokal betrieben werden, was die Privatsphäre und die Kontrolle über die Daten gewährleistet.
self-hosted-ai-stack (8/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 8/10
Was es macht: `self-hosted-ai-stack` ermöglicht es, eine vollständige AI-Stack mit Docker Compose zu bereitstellen. Es umfasst LLMs wie Ollama, LiteLLM, Whisper und WhisperLive, sowie Embeddings und Docling für die Verarbeitung von Dokumenten. Die Stack ist lokal betreibbar, privatsphäre-freundlich und unterstützt NVIDIA CUDA-Acceleration.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler und Organisationen, die eine umfassende, lokal betriebene AI-Infrastruktur benötigen. Es bietet eine breite Palette von Tools und ist leicht zu bereitstellen.
transmutation (7/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: `transmutation` ist ein Rust-basiertes Modul zur Umwandlung verschiedener Dateiformate in optimierte Text- und Bildausgaben, die für LLM-Verarbeitung und Vektorembeddings geeignet sind. Es nutzt Docling für erweiterte Dokumentenverarbeitung.
Warum relevant: Dieses Projekt ist besonders nützlich für die Vorbereitung von Dokumenten für RAG-Systeme und andere AI-Anwendungen. Es ist selfhostbar und bietet eine robuste Lösung für die Dokumentenverarbeitung.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: `quarkus-docling` vereinfacht die Verarbeitung und Parsen von Dokumenten in verschiedenen Formaten, einschließlich PDF und Markdown. Es bietet nahtlose Integrationen mit dem gen AI-Ökosystem und unterstützt Embeddings.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine robuste und flexible Lösung für die Dokumentenverarbeitung in Java-Anwendungen benötigen. Es ist selfhostbar und bietet eine gute Basis für die Integration in bestehende Systeme.
Quelle: GitHub Search API