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 auf moderne Technologien wie LLMs und Knowledge Graphs setzen.
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 Auto-Sync) in Property Graphs, RDFs und Vektordatenbanken integriert. Es unterstützt die automatische Erstellung von Knowledge Graphs, Ontologien und bietet eine Vielzahl von Frontend-Optionen (TypeScript, React, Vue, Angular) sowie einen FastAPI-REST-Server.
Warum relevant: Das Projekt ist hochgradig innovativ und bietet eine breite Palette von Funktionen, die es zu einer umfassenden Lösung für RAG-Systeme machen. Es ist lokal betreibbar und unterstützt verschiedene Architekturen.
self-hosted-ai-stack (8/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: `self-hosted-ai-stack` ermöglicht es, eine vollständige, lokal betriebene AI-Stack mit Docker Compose zu deployen. Es umfasst LLMs wie Ollama, LiteLLM, Whisper und WhisperLive, sowie Embeddings und Docling. Das System ist privatsphärefreundlich und unterstützt NVIDIA CUDA-Beschleunigung.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine lokale, selbstgehostete AI-Infrastruktur aufbauen möchten. Es bietet eine breite Palette von Tools und ist gut dokumentiert.
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 Konvertierung verschiedener Dateiformate in optimierte Text- und Bildausgaben, die für LLM-Verarbeitung und Vektorembeddings geeignet sind. Es nutzt Docling für fortgeschrittene Dokumentenverarbeitung.
Warum relevant: Dieses Projekt ist besonders nützlich für die Vorbereitung von Dokumenten für RAG-Systeme und bietet eine robuste Lösung für die Verarbeitung verschiedener Dateiformate. Es ist lokal betreibbar und gut dokumentiert.
ragflow-plus (7/10)
Repository: zstar1003/ragflow-plus
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: `ragflow-plus` ist eine erweiterte Version von Ragflow, die die Verarbeitung von Dokumenten und die Integration in RAG-Systeme vereinfacht. Es unterstützt verschiedene Dokumentformate und bietet eine robuste Pipeline für die Verarbeitung und Analyse von Dokumenten.
Warum relevant: Dieses Projekt ist eine gute Wahl für Entwickler, die eine leistungsstarke und benutzerfreundliche RAG-Pipeline benötigen. Es ist lokal betreibbar und hat eine hohe Anzahl von Sternen auf GitHub, was seine Popularität und Reife zeigt.
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 von Dokumenten und unterstützt verschiedene Formate, einschließlich fortgeschrittene PDF-Verarbeitung. Es bietet nahtlose Integrationen in das gen AI-Ökosystem und ist als Quarkus-Erweiterung verfügbar.
Warum relevant: Dieses Projekt ist besonders nützlich für Entwickler, die in einem Quarkus-Umfeld arbeiten und eine robuste Lösung für die Dokumentenverarbeitung benötigen. Es ist lokal betreibbar und gut dokumentiert.
Quelle: GitHub Search API