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 der Nutzer gewährleisten.
flexible-graphrag (8/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 8/10
Was es macht: Ein umfassendes RAG-System, das verschiedene Graph- und Vektordatenbanken unterstützt, inklusive Alfresco, Nuxeo, Neo4j und mehr. Es bietet automatische Synchronisierung, Ontologien, LLMs, und verschiedene Frontends.
Warum relevant: Das Projekt ist sehr innovativ und bietet eine breite Palette von Funktionen, die es zu einer vielseitigen Lösung machen. Es ist lokal betreibbar und unterstützt eine Vielzahl von Datenquellen.
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: Ein vollständiges, lokal betriebenes AI-Stack, das Ollama, LiteLLM, Whisper, Embeddings, Docling und MCP Gateway umfasst. Es bietet NVIDIA CUDA-Beschleunigung und ist für mehrere Architekturen verfügbar.
Warum relevant: Dieses Projekt ist ideal für Nutzer, die eine umfassende, private AI-Infrastruktur aufbauen möchten. Es ist gut dokumentiert und bietet eine breite Palette von Funktionen.
docker-docling (7/10)
Repository: hwdsl2/docker-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Ein Docker-Image für einen selbst gehosteten Docling-Dokumentenparsingserver. Es konvertiert PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON, unterstützt Chunking für RAG und bietet NVIDIA GPU-Beschleunigung.
Warum relevant: Dieses Projekt ist perfekt für Nutzer, die eine robuste, lokal betriebene Lösung für die Verarbeitung und Analyse von Dokumenten benötigen. Es ist gut dokumentiert und leicht zu betreiben.
unified-kg-rag-on-aws (6/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 0/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Ein AWS-native RAG-Framework, das zwei Graph-Retrieval-Methodologien vereint: Microsoft GraphRAG und LightRAG. Es unterstützt Multi-hop QA, inkrementelles Indexing und mehrere Sprachen.
Warum relevant: Obwohl es nur als SaaS-Lösung verfügbar ist, bietet es eine innovative Kombination von Technologien und ist gut für Unternehmen geeignet, die bereits in der AWS-Ökosystem investiert haben.
ragflow-enterprise (6/10)
Repository: wangchuanbo123/ragflow-enterprise
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Ein enterprise-level RAG-System, das auf LangGraph basiert und hybride Retrieval, Reranking, Query Rewriting und inkrementelles Indexing unterstützt.
Warum relevant: Dieses Projekt ist ideal für Unternehmen, die eine robuste, lokal betriebene RAG-Lösung benötigen. Es bietet eine Vielzahl von fortgeschrittenen Funktionen und ist gut dokumentiert.
quarkus-docling (5/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 5/10
Was es macht: Eine Quarkus-Erweiterung, die Docling verwendet, um Dokumente in verschiedene Formate zu konvertieren und sie für die Verarbeitung durch LLMs vorzubereiten.
Warum relevant: Dieses Projekt ist eine gute Wahl für Entwickler, die eine leichte Integration von Dokumentenverarbeitung in ihre Quarkus-Anwendungen benötigen. Es ist lokal betreibbar und gut dokumentiert.
Quelle: GitHub Search API