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, wobei sie auf lokalen Systemen betrieben werden können, um Datenschutz und Kontrolle zu 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: Ein umfassendes RAG-System, das verschiedene Graph- und Vektordatenbanken unterstützt, inklusive Alfresco, Nuxeo, Neo4j und mehr. Es bietet automatische Synchronisierung, Ontologie-Bau, LLM-Integration und mehr.
Warum relevant: Dieses Projekt ist besonders relevant, da es eine breite Palette von Datenquellen und Datenbanken unterstützt und somit eine flexible Lösung für verschiedene Anwendungsfälle bietet. Es ist self-hostbar und innovativ in seiner Architektur.
self-hosted-ai-stack (8/10)
Repository: hwdsl2/self-hosted-ai-stack
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 2/2 | Reife 1/1 = 8/10
Was es macht: Ein vollständiges self-hosted AI-Stack, das Ollama, LiteLLM, Whisper, Embeddings, Docling und MCP Gateway umfasst. Es bietet lokale und private AI-Funktionen, einschließlich Sprachverarbeitung und Textgenerierung.
Warum relevant: Dieses Projekt ist ideal für Entwickler, die eine umfassende, lokal betriebene AI-Plattform benötigen. Es ist gut dokumentiert und aktiv gepflegt, was seine Reife und Zuverlässigkeit erhöht.
docker-docling (8/10)
Repository: hwdsl2/docker-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein Docker-Image für einen self-hosted 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 besonders nützlich für Entwickler, die eine robuste und flexible Lösung für die Verarbeitung und Konvertierung von Dokumenten benötigen. Es ist leicht zu betreiben und gut dokumentiert.
unified-kg-rag-on-aws (7/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 0/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Ein AWS-native RAG-Framework, das zwei Graph-Retrieval-Methoden (Microsoft GraphRAG und LightRAG) kombiniert. Es unterstützt Multi-hop QA, inkrementelles Indexieren und mehrere Sprachen.
Warum relevant: Dieses Projekt ist besonders relevant für Unternehmen, die bereits in der AWS-Ökosystem investiert haben und eine leistungsstarke RAG-Lösung suchen. Es ist gut dokumentiert und aktiv gepflegt.
ragflow-enterprise (7/10)
Repository: wangchuanbo123/ragflow-enterprise
Bewertung: RAG-Kern 3/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 7/10
Was es macht: Ein enterprise-level RAG-System, das auf LangGraph basiert und hybride Retrieval, Reranking, Query Rewriting und inkrementelles Indexieren unterstützt.
Warum relevant: Dieses Projekt ist ideal für Unternehmen, die eine robuste und skalierbare RAG-Lösung benötigen. Es ist gut dokumentiert und bietet fortgeschrittene Funktionen für die Dokumentenverarbeitung.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Eine Quarkus-Erweiterung, die Docling für die Verarbeitung und Parsen verschiedener Dokumentformate bereitstellt. Es unterstützt fortgeschrittene PDF-Verarbeitung und Integration in den gen-AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die Quarkus verwenden und eine robuste Lösung für die Dokumentenverarbeitung benötigen. Es ist gut dokumentiert und bietet eine nahtlose Integration in bestehende Quarkus-Anwendungen.
transmutation (6/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 1/1 = 6/10
Was es macht: Ein Rust-basiertes Modul zur Transformation verschiedener Dateiformate in optimierte Text- und Bildausgaben für LLM-Verarbeitung und Vektorembeddings. Es nutzt Docling für fortgeschrittene Dokumentenverarbeitung.
Warum relevant: Dieses Projekt ist besonders innovativ in seiner Verwendung von Rust und seiner Fähigkeit, verschiedene Dateiformate effizient zu konvertieren. Es ist gut dokumentiert und bietet eine leistungsstarke Lösung für die Dokumentenverarbeitung.
Quelle: GitHub Search API