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 moderne Technologien wie LLMs und Graph-Datenbanken 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: Ein umfassendes RAG-System, das Python, LlamaIndex, LangChain und Docker Compose verwendet. Es unterstützt 15 Property Graph-, 4 RDF- und 10 Vektordatenbanken, 14 Datenquellen (10 automatisch synchronisiert), automatische KG-Erstellung, Ontologien, LLMs, Docling, LlamaParse, LiteParse, GraphRAG, RAG, Hybrid Search und AI-Chat. Es bietet auch TypeScript React, Vue und Angular-Frontends sowie einen REST- und MCP-Server.
Warum relevant: Dieses Projekt ist hochgradig flexibel und innovativ, da es eine Vielzahl von Datenbanken und Datenquellen unterstützt und eine umfassende RAG-Pipeline bietet. Es ist selbstgehostet und kann lokal betrieben werden, was die Datensouveränität erhöht.
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 selbstgehostetes AI-Stack, das mit Docker Compose bereitgestellt wird. Es umfasst Ollama, LiteLLM, AnythingLLM, Whisper, WhisperLive, Kokoro, Embeddings, Docling und MCP Gateway. Es ist lokal ausgerichtet, privat standardmäßig und bietet leichte Stacks, optionales HTTPS und NVIDIA CUDA-Beschleunigung.
Warum relevant: Dieses Projekt bietet eine umfassende Lösung für das Selfhosting von AI-Tools, einschließlich RAG-Systemen. Es ist besonders relevant für Benutzer, die eine hohe Datensicherheit und Kontrolle über ihre Daten benötigen.
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 selbstgehosteten Docling-Dokumentparsingserver. Es konvertiert PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON. Es bietet synchrone und asynchrone Konvertierung, Chunking für RAG, NVIDIA GPU (CUDA)-Beschleunigung, optionale Web-Oberfläche, Offline-Modus und persistenten Modellcache.
Warum relevant: Dieses Projekt ist besonders nützlich für die Verarbeitung und Analyse von Dokumenten in RAG-Systemen. Es ist selbstgehostet und kann lokal betrieben werden, was die Datensicherheit erhöht.
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 Knowledge Graph RAG-Framework, das zwei Graph-Retrieval-Methodologien — Microsoft GraphRAG Community Summarization und LightRAG dual-level keyword search — auf Amazon Bedrock, Neptune und OpenSearch vereint. Es unterstützt Multi-hop QA über Dokumentkorpus, inkrementelles Indexing und mehrsprachige Unterstützung.
Warum relevant: Dieses Projekt ist besonders relevant für Unternehmen, die bereits in der AWS-Ökosystem investiert haben. Es bietet eine umfassende RAG-Pipeline und ist gut dokumentiert.
ragflow-enterprise (7/10)
Repository: wangchuanbo123/ragflow-enterprise
Bewertung: RAG-Kern 3/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 0/1 = 7/10
Was es macht: Ein enterprise-level RAG-System, das mit LangGraph gebaut ist und hybride Retrieval, Reranking, Query Rewriting und inkrementelles Indexing unterstützt.
Warum relevant: Dieses Projekt ist besonders relevant für Unternehmen, die eine robuste und skalierbare RAG-Lösung benötigen. Es bietet eine umfassende RAG-Pipeline und ist gut strukturiert.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 0/1 = 6/10
Was es macht: Docling vereinfacht die Dokumentverarbeitung und unterstützt verschiedene Formate, einschließlich fortgeschrittener PDF-Verarbeitung. Es bietet nahtlose Integrationen mit dem gen AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders nützlich für die Verarbeitung und Analyse von Dokumenten in RAG-Systemen. Es ist leicht zu integrieren und bietet eine gute Grundlage für die Erweiterung.
transmutation (6/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 0/1 = 6/10
Was es macht: Ein Rust-basiertes Dokumentkonvertierungsmodul, das verschiedene Dateiformate in optimierte Text- und Bildausgaben für LLM-Verarbeitung und Vektorembeddings umwandelt. Es nutzt Docling für fortgeschrittene Dokumentverarbeitung.
Warum relevant: Dieses Projekt ist besonders nützlich für die Vorbereitung von Dokumenten für RAG-Systeme. Es ist performant und kann leicht in bestehende Workflows integriert werden.
Quelle: GitHub Search API