Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir eine Auswahl der aktuellsten und vielversprechendsten RAG-Systeme und Parser-Pipelines vor, die auf GitHub zu finden sind. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten und sind in verschiedenen Entwicklungsstadien.
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, einschließlich Alfresco, Nuxeo, Neo4j und mehr. Es bietet automatisches Synchronisieren von Datenquellen, Ontologien, LLM-Integration und mehr.
Warum relevant: Das Projekt ist hochgradig flexibel und innovativ, da es eine Vielzahl von Datenquellen und Datenbanken unterstützt. Es ist self-hostbar und bietet eine breite Palette von Funktionen, die es zu einer umfassenden Lösung machen.
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 vollständiger self-hostbarer AI-Stack, der Ollama, LiteLLM, Whisper, Embeddings, Docling und mehr umfasst. Es bietet lokale Verarbeitung, NVIDIA CUDA-Beschleunigung und optional HTTPS.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine private und lokale AI-Infrastruktur aufbauen möchten. Es bietet eine breite Palette von Tools und ist gut dokumentiert.
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 self-hostbarer Docling-Server, der PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON konvertiert. Es unterstützt NVIDIA GPU-Beschleunigung, einen optionalen Web-UI und einen persistenten Modellcache.
Warum relevant: Dieses Projekt ist ideal für Entwickler, die eine robuste und flexible Dokumentenverarbeitungslösung benötigen, die lokal betrieben werden kann. Es ist gut dokumentiert und bietet eine Vielzahl von Funktionen.
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 Wissensgraphen und mehrere Retrieval-Methoden kombiniert. Es unterstützt Multi-hop QA, inkrementelles Indexieren und mehrere Sprachen.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die in der AWS-Ökosystem arbeiten und eine leistungsstarke RAG-Lösung suchen. Es ist gut dokumentiert und bietet innovative Funktionen.
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 besonders relevant für Unternehmen, die eine robuste und skalierbare RAG-Lösung benötigen. Es ist gut dokumentiert und bietet eine Vielzahl von Funktionen.
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: Ein Quarkus-Extension, das die Verarbeitung und Parsen von Dokumenten vereinfacht, einschließlich fortgeschrittener PDF-Verarbeitung und Integration in den gen-AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die mit Quarkus arbeiten und eine robuste Dokumentenverarbeitungslösung benötigen. Es ist gut dokumentiert und bietet eine Vielzahl von Funktionen.
transmutation (6/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 6/10
Was es macht: Ein Rust-basiertes Modul zur Konvertierung verschiedener Dateiformate in optimierte Text- und Bildausgaben für LLM-Verarbeitung und Vektorembeddings.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine leistungsstarke und effiziente Dokumentenkonvertierungslösung in Rust benötigen. Es ist gut dokumentiert und bietet eine Vielzahl von Funktionen.
Quelle: GitHub Search API