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 oft 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, um Dokumente zu verarbeiten und in Wissensgraphen zu integrieren. Es bietet automatische Synchronisierung, Ontologien, LLMs und mehr.
Warum relevant: Dieses Projekt ist besonders relevant, da es eine breite Palette von Datenquellen und Datenbanken unterstützt und leicht erweiterbar ist. Es ist self-hostbar und bietet eine flexible Architektur für verschiedene Anwendungsfälle.
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: Ein vollständiger self-hostbarer AI-Stack, der Ollama, LiteLLM, Whisper und andere Tools enthält. Es unterstützt Dokumentverarbeitung, Spracherkennung, Text-zu-Sprache und mehr.
Warum relevant: Dieses Projekt ist ideal für Entwickler, die eine umfassende AI-Infrastruktur lokal betreiben möchten. Es bietet eine breite Palette von Funktionen 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 0/1 = 8/10
Was es macht: Ein Docker-Image für einen self-hostbaren Docling-Dokumentverarbeitungsserver. Es konvertiert verschiedene Dokumentformate in Markdown/JSON und unterstützt RAG-Funktionen wie Chunking und GPU-Beschleunigung.
Warum relevant: Dieses Projekt ist besonders nützlich für Entwickler, die eine robuste und leistungsstarke Dokumentverarbeitungslösung lokal betreiben möchten. Es ist einfach zu installieren und bietet erweiterte Funktionen wie GPU-Beschleunigung.
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 kombiniert: Microsoft GraphRAG und LightRAG. Es unterstützt Multi-Hop-Fragen und inkrementelles Indexieren.
Warum relevant: Dieses Projekt ist relevant für Entwickler, die in der AWS-Ökosystem arbeiten und eine leistungsstarke RAG-Lösung suchen. Es bietet eine gut integrierte Lösung mit Amazon Bedrock, Neptune und OpenSearch.
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: Eine Quarkus-Erweiterung, die Dokumentverarbeitung und -parsing vereinfacht. Es unterstützt verschiedene Formate und bietet nahtlose Integration in den gen AI-Ökosystem.
Warum relevant: Dieses Projekt ist besonders für Entwickler relevant, die mit Quarkus arbeiten und eine robuste Dokumentverarbeitungslösung suchen. Es ist leicht zu integrieren und bietet erweiterte Funktionen.
transmutation (6/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 0/1 = 6/10
Was es macht: Ein Rust-basiertes Modul zur Dokumentkonvertierung, das verschiedene Formate in optimierte Text- und Bildausgaben umwandelt. Es ist ein Kernkomponente des HiveLLM-Vectorizer-Ökosystems.
Warum relevant: Dieses Projekt ist besonders relevant für Entwickler, die eine leistungsstarke und effiziente Dokumentkonvertierungslösung suchen. Es ist in Rust geschrieben und bietet hohe Leistung.
Quelle: GitHub Search API