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 verfügbar sind. Diese Projekte bieten innovative Lösungen für die Verarbeitung und Analyse von Dokumenten, wobei sie oft auf lokalen Systemen betrieben werden können.
flexible-graphrag (8/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 8/10
Was es macht: Flexible-GraphRAG ist ein umfassendes Framework, das verschiedene Graph- und Vektordatenbanken unterstützt, um Dokumente zu verarbeiten, zu parsen und in Wissensgraphen zu integrieren. Es bietet automatische Synchronisierung, Ontologien, LLM-Integration und mehr.
Warum relevant: Das Projekt ist sehr vielseitig und ermöglicht die lokale Verarbeitung von Dokumenten, was es ideal für Selfhosting-Szenarien macht.
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 0/1 = 7/10
Was es macht: Dieses Projekt bietet eine vollständige, lokal betriebbare AI-Stack-Lösung, die Ollama, LiteLLM, Whisper und andere Tools umfasst. Es unterstützt die Verarbeitung von Dokumenten, Spracherkennung und -synthese, sowie die Erstellung von Embeddings.
Warum relevant: Die lokale Betriebbarkeit und die Vielfalt der integrierten Tools machen dieses Projekt zu einer umfassenden Lösung für Selfhosting-Umgebungen.
docker-docling (7/10)
Repository: hwdsl2/docker-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 7/10
Was es macht: Docker-Image für einen selbstgehosteten Docling-Dokumentenparsingserver. Es konvertiert PDF, DOCX, PPTX, HTML und mehr in Markdown/JSON, unterstützt Chunking für RAG und bietet NVIDIA GPU-Beschleunigung.
Warum relevant: Die lokale Betriebbarkeit und die Unterstützung vielfältiger Dokumentformate machen dieses Projekt zu einer robusten Lösung für die Dokumentverarbeitung.
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 0/1 = 6/10
Was es macht: AWS-native Knowledge Graph RAG-Framework, das zwei Graph-Retrieval-Methoden kombiniert: Microsoft GraphRAG und LightRAG. Es unterstützt Multi-Hop-QA, inkrementelles Indexing und mehrsprachige Dokumente.
Warum relevant: Obwohl es nur als AWS-Dienst verfügbar ist, bietet es innovative Ansätze zur Verarbeitung von Dokumenten und Wissensgraphen.
quarkus-docling (6/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 0/2 | Innovation 1/2 | Reife 0/1 = 6/10
Was es macht: Docling vereinfacht die Verarbeitung von Dokumenten in verschiedenen Formaten, einschließlich fortgeschrittener PDF-Verarbeitung, und bietet nahtlose Integrationen mit dem gen AI-Ökosystem.
Warum relevant: Das Projekt ist gut integriert in das Quarkus-Framework und bietet robuste Dokumentverarbeitungsfunktionen.
transmutation (5/10)
Repository: hivellm/transmutation
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 5/10
Was es macht: Transmutation ist ein Rust-basiertes Modul zur Dokumentenkonvertierung, das verschiedene Dateiformate in optimierte Text- und Bildausgaben für LLM-Verarbeitung und Vektorembeddings umwandelt.
Warum relevant: Die Unterstützung vielfältiger Dokumentformate und die Leistungsfähigkeit von Rust machen dieses Projekt zu einer interessanten Option für die Dokumentverarbeitung.
Quelle: GitHub Search API