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 die Integration von Retrieval-Augmented-Generation-Flows.
docling-Studio (9/10)
Repository: scub-france/docling-Studio
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 9/10
Was es macht: Ein visuelles Dokumentanalyse-Studio, das die Extraktion von Text, Tabellen und bounding boxes ermöglicht. Die extrahierten Daten können in OpenSearch und Neo4j indiziert werden.
Warum relevant: Das Projekt ist self-hostbar und bietet eine umfassende Pipeline für die Verarbeitung und Analyse von Dokumenten, einschließlich Chunking, Embeddings und Vector Search.
flexible-graphrag (8/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein flexibles RAG-System, das verschiedene Datenquellen und Graph-DBs unterstützt. Es bietet Funktionen wie Auto-Building von Knowledge Graphs, Ontologien, LLMs und mehr.
Warum relevant: Das Projekt ist self-hostbar und bietet eine breite Palette von Funktionen, die es zu einer vielseitigen 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, WhisperLive, Kokoro, Embeddings, Docling und MCP Gateway umfasst. Es bietet lokale und private AI-Lösungen mit optionaler NVIDIA CUDA-Beschleunigung.
Warum relevant: Das Projekt ist ideal für Entwickler, die eine lokale und private AI-Infrastruktur aufbauen möchten, ohne auf SaaS-Lösungen angewiesen zu sein.
unified-kg-rag-on-aws (7/10)
Repository: awslabs/unified-kg-rag-on-aws
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 1/2 | 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 QA, inkrementelles Indexing und mehrsprachige Dokumente.
Warum relevant: Das Projekt ist gut für Unternehmen, die bereits in der AWS-Ökosystem investiert haben und eine robuste RAG-Lösung suchen.
GustoBot (6/10)
Repository: skygazer42/GustoBot
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 1/2 | Innovation 2/2 | Reife 1/1 = 6/10
Was es macht: Ein umfassendes Multi-Agent-System für Kundendienstroboter, das txt2sql, txt2cypher, LightRAG und mehr unterstützt. Es bietet eine breite Palette von Funktionen für die Verarbeitung und Analyse von Textdaten.
Warum relevant: Das Projekt ist innovativ und bietet eine breite Palette von Funktionen, die es zu einer vielseitigen Lösung machen.
quarkus-docling (5/10)
Repository: quarkiverse/quarkus-docling
Bewertung: RAG-Kern 1/3 | Dokumente 2/2 | Selfhosting 1/2 | Innovation 1/2 | Reife 1/1 = 5/10
Was es macht: Eine Quarkus-Erweiterung, die die Verarbeitung und Analyse von Dokumenten vereinfacht. Es unterstützt verschiedene Formate und bietet nahtlose Integrationen in das gen-AI-Ökosystem.
Warum relevant: Das Projekt ist nützlich für Entwickler, die Quarkus verwenden und eine robuste Dokumentverarbeitung in ihre Anwendungen integrieren möchten.
Quelle: GitHub Search API