Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In den letzten Monaten haben sich einige interessante RAG-Systeme und Parser-Pipelines entwickelt, die es ermöglichen, komplexe Dokumente zu verarbeiten und mit maschinellem Lernen zu erweitern. Hier sind die besten Projekte, die wir gefunden haben.
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 flexibles RAG-System, das verschiedene Datenquellen, Graph-DBs und LLMs integriert. Es unterstützt automatische Synchronisierung, Ontologien, und verschiedene Frontends.
Warum relevant: Hochgradig anpassbar und integriert eine Vielzahl von Technologien, ideal für komplexe Anwendungen.
chunky (8/10)
Repository: GiovanniPasq/chunky
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 8/10
Was es macht: Ein Toolkit zur Verarbeitung und Chunking von PDFs, mit Unterstützung für verschiedene Dokumentformate und LLM-Anwendungen.
Warum relevant: Sehr nützlich für die Vorbereitung von Dokumenten für RAG-Pipelines, lokal betreibbar und gut dokumentiert.
docling-Studio (8/10)
Repository: scub-france/docling-Studio
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 8/10
Was es macht: Ein visuelles Studio zur Dokumentanalyse, das Text, Tabellen und Bounding Boxes extrahiert und in OpenSearch und Neo4j indiziert.
Warum relevant: Bietet eine benutzerfreundliche Oberfläche für die Dokumentverarbeitung und ist lokal betreibbar.
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 0/1 = 8/10
Was es macht: Ein vollständiger, lokal betriebsbereiter AI-Stack, der Ollama, LiteLLM, Whisper und andere Tools integriert.
Warum relevant: Ideal für die lokale Ausführung von AI-Anwendungen, einschließlich RAG-Pipelines, und bietet CUDA-Beschleunigung.
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 0/1 = 7/10
Was es macht: Ein AWS-native RAG-Framework, das Microsoft GraphRAG und LightRAG kombiniert, um Multi-Hop QA über Dokumentkorpusse zu ermöglichen.
Warum relevant: Hochgradig skalierbar und integriert moderne AWS-Dienste, ideal für Unternehmen mit AWS-Infrastruktur.
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 zur Vereinfachung der Dokumentverarbeitung, die verschiedene Formate unterstützt und in den gen-AI-Ökosystem integriert.
Warum relevant: Eignet sich gut für Java-Anwendungen und bietet eine einfache Integration in bestehende Quarkus-Projekte.
Quelle: GitHub Search API