Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
In diesem Artikel stellen wir die 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, die lokal betrieben werden können und dabei auf modernste Technologien wie LLMs und Graph-Datenbanken setzen.
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-Datenbanken und LLMs unterstützt. Es bietet automatische Synchronisierung, Ontologien, und eine Vielzahl von Frontend-Optionen.
Warum relevant: Das Projekt ist sehr umfassend und innovativ, bietet eine breite Palette von Funktionen und ist lokal betreibbar.
docling-Studio (8/10)
Repository: scub-france/docling-Studio
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein visuelles Dokumentanalyse-Studio, das die Extraktion von Text, Tabellen und bounding boxes ermöglicht. Es unterstützt die Chunking, Embedding und Indexierung in OpenSearch und Neo4j.
Warum relevant: Das Studio ist selbst gehostet, bietet eine benutzerfreundliche Oberfläche und ist gut dokumentiert.
chunky (8/10)
Repository: GiovanniPasq/chunky
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 1/1 = 8/10
Was es macht: Ein Open-Source-Toolkit für zuverlässige RAG-Pipelines. Es ermöglicht die Konvertierung von PDFs in Markdown, das Reinigen von Dokumenten, das Inspectieren von Chunks und das Vergleichen von Chunking-Strategien.
Warum relevant: Das Toolkit ist lokal betreibbar, gut dokumentiert und bietet nützliche Funktionen für die Dokumentverarbeitung.
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, selbst gehoster AI-Stack mit Docker Compose. Es umfasst Ollama, LiteLLM, Whisper, Embeddings, Docling und mehr. Es ist lokal betreibbar, privat und unterstützt NVIDIA CUDA-Beschleunigung.
Warum relevant: Dieses Projekt bietet eine umfassende Lösung für die lokale Bereitstellung von AI-Technologien und ist gut dokumentiert.
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 vereint. Es unterstützt Multi-hop QA, inkrementelles Indexieren und mehrere Sprachen.
Warum relevant: Obwohl es nur in der Cloud betrieben werden kann, bietet es eine innovative und umfassende Lösung für RAG-Anwendungen.
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: Ein Quarkus-Extension, das die Verarbeitung und Parsen verschiedener Dokumentformate vereinfacht. Es bietet nahtlose Integrationen in das gen-AI-Ökosystem.
Warum relevant: Das Projekt ist lokal betreibbar und bietet nützliche Funktionen für die Dokumentverarbeitung, obwohl es noch in der Frühphase ist.
Quelle: GitHub Search API