Aktuelle RAG-Systeme und Parser-Pipelines (GitHub)
Hier sind einige der aktuellsten und innovativsten Retrieval-Augmented Generation Systeme sowie Dokumentenparser-Pipelines, die es ermöglichen, eigene Daten lokal zu verarbeiten und in KI-basierte Anwendungen einzubinden.
NexusRAG (8/10)
Repository: LeDat98/NexusRAG
Bewertung: RAG-Kern 3/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 8/10
Was es macht: Ein Hybrid-RAG-System, das Vektorsuche, Wissensgraph (LightRAG) und Cross-Erkenner Reranking kombiniert. Es unterstützt Docling-Dokumentenextraktion sowie visuelle Intelligenz für Bilder/Tafelbeschriftungen und agente Streamchat.
Warum relevant: Lokal betreibbar mit Ollama-Modellen oder Gemini, ermöglicht die Verarbeitung eigener Dokumente.
RustyRAG (7/10)
Repository: AlphaCorp-AI/RustyRAG
Bewertung: RAG-Kern 2/3 | Dokumente 1/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 7/10
Was es macht: Ein Produktionsfähiges RAG-System in Rust, das Hybrid-Suche (HNSW + BM25), Cross-Erkenner-Reranking und Docling-Dokumentenextraktion unterstützt.
Warum relevant: Lokal betreibbar mit Cerebras, Groq, Milvus und Jina AI.
flexible-graphrag (7/10)
Repository: stevereiner/flexible-graphrag
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 7/10
Was es macht: Ein flexibles GraphRAG-System, das Python und LlamaIndex verwendet. Es unterstützt mehrere Graph-Datenbanken sowie automatisches Wissensgraph-Building.
Warum relevant: Lokal betreibbar mit Docker Compose, unterstützt verschiedene Datenquellen.
ClawRag (6/10)
Repository: 2dogsandanerd/ClawRag
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 6/10
Was es macht: Ein RAG-System, das Docling-Dokumentenverarbeitung mit ChromaDB-Vektorspeicher kombiniert.
Warum relevant: Lokal betreibbar und unterstützt verschiedene Dokumente.
pdfstract (6/10)
Repository: AKSarav/pdfstract
Bewertung: RAG-Kern 2/3 | Dokumente 2/2 | Selfhosting 2/2 | Innovation 1/2 | Reife 0/1 = 6/10
Was es macht: Ein Extraktions-, Chunking- und Embedding-Layer für den RAG-Pipeline, verfügbar als CLI, WEBUI oder API.
Warum relevant: Lokal betreibbar und unterstützt PDF-Dokumente.
Quelle: GitHub Search API