LibreAI ENESPTDEFRRUJA
← Alle Kategorien// rag

Die besten Open-Source-Tools für RAG & Wissen

RAG-Pipelines, Wissensdatenbanken und Chat mit deinen Dokumenten.

99 Tools · 💎 43 Geheimtipps

// hier starten

Hier starten

Die Projekte mit den meisten Sternen in dieser Kategorie, dazu eine wechselnde Auswahl von drei weiteren aus der Liste — erneuert, damit der ganze Katalog im Schaufenster an die Reihe kommt.

RAG & Wissen

Dify

Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or…

★ 157,8 Tsd. SterneCustom (check repo)
Anleitung ansehen →
RAG & Wissen

ragflow

RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent capabilities to create a superior context…

★ 91,6 Tsd. SterneApache-2.0
Anleitung ansehen →
RAG & Wissen

PaddleOCR

Lightweight OCR toolkit turning PDFs and images into structured, LLM-ready data in 100+ languages

★ 90,8 Tsd. SterneApache-2.0
Anleitung ansehen →
RAG & Wissen

ragent

Ragent (容纳智能体): a production-grade Java Agentic RAG platform with hybrid retrieval and an admin console

★ 4,2 Tsd. SterneApache-2.0
Anleitung ansehen →
RAG & Wissen

nano-graphrag

nano-graphrag: a small, hackable GraphRAG implementation in about 1,100 lines — no Microsoft GraphRAG bulk

★ 4,0 Tsd. SterneMIT
Anleitung ansehen →
RAG & Wissen

pipeshub-ai

The open-source, permission-aware context layer that lets agents search all your company knowledge.

★ 3,8 Tsd. SterneApache-2.0
Anleitung ansehen →

Weitere Kategorien: VideoBildAudioKI-Musik3D-KIKurzclipsLokale LLMsKI-ChatKI-AgentenAutomatisierungProduktivitätEntwickler-ToolsDesignSchreibenSelf-HostingEinfache Installation

// über diese kategorie

Die besten Open-Source-Tools für RAG & Wissen

RAG — Retrieval-Augmented Generation — ist der Weg, mit deinen eigenen Dokumenten zu chatten statt mit dem Gedächtnis des Modells. Diese Tools nehmen PDFs, Notizen, Codebasen und Websites auf, indexieren sie und beantworten Fragen mit Zitaten zurück zum Ausgangsmaterial.

Die Kategorie umfasst vollständige Chat-mit-Dokumenten-Apps, Pipeline-Frameworks zum Bau deines eigenen Retrieval-Stacks und Wissensdatenbank-Server, die hinter anderen Tools sitzen sollen. Die Qualität steckt in den unglamourösen Schritten: wie Dokumente zerlegt, eingebettet und neu geordnet werden, bevor das Modell sie je sieht.

So wählst du aus

  • Dein Bestand entscheidet über das Tool: Ein Ordner voller PDFs will eine Dokumenten-App; ein Produkt will ein Framework und einen Embedder, den du kontrollierst.
  • Bestehe auf Zitaten — ein RAG-Tool, das seine Quellen nicht zeigen kann, wird irgendwann eine erfinden.
  • Lokale Embedding-Modelle halten private Bestände privat; prüfe, ob die Pipeline sie unterstützt.
// häufige fragen

Häufige Fragen

Welche Tools der Kategorie RAG & Wissen sind hier aufgeführt?

Diese Seite sammelt 99 von LibreAI kuratierte Open-Source-Projekte der Kategorie RAG & Wissen: RAG-Pipelines, Wissensdatenbanken und Chat mit deinen Dokumenten. Jedes davon ist auf GitHub geprüft und hat eine eigene Anleitungsseite mit Überblick, Installationsschritten, Anwendungsfällen und einer FAQ.

Sind die Tools der Kategorie RAG & Wissen kostenlos?

Ja. Jedes Tool hier ist Open Source und kann unter seiner eigenen Lizenz kostenlos heruntergeladen und genutzt werden — die meisten nutzen MIT, Apache-2.0 oder GPL-3.0, und jede eigene Source-Available-Lizenz ist auf der Seite des Tools vermerkt. Prüfe vor einer kommerziellen Nutzung die LICENSE-Datei.

Hostet LibreAI diese Tools?

Nein. LibreAI veröffentlicht nur Anleitungen — von dieser Seite werden keine Downloads bereitgestellt. Jede Installation stammt aus dem offiziellen GitHub-Repository des Projekts.

Wie installiere ich ein Tool der Kategorie RAG & Wissen von dieser Seite?

Öffne die Anleitung des Tools und folge ihrem Abschnitt „Führe es selbst aus“ — die Schritte stammen aus der Dokumentation des Projekts selbst — oder nutze die Schaltfläche „Auf GitHub ansehen“, um direkt zum offiziellen Repository zu gelangen.

Wie wurden diese Tools ausgewählt?

Jedes Projekt wird live über die GitHub-API geprüft — Sterne, Forks, Lizenz und aktuelle Aktivität — und nur aufgeführt, wenn es echten Schwung und eine aktive Community hat.

Welche Arten von Dokumenten können RAG-Tools nutzen?

Üblicherweise PDFs, Office-Dokumente, Markdown- und Textdateien, Webseiten und — in entwicklerorientierten Tools — ganze Codebasen. Unordentliche Scans und komplexe Tabellen sind überall die Schwachstelle — saubere Ausgangsdokumente geben merklich bessere Antworten.

Warum antwortet mein RAG-Tool manchmal aus der falschen Passage?

Meist ist das Retrieval schuld, nicht das Sprachmodell: Die Zerteilung in Stücke hat die Antwort zerrissen, oder das Embedding traf eine ähnliche, aber falsche Passage. Die Frameworks in dieser Kategorie legen diese Regler offen; App-artige Tools verstecken sie, stimmen sie aber womöglich standardmäßig gut ab.