Das LLM-gesteuerte RAG-System ist ein entwicklerorientiertes Framework zum Aufbau von retrieval-augmented generation (RAG)-Pipelines. Es bietet Module für die Einbettung von Dokumentensammlungen, Indizierung via FAISS, Pinecone oder Weaviate sowie das Abrufen relevanten Kontexts zur Laufzeit. Das System nutzt LangChain-Wrappers zur Orchestrierung von LLM-Aufrufen, unterstützt Prompt-Vorlagen, Streaming-Antworten und Multi-Vektor-Store-Adapter. Es vereinfacht die End-to-End-Bereitstellung von RAG für Knowledge Bases, mit Anpassungsmöglichkeiten bei jedem Schritt – von der Einbettungsmodellkonfiguration bis zum Prompt-Design und der Ergebnisnachbearbeitung.

Graph_RAG ist ein Python-basiertes Framework zum Aufbau und zur Abfrage von Wissensgraphen für retrieval-augmented generation (RAG). Es unterstützt die Ingestion unstrukturierter Dokumente, die automatische Extraktion von Entitäten und Beziehungen mit LLMs oder NLP-Tools und die Speicherung in Graphdatenbanken wie Neo4j. Mit Graph_RAG können Entwickler verbundene Wissensgraphen erstellen, semantische Graphabfragen ausführen, um relevante Knoten und Pfade zu identifizieren, und den abgerufenen Kontext in LLM-Aufforderungen einspeisen. Das Framework bietet modulare Pipelines, konfigurierbare Komponenten und Integrationsbeispiele, um End-to-End-RAG-Anwendungen zu erleichtern und die Antwortgenauigkeit sowie Interpretierbarkeit durch strukturierte Wissensrepräsentation zu verbessern.