RAXPLORER
Herausforderung
Standard-RAG-Systeme haben oft Schwierigkeiten mit komplexen Dokumenten wie wissenschaftlichen Arbeiten oder Finanzberichten, die stark auf Layout, Tabellen und Abbildungen angewiesen sind.
Lösung
Ich habe 'RAXPLORER' entwickelt, eine experimentelle RAG-Plattform, die ein räumliches Bewusstsein für die Dokumentenstruktur, hybride Suche (semantisch + Schlüsselwort) und Unterstützung für mehrere LLMs integriert.
Ergebnis
Ein kontextbewussteres Q&A-System, das präzisere Antworten aus komplexen Dokumenten liefern kann, indem es nicht nur den Text, sondern auch seine Präsentation versteht.
Wichtige Highlights
Räumliches Bewusstsein
Versteht das Dokumentenlayout für besseren Kontext.
Hybride Suche
Kombiniert semantische und Schlüsselwort-Suchmethoden.
Multi-LLM-Unterstützung
Funktioniert mit verschiedenen KI-Backends für mehr Flexibilität.

Technologie-Stack
Core
PyTorch
Transformers
Vector DB
Backend
FastAPI
PostgreSQL
Frontend
React
Next.js