Ontos-AI/knowhere

Neden yükseliyor

3522 yıldız ve son 28 gündeki 189 commit ilgi ve geliştirme hareketliliğine işaret ediyor. Agent-native retrieval ile doküman parsing'ini aynı hiyerarşik bellek modelinde birleştirme vaadi de güncel bir ihtiyaca hitap ediyor; ancak bu ölçümler yıldızların ne kadar yakın zamanda kazanıldığını göstermiyor. Commit'lerin yalnızca 2 farklı yazardan gelmesi katkı tabanının dar olabileceğini düşündürüyor.

Problem

PDF ve sunum gibi düzensiz dokümanlardan güvenilir yapı ve bağlam çıkarmak zordur; OCR ve layout hataları retrieval sonuçlarını ve alıntıların izlenebilirliğini zayıflatabilir.

Çözüm

Python tabanlı bir ingestion ve retrieval pipeline'ında metin ağırlıklı dokümanlar için yapı çıkarımını, görsel olarak karmaşık sayfalar için vision model yorumlamasını birleştirir. İki yol ortak bir schema ve hiyerarşide buluşur; kaynak sayfa ve kanıt referansları retrieval sırasında korunur.

Yenilik

Metin tabanlı parsing ile vision tabanlı sayfa yorumlamasını ortak bir hiyerarşi, retrieval ve citation modeline bağlaması belirgin bir tasarım tercihi. Doküman parsing veya RAG tek başına yeni değil; bu yaklaşımın rakiplere üstünlüğünü gösteren kıyaslama verisi verilen bilgilerde yok.

Teknolojiler

• Python 3.11+
• RAG
• MCP
• vision models
• vector retrieval
• Docker

Riskler

• Son 28 gündeki commit'lerin 2 farklı yazardan gelmesi, geliştirme ve bakımın az sayıda kişide yoğunlaşabileceğine işaret ediyor.
• Vision modeli kullanımı ve geniş doküman koleksiyonlarını işleme maliyeti, model seçimine ve dağıtım biçimine bağlı olabilir; bu bilgiler verilen README bölümünde netleştirilmiyor.
• Self-hosted kurulum ayrı bir proje üzerinden sunuluyor; kurulum ve işletim yükü değerlendirilmeden üretim uygunluğu varsayılmamalı.
• Paylaşılan bilgilerde parsing kalitesi, retrieval performansı ve alternatiflerle karşılaştırmalı benchmark kanıtı bulunmuyor.