docker-paperless-ai
Un sistema de automatización que combina RAG agéntico, OCR multimodal y extracción de metadatos para procesar archivos PDF con Paperless-ngx. Utiliza modelos locales, búsqueda vectorial en Qdrant y un pipeline de tres etapas: OCR → extracción de metadatos → embeddings.
Ficha actualizada 22 sept 2026, 18:54 · upstream 22 sept 2026, 18:21 · release sin release detectada
Qué es docker-paperless-ai
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
El proyecto extiende paperless-ngx con capacidades avanzadas de inteligencia artificial. Los documentos se procesan mediante un pipeline de tres etapas: primero, el modelo Vision LLM realiza OCR en cada página; segundo, el modelo Text LLM extrae título, fecha y remitente; tercero, los embeddings (bge-m3) indexan el contenido en Qdrant para búsqueda semántica. Todo el flujo se gestiona a través de Paperless-ngx mediante webhooks y etiquetas custom como 'ai:run-ocr', 'ai:run-metadata' y 'ai:run-embed'. El servicio siempre activo también expone un endpoint /search para copilot en tiempo real.
- Automatizar la extracción de metadatos (título, fecha, remitente) de documentos PDF sin intervención manual
- Crear índices vectoriales en Qdrant para búsquedas semánticas sobre documentos archivados
- Proveer un endpoint /search que permite consultar documentos con copilot en tiempo real
- Automatizar la consolidación semanal de correspondentes a través del timer de correpondencia
- Permitir al usuario generar y aplicar planes de revisión de correpondencia sin intervención manual
- Procesa documentos mediante OCR multimodal: visión por computadora para cada página, seguido de extracción de texto con LLMs
- Pipeline escalable que detecta servidores inactivos y reenvía documentos en Redis sin descargar archivos
- Búsqueda semántica en Qdrant con re-ranking local usando embeddings bge-m3
- Servicios independientes (OCR, metadata, embedding) que se ejecutan de forma asíncrona
- Soporte para correpondencia semanal automática con consolidación y revisión
- Requiere un servidor GPU dedicado para el OCR multimodal, lo cual puede ser costoso en infraestructura existente
- La extracción de metadatos depende de modelos externos (Tesseract, Gemini) que pueden tener limitaciones de precisión o disponibilidad
- El servicio de copilot tiene una ventana de tiempo limitada (5 minutos) antes de reiniciarse y liberar recursos
- No se soporta el procesamiento en la nube directamente; todo debe ejecutarse localmente con Docker Compose
- La consolidación semanal requiere intervención manual para resolver discrepancias entre correpondentes
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instala con docker-compose: docker compose up -d. Usa variables de entorno PAPERLESS_SECRET_KEY, DOCKER_DOMAIN y PAPERLESS_TOKEN. Para PostgreSQL 18, mueve el volumen a /var/lib/postgresql. El servicio copilot usa un DB separado (ai_chat) con su propio role. La limpieza semanal se ejecuta cada martes a las 01:10 UTC mediante el timer paperless-correspondent-cleanup.timer.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.