Paperless OCR verbessern: best practise?

paperless-ngx
12

Mein Paperless-ngx Hybrid AI-Setup: NAS trifft auf GPU-Power (Ollama + Open WebUI + RAG)

Hallo zusammen,

ich wollte euch heute mal mein aktuelles Dokumenten-Setup vorstellen, an dem ich in den letzten Wochen intensiv gefeilt habe. Vielleicht ist es für den einen oder anderen eine Inspiration, der vor dem gleichen Problem steht wie ich: Ein NAS ist super für Storage, aber zu schwach für moderne KI-Anwendungen.

Hier ist mein „Best of Both Worlds“ Ansatz: Paperless-ngx Dual-Host Setup.

paperless_ai_workflow_concept_1772571601883
paperless_ai_workflow_concept_1772571601883640×640 178 KB

Review

System Workflow Concept

:building_construction: Die Architektur: NAS & PC Hand in Hand

Statt alles auf die Synology zu quetschen, habe ich die Last verteilt:

  • Synology NAS (DS224+): Beherbergt den Paperless-Webserver, die Datenbank und den Dateispeicher. Hier liegen die Dokumente sicher und im Raid.

  • Windows 11 PC (mit WSL2 & RTX 5060 Ti): Hier schlägt das Herz der KI. Dank der 16 GB VRAM laufen Ollama und ChromaDB flüssig im Hintergrund.

:counterclockwise_arrows_button: Der Workflow: Automatisierung pur

Mein Setup nutzt einen AI-Watchdog, der den scan_input Ordner überwacht. Sobald ein neues Dokument reinkommt, passiert Folgendes:

  1. High-Quality OCR: Falls das PDF kein OCR hat, schickt der PC es an die lokale KI für eine Textextraktion.

  2. Metadata Magic: Eine KI analysiert den Text und schlägt Titel, Datum, Korrespondent und Tags vor.

  3. Vektorbasiertes Duplicate-Checking: Bevor ein Dokument im NAS landet, prüft ChromaDB via Vektor-Similarity, ob ich das Dokument (oder ein sehr ähnliches) schon einmal hochgeladen habe. Falls ja, wird es markiert und aussortiert.

  4. RAG-Integration: Alle Dokumente werden automatisch in die Knowledge-Base von Open WebUI synchronisiert.

:counterclockwise_arrows_button: Der „Retro“-Turbo: Nachbearbeitung von Bestandsdaten

Ein besonders mächtiges Feature ist die gezielte Nachbearbeitung von Dokumenten, die bereits seit Jahren in Paperless liegen:

  • Der AI-OCR Trigger: Vergebe ich in Paperless den Tag AI-OCR (oder einen anderen konfigurierten Trigger), erkennt mein PC-Worker das innerhalb von Sekunden.

  • Batch-Processing: Die KI wird dann auf das Bestandsdokument losgelassen, führt ein hochqualitatives OCR durch, extrahiert fehlende Metadaten und fügt eine Zusammenfassung in die Notizen ein.

  • Auto-Cleanup: Nach erfolgreicher Bearbeitung entfernt das System den Trigger-Tag automatisch und hinterlegt eine Erfolgsnotiz. So lassen sich tausende Dokumente über Nacht „smart“ machen.

:robot: Chatten mit den Dokumenten

Das Highlight ist die Einbindung von Open WebUI. Ich kann meine gesamte Paperless-Bibliothek einfach „fragen“:

  • „Wann läuft meine KFZ-Versicherung ab?“

  • „Fasse mir die letzte Stromrechnung zusammen.“ Die KI greift direkt auf die synchronisierten PDFs zu und liefert Antworten basierend auf meinen echten Daten (RAG - Retrieval Augmented Generation).

:hammer_and_wrench: Custom Fixes & Stabilität

Um das Ganze alltagstauglich zu machen, mussten einige Hürden genommen werden:

  • JBIG2 Support: Custom Docker-Build für Open WebUI, um auch ältere/komprimierte PDFs lesen zu können.

  • PDF-Rescue-Patch: Ein eingebauter Monkey-Patch verhindert Abstürze bei fehlerhaften Bilddaten in PDFs.

  • Dashboard: Ein zentrales Dashboard zeigt den Status aller Container und erlaubt Backups auf Knopfdruck.

Hier ein kurzes Beispiel für den OCR-Layer (High-Quality OCR):

Unbenannt-1
Unbenannt-11621×856 191 KB

:warning: Wichtiger Fallstrick: Wer Ollama bisher als systemd-Dienst (systemctl) betrieben hat, sollte diesen vor dem Start der Docker-Container deaktivieren. Laufen beide parallel, teilen sie sich die GPU – die Instanzen blockieren sich gegenseitig im VRAM, was zu sporadischen Connection reset-Fehlern und GPU-Hangs führt. Nach systemctl disable --now ollama und Port-Anpassung in der Config (11434 → 11436) läuft alles deutlich stabiler.

Paperless-ngx AI Control Center (Dual-System Control)

weiterhin möchte ich euch mein Dashboard für ein erweitertes Paperless-ngx AI Setup vorstellen. Das Besondere an diesem Setup ist die hybride Architektur:

  • Synology DS224+: Hostet die Paperless-Instanz, die PostgreSQL-Datenbank und das Medien-Archiv.

  • AI-Worker PC (WSL2): Übernimmt die rechenintensiven Aufgaben wie OCR-Backfill, Vektor-Generierung (Ollama/ChromaDB) und Dokumenten-Klassifizierung per LLM.

Da die Verwaltung über zwei Systeme (NAS und PC) schnell unübersichtlich wurde, habe ich ein zentrales Control Center entwickelt.

:desktop_computer: Das Dashboard auf einen Blick

Screenshot 2026-03-04 103812
Screenshot 2026-03-04 1038121983×955 113 KB

Kernfunktionen:

  1. Dual-System Monitoring: Echtzeit-Statistiken über CPU- und RAM-Last beider Systeme. So sehe ich sofort, ob die KI-Workstation gerade unter Volllast arbeitet oder ob die Synology beim DB-Indexieren ins Schwitzen kommt.

  2. Intelligente Warteschlangen-Steuerung: Die Warteschlange wird präzise anhand der PDFs im Staging-Ordner (ai_staging) berechnet. Man sieht genau, wie viele Dokumente noch auf die KI-Verarbeitung warten, bevor sie in den Paperless-Eingang wandern.

  3. Management-Tools (Remote via SSH): Ich kann Paperless-Managementbefehle (wie sanity_checker, document_retagger oder document_exporter) direkt aus der Web-UI starten. Diese werden sicher per SSH innerhalb des Docker-Containers auf der Synology ausgeführt.

    Screenshot 2026-03-04 104136
    Screenshot 2026-03-04 1041361978×987 93.5 KB

  4. Kombinierte Duplikat-Erkennung: Das System zählt sowohl „harte“ Dateiduplikate im Eingangsordner als auch inhaltliche Duplikate, die per KI-Vektor-Suche in der Datenbank identifiziert wurden.

:shield: Backup & Sicherheit

Ein kritischer Punkt war das Backup. Da die Daten verteilt liegen, reicht ein Backup des PCs nicht aus.

image
image1992×985 63.1 KB

Zentrales Backup-Management

Das integrierte Backup-Skript erledigt nun folgendes mit einem Klick:

  • Erstellt einen PostgreSQL-Datenbank-Dump via SSH auf der Synology.

  • Sichert die Docker-Konfigurationen beider Systeme (PC & NAS).

  • Packt die KI-Vektordatenbank (ChromaDB) vom PC mit ein.

  • Speichert alles in einem zentralen, komprimierten Archiv auf der Workstation.

:hammer_and_wrench: Technische Details

  • Frontend: HTML5/CSS3 (Vanilla), JavaScript mit Echtzeit-Polling.

  • Backend: Flask (Python) mit Docker-SDK und SSH-Integration.

  • Kommunikation: Direkter CIFS/SMB3-Mount zwischen WSL2 und Synology für maximale Dateiperformance.

Das Projekt hat die Wartung meines Paperless-Systems massiv vereinfacht, da ich nicht mehr zwischen DSM-Oberfläche, Portainer und Terminal-Sessions hin- und herspringen muss.

Interesse am Setup? Ich habe das gesamte Setup (Docker-Konfigurationen, Python-Skripte für den Watchdog und Sync-Logik) modular aufgebaut. Falls Interesse besteht, kann ich die Repo-Struktur gerne auf GitHub zur Verfügung stellen, damit ihr euch das mühsame Kleben der Einzelteile spart.

Was nutzt ihr für KI-Workflows in eurem Paperless? Ich freue mich auf den Austausch!

Viele Grüße, Heiko