MCP server de Docpick
✓ VerificadoExtrae JSON estructurado de documentos utilizando motores OCR locales y LLMs con esquemas Pydantic personalizables.
También conocido como QuartzUnit/docpick
- Stars
- 1
- Herramientas
- —
- Descargas, 30 días
- 2671
- Última versión
- 0.1.2
- Último commit
- 15 abr 2026
- Licencia
- Apache-2.0
¿Qué es Docpick MCP?
Docpick es un MCP server. Extrae JSON estructurado de documentos utilizando motores OCR locales y LLMs con esquemas Pydantic personalizables.
Resumen generado a partir del README del proyecto
Acerca del MCP server de Docpick
Docpick permite a los desarrolladores que construyen pipelines de datos privados convertir documentos físicos en datos JSON estructurados de forma local. Funciona como un sistema de extracción basado en esquemas que combina motores OCR locales como PaddleOCR, EasyOCR o GOT-OCR2.0 con endpoints de LLM locales como Ollama o vLLM. Esta configuración garantiza que la información sensible de facturas, recibos o estados de cuenta nunca salga de tu máquina, ya que todo el proceso se ejecuta en tu propia CPU o GPU.
Los usuarios pueden elegir entre ocho esquemas integrados para documentos comunes o definir modelos Pydantic personalizados para imponer estructuras de datos específicas. El sistema incluye herramientas de validación integradas, como la verificación de dígito de control para IBAN o números de registro de empresas coreanas, y reglas entre campos para asegurar la consistencia matemática. Ya sea procesando un solo archivo a través de la API de Python o ejecutando trabajos por lotes en directorios completos con workers en paralelo, el pipeline gestiona la caída de respaldo (fallback) de OCR y los reintentos de LLM para mantener una alta precisión en la extracción.
Qué puedes hacer con él
- 1Extracción de datos de facturasConvierte facturas comerciales en JSON estructurado mientras verifica IDs fiscales y sumas de partidas.
- 2Validación de documentos de identidadExtrae información de pasaportes y verifícala con los estándares ICAO 9303 y zonas MRZ.
- 3Automatización del procesamiento de documentos por lotesEjecuta tareas de extracción en paralelo en una carpeta llena de documentos utilizando un esquema específico.
- 4Garantía de consistencia entre documentosVerifica que los datos se mantengan consistentes entre una factura, un conocimiento de embarque y una lista de empaque.
Escrito a partir del README del proyecto. Cada caso de uso se verifica con una cita del mismo.
Cómo instalar Docpick MCP
Formatos verificados el 10 nov 2026Añadir a CursorAñadir a GooseInstalar Docpick MCP en Claude Code
$ claude mcp add docpick -- uvx docpickInstalar Docpick MCP en Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Instalar Docpick MCP en VS Code
.vscode/mcp.json
{
"servers": {
"docpick": {
"type": "stdio",
"command": "uvx",
"args": [
"docpick"
]
}
}
}Instalar Docpick MCP en VS Code CLI
$ code --add-mcp '{"name":"docpick","type":"stdio","command":"uvx","args":["docpick"]}'Instalar Docpick MCP en Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Instalar Docpick MCP en Codex
$ codex mcp add docpick -- uvx docpickInstalar Docpick MCP en Codex config.toml
~/.codex/config.toml
[mcp_servers.docpick] command = "uvx" args = ["docpick"]
Instalar Docpick MCP en Gemini CLI
$ gemini mcp add -s user docpick uvx -- docpickInstalar Docpick MCP en Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Verificaciones automáticas
Ejecutado 15 nov 2026Informe completo →Pasó nuestras verificaciones automáticas. Esto no es una auditoría de seguridad: lee el código y dale al servidor el acceso más limitado que necesite. Cómo funcionan las verificaciones
- Repositorio de origen vinculado y accesiblequartzunit/docpick is public and reachablegithub.com/quartzunit/docpick ↗Aprobado
- El paquete indica este repositorio como su origendocpick names quartzunit/docpick as sourcepypi.org/project/docpick/ ↗Aprobado
- Procedencia de la compilación (atestación de Sigstore)No build attestation published for this releaseNo verificado
- Licencia de código abierto (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Aprobado
- Commit o lanzamiento en el último añoLast commit or release 2026-04-15github.com/quartzunit/docpick ↗Aprobado
- OpenSSF ScorecardNo verificado
- El nombre del paquete no es similar a un paquete popularNo popular package one edit away from docpickAprobado
- No hay avisos críticos en el paquete ni en sus dependencias22 resolved dependencies checked; no critical advisoryosv.dev ↗Aprobado
- Sin instrucciones ocultas para el modelo0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersAprobado
- Las herramientas destructivas están etiquetadasNo verificado
- El endpoint remoto responde al handshake de MCPNo verificado
README
Ver en GitHubDocpick
Document in, Structured JSON out. Locally. With your schema.
docpick is a lightweight, schema-driven document extraction pipeline that combines local OCR engines with local LLMs to extract structured JSON from any document — invoices, receipts, bills of lading, tax forms, and more.
- Zero cloud dependency — runs entirely on your machine (CPU or GPU)
- Custom schemas — define your own Pydantic models or use 8 built-in document schemas
- Validation built-in — checkdigit verification, cross-field rules, cross-document consistency
- Apache 2.0 — no GPL/AGPL dependencies
Install
pip install docpick # core (LLM extraction only)
pip install docpick[paddle] # + PaddleOCR (recommended)
pip install docpick[easyocr] # + EasyOCR (Korean-optimized)
pip install docpick[got] # + GOT-OCR2.0 (GPU, vision-language)
pip install docpick[all] # all OCR backends
Requirements: Python 3.11+ / LLM endpoint (vLLM, Ollama, or OpenAI-compatible)
Quick Start
Python API
from docpick import DocpickPipeline
from docpick.schemas import InvoiceSchema
pipeline = DocpickPipeline()
result = pipeline.extract("invoice.pdf", schema=InvoiceSchema)
print(result.data) # Structured dict matching schema
print(result.validation) # Validation errors/warnings
print(result.confidence) # Per-field confidence scores
CLI
# Extract structured data
docpick extract invoice.pdf --schema invoice --output result.json
# OCR only (no LLM)
docpick ocr document.png --lang ko,en
# Validate extracted JSON
docpick validate result.json --schema invoice
# Batch process a directory
docpick batch ./documents/ --schema invoice --output ./results/ --concurrency 4
# List available schemas
docpick schemas list
# Show schema details
docpick schemas show invoice
Built-in Schemas
| Schema | Document Type | Key Validations |
|---|---|---|
invoice |
Commercial invoices | Line item sums, tax ID checkdigit, date order |
receipt |
Retail/restaurant receipts | Total = subtotal + tax + tip |
bill_of_lading |
Ocean/air B/L | Container weight sums, ISO 6346, HS code format |
purchase_order |
Purchase orders | PO total = line items, delivery date order |
kr_tax_invoice |
Korean e-tax invoice (세금계산서) | Business number checkdigit (x2), supply/tax/total sums |
bank_statement |
Bank statements | IBAN mod97, period date order |
id_document |
Passport/ID (ICAO 9303) | MRZ, ISO 3166 country codes, date ranges |
certificate_of_origin |
Certificate of Origin | ISO 3166 alpha-2 country codes |
Custom Schemas
Define your own schema with Pydantic:
from pydantic import BaseModel
from docpick import DocpickPipeline
from docpick.validation.rules import SumEqualsRule, RequiredFieldRule
class MyDocument(BaseModel):
"""Custom document schema."""
company_name: str | None = None
total_amount: float | None = None
tax_amount: float | None = None
net_amount: float | None = None
items: list[dict] | None = None
class ValidationRules:
rules = [
RequiredFieldRule("company_name"),
SumEqualsRule(["net_amount", "tax_amount"], "total_amount"),
]
pipeline = DocpickPipeline()
result = pipeline.extract("my_document.pdf", schema=MyDocument)
Or use a JSON Schema file:
docpick extract document.pdf --schema my_schema.json
Validation
Check Digit Algorithms
| Algorithm | Use Case |
|---|---|
kr_business_number |
Korean business registration number (10 digits) |
luhn |
Credit card numbers |
iso_6346 |
Shipping container numbers |
iban_mod97 |
International bank account numbers |
awb_mod7 |
Air waybill numbers |
mrz |
Machine Readable Zone (passport/ID) |
Cross-Field Rules
| Rule | Description |
|---|---|
SumEqualsRule |
Sum of fields equals target (with tolerance) |
DateBeforeRule |
Date A must precede Date B |
RequiredFieldRule |
Field must be non-null and non-empty |
FieldEqualsRule |
Two fields must be equal |
RangeRule |
Numeric field within min/max bounds |
RegexRule |
Field matches regex pattern |
Cross-Document Validation
Validate consistency across related documents (e.g., Invoice + B/L + Packing List):
from docpick.validation.cross_document import create_trade_document_validator
validator = create_trade_document_validator()
result = validator.validate({
"invoice": invoice_data,
"bl": bl_data,
"packing_list": packing_list_data,
"certificate": certificate_data,
})
print(result.is_valid)
OCR Engines
| Engine | Type | GPU | Languages | Best For |
|---|---|---|---|---|
| PaddleOCR | Traditional OCR | Optional | 111 | General documents (default) |
| EasyOCR | Traditional OCR | Optional | 80+ | Korean text |
| GOT-OCR2.0 | Vision-Language | Required | Multi | Complex layouts |
| VLM | Vision-Language | Required | Multi | Direct image → JSON |
2-Tier Auto Engine
The default auto engine uses confidence-based fallback:
- Tier 1 (CPU): PaddleOCR → EasyOCR
- Tier 2 (GPU): GOT-OCR2.0 → VLM
If Tier 1 average confidence falls below threshold (default 0.7), automatically escalates to Tier 2.
LLM Providers
| Provider | Endpoint | Default Model |
|---|---|---|
| vLLM | http://localhost:8000/v1 |
Qwen/Qwen3.5-32B-AWQ |
| Ollama | http://localhost:11434 |
qwen3.5:7b |
Configure via CLI or YAML:
docpick config set llm.provider ollama
docpick config set llm.base_url http://localhost:11434
docpick config set llm.model qwen3.5:7b
Error Handling
The pipeline is designed to be resilient:
- OCR failure → automatic fallback to next available engine
- LLM JSON parse failure → automatic retry with correction prompt (up to 1 retry)
- Partial results → returns whatever was extracted, with errors logged in
result.errors - Document load failure → returns empty result with error message
result = pipeline.extract("damaged.pdf", schema=InvoiceSchema)
if result.errors:
print("Pipeline warnings:", result.errors)
if result.data:
print("Partial extraction:", result.data)
Batch Processing
Process entire directories with parallel workers:
from docpick.batch import BatchProcessor
from docpick.schemas import InvoiceSchema
processor = BatchProcessor(concurrency=4)
result = processor.process_directory(
"./invoices/",
schema=InvoiceSchema,
recursive=True,
)
print(f"Processed {result.succeeded}/{result.total} files")
for path, extraction in result.results.items():
print(f"{path}: {extraction.data.get('total_amount')}")
Architecture
flowchart TD
A["📄 Document\n(PDF / Image)"] --> B["DocumentLoader\n(pypdfium2)"]
B --> C["Tier 1: OCR\n(PaddleOCR / EasyOCR)\nCPU"]
C --> D{"Confidence\n≥ threshold?"}
D -->|"yes"| F["LLM Extractor\n(vLLM / Ollama)\nSchema prompt"]
D -->|"no"| E["Tier 2: VLM\n(GOT / VLM)\nGPU"]
E --> F
F --> G["Pydantic Validation"]
G --> H["✅ ExtractionResult"]
License
Apache 2.0 — all dependencies are Apache 2.0 or MIT licensed.
Part of the QuartzUnit ecosystem — composable Python libraries for data collection, extraction, search, and AI agent safety.
Preguntas sobre Docpick MCP
¿Cómo agrego Docpick MCP a Claude Code?
Ejecuta claude mcp add docpick -- uvx docpick en tu terminal. Añade --scope user para que esté disponible en todos los proyectos.
¿Cómo agrego Docpick MCP a Cursor?
Abre ~/.cursor/mcp.json y añade el servidor en mcpServers, usando la configuración de Cursor que se muestra en la sección de instalación de arriba.
¿Docpick requiere servicios en la nube?
No, se ejecuta completamente en tu máquina sin ninguna dependencia de la nube.
¿Puedo usar mis propias estructuras de datos para la extracción?
Sí, puedes definir tus propios esquemas utilizando modelos Pydantic o archivos JSON Schema.
¿Cómo maneja el sistema los resultados de OCR con baja confianza?
Utiliza un motor automático de dos niveles que escala automáticamente a modelos de visión y lenguaje más avanzados si la confianza cae por debajo de un umbral determinado.