MCP server Docpick
✓ ПровереноИзвлекает структурированные JSON-данные из документов с помощью локальных OCR-движков и LLM с использованием настраиваемых схем Pydantic.
Также известен как QuartzUnit/docpick
- Звёзды
- 1
- Инструменты
- —
- Загрузки, 30 дней
- 2 671
- Последняя версия
- 0.1.2
- Последний коммит
- 15 апр. 2026 г.
- Лицензия
- Apache-2.0
Что такое Docpick MCP?
Docpick — это MCP server. Извлекает структурированные JSON-данные из документов с помощью локальных OCR-движков и LLM с использованием настраиваемых схем Pydantic.
Сводка сгенерирована из README проекта
О Docpick MCP server
Docpick позволяет разработчикам, создающим приватные конвейеры данных, локально преобразовывать физические документы в структурированные JSON-данные. Он работает как система извлечения на основе схем, сочетающая локальные OCR-движки, такие как PaddleOCR, EasyOCR или GOT-OCR2.0, с локальными эндпоинтами LLM, например Ollama или vLLM. Такая конфигурация гарантирует, что конфиденциальная информация из инвойсов, чеков или банковских выписок никогда не покинет ваше устройство, так как весь процесс выполняется на вашем CPU или GPU.
Пользователи могут выбирать из восьми встроенных схем для распространенных типов документов или определять собственные модели Pydantic для соблюдения специфических структур данных. Система включает встроенные инструменты валидации, такие как проверка контрольных разрядов для IBAN или корейских бизнес-номеров, а также правила перекрестной проверки полей для обеспечения математической точности. Будь то обработка одного файла через Python API или выполнение пакетных заданий в целых директориях с использованием параллельных воркеров, конвейер управляет переключением OCR и повторными попытками LLM для поддержания высокой точности извлечения.
Что вы можете с ним делать
- 1Извлечение данных из инвойсовПреобразуйте коммерческие инвойсы в структурированный JSON с одновременной проверкой налоговых идентификаторов и сумм по позициям.
- 2Валидация документов, удостоверяющих личностьИзвлекайте паспортные данные и проверяйте их на соответствие стандартам ICAO 9303 и зонам MRZ.
- 3Автоматизация пакетной обработки документовЗапускайте параллельные задачи извлечения для папки с документами, используя определенную схему.
- 4Обеспечение согласованности данных между документамиПроверяйте соответствие данных в инвойсе, коносаменте и упаковочном листе.
Взято из README проекта. Каждый вариант использования проверен на соответствие цитате из него.
Как установить Docpick MCP
Форматы проверены 10 ноя 2026Добавить в CursorДобавить в GooseУстановка Docpick MCP в Claude Code
$ claude mcp add docpick -- uvx docpickУстановка Docpick MCP в Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Установка Docpick MCP в VS Code
.vscode/mcp.json
{
"servers": {
"docpick": {
"type": "stdio",
"command": "uvx",
"args": [
"docpick"
]
}
}
}Установка Docpick MCP в VS Code CLI
$ code --add-mcp '{"name":"docpick","type":"stdio","command":"uvx","args":["docpick"]}'Установка Docpick MCP в Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Установка Docpick MCP в Codex
$ codex mcp add docpick -- uvx docpickУстановка Docpick MCP в Codex config.toml
~/.codex/config.toml
[mcp_servers.docpick] command = "uvx" args = ["docpick"]
Установка Docpick MCP в Gemini CLI
$ gemini mcp add -s user docpick uvx -- docpickУстановка Docpick MCP в Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Автоматические проверки
Запущено 15 нояб. 2026 г.Полный отчёт →Прошло наши автоматизированные проверки. Это не аудит безопасности: изучите код и предоставьте серверу минимально необходимый доступ. Как работают проверки
- Связанный и доступный исходный репозиторийquartzunit/docpick is public and reachablegithub.com/quartzunit/docpick ↗Пройдено
- Пакет указывает этот репозиторий как источникdocpick names quartzunit/docpick as sourcepypi.org/project/docpick/ ↗Пройдено
- Происхождение сборки (аттестация Sigstore)No build attestation published for this releaseНе проверялось
- Open source лицензия (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Пройдено
- Коммит или релиз за последний годLast commit or release 2026-04-15github.com/quartzunit/docpick ↗Пройдено
- OpenSSF ScorecardНе проверялось
- Имя пакета не похоже на популярный пакетNo popular package one edit away from docpickПройдено
- Нет критических предупреждений в пакете или его зависимостях22 resolved dependencies checked; no critical advisoryosv.dev ↗Пройдено
- Нет скрытых инструкций для модели0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersПройдено
- Деструктивные инструменты помеченыНе проверялось
- Удалённая конечная точка отвечает на рукопожатие MCPНе проверялось
README
Открыть на 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.
Вопросы о Docpick MCP
Как добавить Docpick MCP в Claude Code?
Выполните claude mcp add docpick -- uvx docpick в терминале. Добавьте --scope user, чтобы сервер был доступен во всех проектах.
Как добавить Docpick MCP в Cursor?
Откройте ~/.cursor/mcp.json и добавьте сервер в mcpServers, используя конфигурацию Cursor из раздела установки выше.
Требует ли Docpick облачных сервисов?
Нет, он полностью работает на вашем устройстве без зависимости от облака.
Могу ли я использовать собственные структуры данных для извлечения?
Да, вы можете определить свои схемы, используя модели Pydantic или файлы JSON Schema.
Как система обрабатывает результаты OCR с низким уровнем достоверности?
Используется двухэтапный механизм, который автоматически переключается на более продвинутые мультимодальные модели (vision-language models), если уровень достоверности падает ниже установленного порога.