8 · 配置与部署（Configuration and Deployment）

AI 与 LLM 集成

AI 与大语言模型（LLM）集成

Paperless-ngx 集成了人工智能和大语言模型（LLM），通过自动元数据建议和检索增强生成（RAG）来增强文档管理功能。该子系统允许用户利用外部大语言模型（LLM）提供商（如 OpenAI）或本地实例（通过 Ollama）来分析文档内容，并提供交互式聊天功能。

高层架构

AI 集成以 paperless_ai 模块为核心，该模块抽象了与各种大语言模型（LLM）后端的通信，并管理文档嵌入向量的向量存储。

自然语言到代码实体的映射

下图展示了面向用户的 AI 功能如何映射到底层后端实现。

AI 功能映射

Paperless-ngx · 自然语言到代码实体的映射 · 图 1

来源： src/documents/views.py:107-166, src/paperless_ai/client.py:1-50, src/paperless_ai/indexing.py:1-40。

AI 子系统组件

AI 功能分为三个主要组件：

1. AIClient： 与大语言模型（LLM）提供商交互的统一接口。它支持 Ollama 和兼容 OpenAI API 的后端 src/paperless_ai/client.py:10-80。
2. 向量存储与嵌入向量： 文档被转换为数值向量（嵌入向量），并存储在 FAISS 索引中 src/paperless_ai/indexing.py:15-35。这使得系统能够找到相关文档片段供大语言模型（LLM）处理，从而实现检索增强生成（RAG）。
3. 元数据建议： 使用大语言模型（LLM）分析文档文本，并根据内容建议合适的标题、通信方和标签 src/documents/views.py:112-118。

数据流：从文档到 AI 响应

下图展示了文档数据如何通过 AI 管线进行处理。

AI 数据流

Paperless-ngx · 数据流：从文档到 AI 响应 · 图 2

来源： src/paperless_ai/embedding.py:9-179, src/paperless_ai/indexing.py:50-120, src/paperless/settings/__init__.py:95-99。

配置与管理

AI 功能通过环境变量和管理命令进行控制。关键设置包括嵌入向量后端的选择（例如 HuggingFace、OpenAI）以及大语言模型（LLM）的 API 端点 src/paperless/settings/__init__.py:91-101。

详细子页面

如需更深入的技术细节，请参阅以下子页面：

大语言模型（LLM）后端与嵌入向量

详细介绍 AIClient 类、支持的后端（Ollama、类 OpenAI API）以及 FAISS 向量存储的管理。涵盖构建大语言模型（LLM）索引的管线以及 document_llmindex 命令。

AI 驱动的文档建议

解释 ai_suggestions API 动作背后的逻辑、文档内容如何格式化以供大语言模型（LLM）分析，以及前端如何向用户展示这些建议。

来源： src/documents/views.py:1-200, src/paperless_ai/embedding.py:1-179, src/paperless_ai/client.py:1-100。