# DocuMind-G4

Dieses Projekt implementiert ein lokales Retrieval-Augmented Generation (RAG) System, das Dokumente aus **Paperless-ngx** synchronisiert, verarbeitet und über eine **Streamlit** Web-UI sowie einen **Telegram Bot** durchsuchbar macht.



## Features

* **Delta-Sync mit Paperless-ngx**: Synchronisiert nur neue oder geänderte Dokumente via API und löscht entfernte Dokumente automatisch aus dem Vektor-Speicher.
* **Hi-Res PDF Parsing**: Nutzt `unstructured` mit OCR (Tesseract), um Tabellen und komplexe Layouts in PDFs korrekt zu erfassen.
* **Parent-Child Retrieval**: Splittet Dokumente intelligent auf (kleine Chunks für die Vektorsuche in ChromaDB, große Chunks/ganze Dokumente für den LLM-Kontext in PostgreSQL/DocStore), um den Kontextverlust zu minimieren.
* **Lokales LLM**: Verwendet `granite4:tiny-h` über **Ollama** für maximale Daten-Privatsphäre.
* **Multi-Interface**: Bietet eine Web-Oberfläche (Streamlit) mit Metadaten-Filterung (z.B. nach Document ID) und einen zugangsbeschränkten Telegram-Bot.
* **Vollständig Dockerisiert**: Alle Komponenten (PostgreSQL, ChromaDB, Ollama, Scheduler, Streamlit, Telegram) laufen isoliert in Containern.

---

## Voraussetzungen

* **Docker** und **Docker Compose** müssen installiert sein.
* Eine laufende **Paperless-ngx** Instanz.
* Ein **Paperless API Token** (kann im Paperless-Admin-Bereich erstellt werden).
* Ein **Telegram Bot Token** (über den BotFather in Telegram erstellbar) sowie deine Telegram User-ID.

---

## Setup & Installation

**1. Repository vorbereiten**
Stelle sicher, dass alle Dateien (`docker-compose.yml`, `Dockerfile`, `requirements.txt`, `init_ollama.sh` und der `src/`-Ordner) korrekt am selben Ort liegen.

**2. Skript ausführbar machen (Linux/macOS)**
Das Ollama-Startskript benötigt Ausführungsrechte:
```bash
chmod +x init_ollama.sh
```
**3. Umgebungsvariablen konfigurieren**
Erstelle eine .env Datei im Hauptverzeichnis und fülle sie mit deinen Daten:

```
# Paperless
PAPERLESS_URL=http://<DEINE-PAPERLESS-IP>:8000
PAPERLESS_TOKEN=<DEIN_PAPERLESS_TOKEN>

# Postgres (Standardwerte können belassen werden)
POSTGRES_USER=raguser
POSTGRES_PASSWORD=ragpass
POSTGRES_DB=ragdb
POSTGRES_HOST=postgres
POSTGRES_PORT=5432

# Chroma & Ollama (Interne Docker-Routings)
CHROMA_HOST=chromadb
CHROMA_PORT=8000
OLLAMA_BASE_URL=http://ollama:11434

# Telegram
TELEGRAM_BOT_TOKEN=<DEIN_TELEGRAM_TOKEN>
ALLOWED_TELEGRAM_USERS=<DEINE_USER_ID>
```

## Starten & Ausführen

Starte das gesamte System im Hintergrund:
```bash
docker-compose up -d --build
```

**Was passiert beim ersten Start?**

  *   Die Datenbanken (Postgres, Chroma) werden initialisiert.

  *   Der ollama-Container startet, wartet kurz und lädt automatisch das Modell granite4:tiny-h herunter.

  *   Der scheduler wartet auf 03:00 Uhr nachts für den initialen Ingest (siehe Troubleshooting für einen manuellen Start).

  *   streamlit und der telegram-bot gehen online.

**Zugriff:**

  *   Streamlit Web-UI: Öffne http://localhost:8501 in deinem Browser.

  *   Telegram Bot: Suche deinen Bot in Telegram und sende /start.

---------------------------------------------------------------------------------------------------------------------------

  ## Nützliche Docker-Befehle (Troubleshooting & Logs)

Da das System aus vielen Microservices besteht, ist es wichtig zu wissen, wie man die Logs der einzelnen Container ausliest.

**Logs des nächtlichen Schedulers ansehen:**
Hier siehst du, ob neue Dokumente aus Paperless geladen wurden oder ob Fehler beim PDF-Parsing (OCR) auftraten.
```bash
docker-compose logs -f scheduler
```

**Logs des Telegram-Bots ansehen:**
Hilfreich, wenn der Bot nicht antwortet oder User-IDs abgewiesen werden.
```bash
docker-compose logs -f telegram-bot
```

**Ollama Status prüfen:**
Sieh nach, ob das Modell erfolgreich heruntergeladen wurde.
```bash
docker-compose logs -f ollama
```

**Manuellen Ingest (Sync) sofort anstoßen:**
Falls du nicht bis 03:00 Uhr nachts warten willst, kannst du den Sync-Job manuell im laufenden Scheduler-Container ausführen:
```bash
docker exec -it <name_des_scheduler_containers> python src/ingest_job.py
```
(Den genauen Containernamen findest du mit docker ps heraus).

**System komplett stoppen und Daten behalten:**
```bash
docker-compose down
```

**System stoppen und ALLE Daten (Vektoren, DB, Modelle) löschen:
Achtung: Dies löscht alle Volumes unwiderruflich.**
```bash
docker-compose down -v
```