MCP Document Intelligence

+--------------------------------------------------------------------------------+
|                                                                                |
|  __  __  ____ ____        ____                                _                |
| |  \/  |/ ___|  _ \      |  _ \  ___   ___ _   _ _ __ ___   | |_ ___          |
| | |\/| | |   | |_) |_____| | | |/ _ \ / __| | | | '_ ` _ \  | __/ _ \         |
| | |  | | |___|  __/_____| |_| | (_) | (__| |_| | | | | | | | ||  __/         |
| |_|  |_|\____|_|        |____/ \___/ \___|\__,_|_| |_| |_|  \__\___|         |
|                                                                                |
|      ____       _       _ _ _                       _                          |
|     |_ _|_ __  | |_ ___| | (_) __ _  ___ _ __   ___| |                         |
|      | || '_ \ | __/ _ \ | | |/ _` |/ _ \ '_ \ / __| |                         |
|      | || | | || ||  __/ | | | (_| |  __/ | | | (__| |                         |
|     |___|_| |_| \__\___|_|_|_|\__, |\___|_| |_|\___|_|                         |
|                                |___/                                           |
|                                                                                |
|              MCP SERVER  |  OCR  |  ANALYZE  |  ORGANIZE                       |
|                                                                                |
+--------------------------------------------------------------------------------+

MCP文档智能服务器

具有高级批处理和智能文档组织的模型上下文协议服务器

此MCP服务器通过AI客户端中的自然语言请求分析、重命名、分类和组织文档。它递归扫描文件夹，检测重复项，从PDF、DOCX、Pages、图像和文本文件中提取元数据，并对扫描的文档使用OCR。预览模式、备份、撤消支持、元数据导出和内存优化的批处理使其适用于大型个人档案。其结果是一个由人工智能驱动的文档工作流程，保持本地、快速和自动化。

  ](https://github.com/AndreasDietzel/mcp-document-intelligence)     

______________________________________________________________________

🎯 特性

🔍 v4.6中的新功能-自动OCR集成

• 📸 扫描PDF的自动OCR：当文本提取产生\100个文件
• 📊 智能分类自动检测10+类别（金融，健康，旅游等）
• 💾 状态持久性：从JSON状态文件恢复中断的操作
• 🎯 十年检测：自动路由到Achziger/Neunziger/Nuller/Zehner/Zwanziger

� v4.2-完全支持PDF OCR

• 📄 扫描PDF智能：基于图像的PDF的完整OCR解决方案
• 🤖 自动检测：从文本提取到OCR的智能回退（\100个文件）分块处理。

输入：

{
  "folderPath": "/path/to/large/folder",
  "targetArchivePath": "/path/to/archive",
  "chunkSize": 50,
  "stateFilePath": "/tmp/batch-state.json"
}

输出：

{
  "chunkCompleted": true,
  "totalFiles": 500,
  "processedFiles": 50,
  "successCount": 48,
  "errorCount": 2,
  "percentComplete": 10,
  "nextChunkExists": true,
  "stateFilePath": "/tmp/batch-state.json"
}

输出：

{
  "structure": {
    "2024": {
      "Rechnungen": ["Telekom", "Vodafone"],
      "Vertraege": ["..."]
    }
  },
  "assignments": [
    {
      "originalPath": "/path/scan001.pdf",
      "targetFolder": "2024/Rechnungen/Telekom",
      "newFilename": "2024-01-24_RE-123_rechnung_telekom.pdf"
    }
  ]
}

batch_organize ✨ 在v4.0中增强

执行批量重命名和自动备份文件的移动/复制。

输入：

{
  "baseFolder": "/path/to/organized",
  "mode": "move",
  "createBackup": true,
  "operations": [
    {
      "originalPath": "/path/scan001.pdf",
      "targetFolder": "2024/Rechnungen/Telekom",
      "newFilename": "2024-01-24_RE-123_rechnung_telekom.pdf"
    }
  ]
}

输出：

{
  "success": true,
  "mode": "move",
  "filesProcessed": 15,
  "filesFailed": 0,
  "foldersCreated": 5,
  "backupCreated": true,
  "backupPath": "/path/.backup_2024-01-24T10-30-00.json",
  "results": [...]
}

preview_organization ✨ v4.0中的新功能

显示在不进行更改的情况下会发生什么的模拟预览。

输入：

{
  "baseFolder": "/path/to/organized",
  "operations": [ /* same as batch_organize */ ]
}

输出：

{
  "preview": [
    {
      "action": "move",
      "from": "/path/scan001.pdf",
      "to": "/path/organized/2024/Rechnungen/Telekom/2024-01-24_RE-123.pdf",
      "status": "ok"
    }
  ],
  "warnings": [],
  "stats": {
    "totalFiles": 15,
    "foldersToCreate": ["2024/Rechnungen/Telekom"],
    "conflicts": 0,
    "missingFiles": 0
  },
  "safeToExecute": true
}

undo_last_organization ✨ v4.0中的新功能

从自动备份中还原上次组织操作。

输入：

{
  "baseFolder": "/path/to/organized"
}

输出：

{
  "success": true,
  "restored": 15,
  "failed": 0,
  "backupFile": "/path/.backup_2024-01-24T10-30-00.json"
}

export_metadata ✨ v4.0中的新功能

将分析的文档元数据导出为JSON或CSV格式。

输入：

{
  "documents": [ /* array from analyze_folder */ ],
  "format": "csv"
}

输出（CSV）：

Filename,Path,Date,References,Keywords,OCR Quality,Confidence,Type
scan001.pdf,/path/scan001.pdf,24.01.2024,RE-2024-1234,rechnung;telekom,good,0.95,invoice
...

______________________________________________________________________

🔧 用例

单文档分析

analyze_document with filePath: "/path/to/scanned_invoice.pdf"

→ 提取发票号码、日期、公司名称，并建议： 2024-01-24_INV-2024-001_rechnung_telekom.pdf

高级批处理组织（v4.0）

与困惑或克劳德的对话示例：

You: "Analyze all documents recursively in my 2026 folder, find duplicates"

AI (using analyze_folder with recursive=true):
   → Scanned 10 levels deep
   → Found 150 documents
   → Detected 12 duplicates (3 groups)
   → Extracted: dates, invoice numbers, companies
   → OCR quality: 95% confidence average

AI (using suggest_folder_structure):
   → Proposes: 2026/Rechnungen/Telekom, 2026/Vertraege/Vodafone, etc.
   → Shows: Complete list of file renames and target folders

AI (using preview_organization):
   → Preview: 150 files will be moved
   → Folders to create: 8
   → Conflicts: 0
   → Safe to execute: YES

AI: "I found 150 documents (12 duplicates). Should I organize them into 
     2026/Rechnungen, 2026/Vertraege with smart filenames?"

You: "Yes, but copy instead of moving"

AI (using batch_organize with mode="copy", createBackup=true):
   → Copies all files (originals preserved)
   → Creates folder structure
   → Backup created for undo
   → Processes everything automatically

AI: "Done! Organized 150 documents, created 8 folders, backup saved.
     15 files processed, 0 failed. Type 'undo' to revert."

You: "Export the metadata as CSV"

AI (using export_metadata with format="csv"):
   → Exports all document metadata
   → Includes: filename, date, references, keywords, OCR quality

AI: "CSV exported with all metadata for 150 documents."

完整工作流v4.0：

1. 扫描仪保存到“收件箱”文件夹
2. 告诉困惑/Claude递归分析+查找重复项
3. 执行前预览更改
4. 使用复制或移动模式确认
5. 文件自动组织并自动备份
6. 导出记录的元数据
7. 如有需要，随时撤销

工作流自动化

• 之前：手动分拣100多份扫描文件
• 之后：一个命令→ 预览→ 组织（秒）
• 安全：自动备份、预览模式、撤消功能
• 非常适合：税务文件、发票、合同、收据、档案

______________________________________________________________________

🛠️ 技术细节

依赖项

• pdf解析：PDF文本提取
• 猛犸：DOCX文档处理
• adm zip：页面文档提取
• tesseract.js：用于扫描文档和图像的OCR
• @模型上下文协议/sdk：MCP协议实施

文件结构

mcp-document-intelligence/
├── src/
│   └── index.ts          # Main server implementation
├── build/                # Compiled output
├── package.json
├── tsconfig.json
└── README.md

文件名模式识别

分析仪识别：

• 扫描仪时间戳: YYYY-MM-DD_HH-MM-SS 或 YYYYMMDD_HHMMSS
• 文件日期: DD.MM.YYYY, YYYY-MM-DD
• 参考图案:

- Rechnungs-Nr: XXX / Invoice: XXX - Kunden-Nr: XXX / Customer: XXX - Bestell-Nr: XXX / Order: XXX - Vertrag-Nr: XXX / Contract: XXX

• 关键词：发票、合同、报价、订单、常用公司名称

文件夹结构生成

自动按以下方式对文档进行分组：

• 年：摘自文件日期
• 类别发票、合同、报价、提醒等。
• 公司：电信、沃达丰、亚马逊、PayPal、银行等。

______________________________________________________________________

🔒 隐私和安全

• ✅ 所有数据都保留在本地 -没有外部API对个人数据的调用
• ✅ 设备上的OCR处理 -Tesseract.js在本地运行
• ✅ 无数据传输 -所有处理都在本地进行
• ✅ 不记录文档内容

______________________________________________________________________

🌍 编码和国际支持

• ✅ 自动编码检测 -UTF-8和Latin-1/ISO-8859-1
• ✅ 国际人物 -完全支持Unicode（日语、中文、中文、拼音、拼音）
• ✅ 德国Umlauts -对äöuÄÖß的原生支持
• ✅ 特殊字符 -处理文件名中的管道、冒号和引号
• ✅ 空字节处理 -自动清除损坏的文件
• ✅ 编码信息 -报告在分析结果中检测到编码

______________________________________________________________________

🧪 质量保证

该项目通过全面测试保持高质量标准：

• 100个自动化测试 涵盖所有功能
• 99%的测试通过率 （99/100项测试通过）
• 符合ISO 25010标准 -质量特征已验证
• 性能基准 -每个文件平均\<100ms
• 安全测试 -路径遍历和数据隐私验证

看 测试文档.md 查看详细的测试覆盖率和结果。

______________________________________________________________________

🚀 路线图

• \[x\] 支持多格式文档（PDF、DOCX、Pages、Images、TXT）
• \[x\] 批处理支持
• \[x\] 根据内容自动归档到文件夹
• \[x\] 递归文件夹扫描
• \[x\] 使用SHA256进行重复检测
• \[x\] 预览模式（模拟运行）
• \[x\] 备份和撤消功能
• \[x\] 元数据导出（JSON/CSV）
• \[x\] 复制与移动模式
• \[x\] OCR质量反馈
• \[\]可配置的命名模板
• \[\]自定义参考号模式
• \[\]Excel/CSV文档支持
• \[\]与文档管理系统集成
• \[\]用于改进分类的机器学习

______________________________________________________________________

📄 许可证

MIT许可证-请参阅 许可证 文件

______________________________________________________________________

🙏 致谢

• 建于 模型上下文协议SDK
• 灵感来自并基于以下概念 MCP文件系统服务器
• PDF解析 pdf解析
• OCR通过 Tesseract.js

______________________________________________________________________

专为智能文档工作流程而设计 📄✨