Αυτό είναι Μέρος 2 της σειράς DocSummarizer. Μέρος 1 για την αρχιτεκτονική και τα πρότυπα, ή Μέρος 3 για τη βαθιά τεχνική κατάδυση σε ενσωμάτωση και ανάκτηση.
Μετατρέψτε τα έγγραφα ή τις διευθύνσεις URL σε περιλήψεις αποδεικτικών στοιχείων - για ανθρώπους ή πράκτορες της τεχνητής νοημοσύνης - χωρίς να στείλετε τίποτα στο σύννεφο.
Κάθε ισχυρισμός είναι ανιχνεύσιμο, κάθε γεγονός αναφέρει την πηγή του.
# Human-readable summary
docsummarizer -f contract.pdf
# JSON for agents/pipelines
docsummarizer tool -u "https://docs.example.com"
Τι καλύπτει αυτό το άρθρο: Εγκατάσταση, βασικές λειτουργίες (Auto/BertRag/Bert), πρότυπα και περιπτώσεις κοινής χρήσης.
Αυτό που δεν καλύπτει: Πλήρης εντολή αναφοράς, επιλογές ρυθμίσεων, αντιμετώπιση προβλημάτων, λεπτομέρειες αρχιτεκτονικής.
Για πλήρη τεκμηρίωση, βλέπε Readme. Για το πώς λειτουργεί εσωτερικά, δείτε Μέρος 3.
Οι περισσότεροι πληροφοριοδότες σου δίνουν κείμενο. στοιχεία.
[chunk-N] προσβολές πίσω στο αρχικό υλικόΕάν χρειάζεστε να εμπιστοσύνη Μια περίληψη - ή να την τροφοδοτήσει σε άλλο σύστημα - που έχει σημασία.
Η tool Η εντολή έχει σχεδιαστεί ειδικά για την ενσωμάτωση με τους πράκτορες AI, τους διακομιστές MCP και άλλα αυτοματοποιημένα συστήματα.
# Summarize a URL and get JSON output
docsummarizer tool --url "https://example.com/docs.html"
# Summarize a local file
docsummarizer tool -f document.pdf
# With a focus query
docsummarizer tool -f contract.pdf -q "payment terms and conditions"
# Pipe to jq for processing
docsummarizer tool -f doc.pdf | jq '.summary.keyFacts'
Η εντολή εργαλείων επιστρέφει δομημένη JSON με εντοπισμό στοιχείων:
{
"success": true,
"source": "https://example.com/docs.html",
"contentType": "text/html",
"summary": {
"executive": "Brief summary of the document.",
"keyFacts": [
{
"claim": "The system supports 10,000 TPS.",
"confidence": "high",
"evidence": ["chunk-3", "chunk-7"],
"type": "fact"
}
],
"topics": [
{
"name": "Architecture",
"summary": "The system uses microservices...",
"evidence": ["chunk-1", "chunk-2"]
}
],
"entities": {
"people": ["John Smith"],
"organizations": ["Acme Corp"],
"concepts": ["OAuth 2.0", "REST API"]
},
"openQuestions": ["What is the disaster recovery plan?"]
},
"metadata": {
"processingSeconds": 12.5,
"chunksProcessed": 15,
"model": "qwen2.5:1.5b",
"mode": "MapReduce",
"coverageScore": 0.95,
"citationRate": 1.2,
"fetchedAt": "2025-01-15T10:30:00Z"
}
}
docsummarizer tool [options]
Επιλογή > Σύντομη Περιγραφή >
|--------|-------|-------------|
| --url | -u URL για να φέρει και να συνοψίσει
| --file | -f Αρχείο προς σύνοψη
| --query | -q Προαιρετική ερώτηση εστίασης
| --mode | -m Λειτουργία Summarization (Auto, BertRag, Bert, BertHybrid, MapReduce, Rag, Iterative)
| --model Μοντέλο Ollama για χρήση
| --config | -c Ρολόι αρχείου ρύθμισης > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > < > > > > < > > > > > > > > < > > > > > > > > < > > > > > > > > > > < < > > < > > < > > < > > > > < > < > < < < < > < < < < < < < < < > > > <
evidence IDs refering source chunkshigh, medium, ή low με βάση τα αποδεικτικά στοιχείαexecutive περίληψη δεν έχει δείκτες αναφοράς για εύκολη εμφάνισηsuccess: false με error ΜήνυμαΣενάριο Python:
import subprocess
import json
result = subprocess.run(
["docsummarizer", "tool", "-u", "https://example.com/api-docs"],
capture_output=True, text=True
)
data = json.loads(result.stdout)
if data["success"]:
for fact in data["summary"]["keyFacts"]:
if fact["confidence"] == "high":
print(f"- {fact['claim']}")
Αγωγός κελύφους:
# Extract high-confidence facts only
docsummarizer tool -f doc.pdf | jq '[.summary.keyFacts[] | select(.confidence == "high")]'
# Get just the executive summary
docsummarizer tool -u "https://example.com" | jq -r '.summary.executive'
Προ-χτισμένο ιθαγενή εκτελέσιμα είναι διαθέσιμα από Κυκλοφορίες GitHub:
Πλατφόρμα Αρχιτεκτονική Κατεβάστε την Πλατφόρμα
| ---------- | -------------- | ---------- |
|---|---|---|
Τα Windows ARM64 docsummarizer-win-arm64.zip |
||
Λινούξ docsummarizer-linux-x64.tar.gz |
||
Linux Linux ARM64 docsummarizer-linux-arm64.tar.gz |
||
Μακς, Χ64 (Intel) docsummarizer-osx-x64.tar.gz |
||
ARM64 (Apple Silicon) docsummarizer-osx-arm64.tar.gz |
# Download and extract (Linux/macOS)
curl -L -o docsummarizer.tar.gz https://github.com/scottgal/mostlylucidweb/releases/download/docsummarizer-v3.1.0/docsummarizer-linux-x64.tar.gz
tar -xzf docsummarizer.tar.gz
chmod +x docsummarizer
# Download and extract (Windows PowerShell)
Invoke-WebRequest -Uri "https://github.com/scottgal/mostlylucidweb/releases/download/docsummarizer-v3.1.0/docsummarizer-win-x64.zip" -OutFile "docsummarizer.zip"
Expand-Archive -Path "docsummarizer.zip" -DestinationPath "."
Για καθαρή εξόρυξη, δεν απαιτούνται εξωτερικές υπηρεσίες:
docsummarizer -f document.md -m Bert
ONNX μοντέλα auto-download από HuggingFace κατά την πρώτη χρήση (~23MB). Επιστρέφει σε ~3-5 δευτερόλεπτα.
Για την LLM-powered distribution απαιτείται Ollama:
# Install Ollama from https://ollama.ai
ollama pull llama3.2:3b # Default model - good balance of speed/quality
ollama serve
Τροχαίο άκρο: Για γρηγορότερες περιλήψεις (~3s vs ~15s), χρήση
--model qwen2.5:1.5b
Απαιτείται για PDF, DOCX, XLSX, PPTX, HTML, εικόνες (PNG/JPG/TIFF), CSV, VTT και AsciiDoc αρχεία. Markdown και απλά αρχεία κειμένου διαβάζονται άμεσα - δεν απαιτείται Dockling.
docker run -d -p 5001:5001 quay.io/docling-project/docling-serve
Δεν απαιτείται από προεπιλογή - BertRag χρησιμοποιεί in-memory vectors. Ενεργοποιήστε Qdrant για επίμονη αποθήκευση για να αποφύγετε την εκ νέου ενσωμάτωση εγγράφων σε επόμενες διαδρομές:
docker run -d -p 6333:6333 -p 6334:6334 qdrant/qdrant
Στη συνέχεια ρυθμίστε docsummarizer.json:
{
"bertRag": {
"vectorStore": "Qdrant",
"collectionName": "docsummarizer",
"persistVectors": true
}
}
Εάν προτιμάτε Ollama για ενσωμάτωση αντί του ONNX:
ollama pull nomic-embed-text # Or mxbai-embed-large
# Then use: --embedding-backend Ollama
docsummarizer check --verbose
Η αναμενόμενη έξοδος δείχνει έναν διαμορφωμένο πίνακα:
Dependency Status
╭─────────┬────────┬────────────────────────╮
│ Service │ Status │ Endpoint │
├─────────┼────────┼────────────────────────┤
│ Ollama │ OK │ http://localhost:11434 │
│ Docling │ Optional │ http://localhost:5001 │
│ Qdrant │ Optional │ localhost:6333 │
╰─────────┴────────┴────────────────────────╯
Default Model Info
╭────────────────┬────────────────╮
│ Property │ Value │
├────────────────┼────────────────┤
│ Name │ llama3.2:3b │
│ Family │ llama │
│ Parameters │ 3.2B │
│ Context Window │ 128,000 tokens │
╰────────────────┴────────────────╯
Ready to summarize! Ollama is available.
Σημείωση: Docling and Qdrant showing
Τρέξιμο docsummarizer χωρίς επιχειρήματα:
README.md στον τρέχοντα κατάλογοreadme.summary.md# Summarize README.md in current directory
docsummarizer
# Shows a formatted panel with:
# - Document info table (file, mode, model)
# - Progress indicators during processing
# - Summary panel with the result
# - Topics tree if available
# - Saved: readme.summary.md
# Just run it - Auto mode picks the best approach
docsummarizer -f document.pdf
# Fast mode - no LLM, pure extraction (~3-5s)
docsummarizer -f document.pdf -m Bert
# Production mode - best quality with validated citations
docsummarizer -f document.pdf -m BertRag
# Focused on specific topic
docsummarizer -f manual.pdf -m BertRag --focus "installation steps"
# Verbose progress
docsummarizer -f document.pdf -v
Το εργαλείο εξελίχθηκε από το "just MapReduce" σε έναν πλήρη αγωγό.
Επιλέγει τη σωστή λειτουργία με βάση αυτό που ζητάτε. Χρησιμοποιήστε αυτό, εκτός αν έχετε κάποιο λόγο να μην το κάνετε.
docsummarizer -f doc.pdf
Αυτό είναι που θέλετε για την παραγωγή.
docsummarizer -f doc.pdf -m BertRag
docsummarizer -f doc.pdf -m BertRag --focus "payment terms"
Γιατί να το χρησιμοποιήσετε: Κάθε απαίτηση βρίσκεται πίσω σε ένα τμήμα της πηγής. Δεν παραισθήσεις. Κλίμακα σε οποιοδήποτε μέγεθος εγγράφου. LLM λειτουργεί μόνο στο τέλος (cheap).
Καθαρή εξαγωγή χρησιμοποιώντας τοπικά μοντέλα ONNX. Δεν LLM κλήση καθόλου.
docsummarizer -f doc.pdf -m Bert
Γιατί να το χρησιμοποιήσετε: Λειτουργεί εκτός σύνδεσης. Επιστρέφει σε 3-5 δευτερόλεπτα. Καθοριστική (ίδια είσοδος = ίδια έξοδος). Αρκετά καλή για γρήγορες σαρώσεις.
BERT εκχυλίσματα, LLM γυαλίζει. Μεσαίο έδαφος μεταξύ Bert και BertRag.
docsummarizer -f doc.pdf -m BertHybrid
Η αρχική λειτουργία. Ακόμα λειτουργεί, αλλά BertRag τους αντικατέστησε για τις περισσότερες περιπτώσεις χρήσης.
docsummarizer -f doc.pdf -m MapReduce # Full coverage
docsummarizer -f doc.pdf -m Rag --focus "query" # Legacy focused mode
Αντί να κάνετε ερωτήσεις σχετικά με ένα έγγραφο:
docsummarizer -f manual.pdf --query "How do I install the software?"
Συνοψίστε τις ιστοσελίδες απευθείας χωρίς λήψη:
# Summarize a web article
docsummarizer --url "https://example.com/article.html" --web-enabled
# Summarize a remote PDF
docsummarizer --url "https://example.com/document.pdf" --web-enabled
# With structured JSON extraction
docsummarizer --url "https://example.com/api-docs.html" --web-enabled --structured
Υποστηριγμένο περιεχόμενο: HTML (ανθυγιεινές), PDF, Markdown, εικόνες (OCR), έγγραφα γραφείου. Μεγάλες εικόνες επαναδιαμορφώνονται αυτόματα.
Ασφάλεια: Προστασία SSRF, DNS επανασύνδεση προστασίας, περιεχόμενο τύπου gating, προστασία βόμβα αποσυμπίεσης, απολύμανση HTML.
JavaScript-διαχωρισμένες σελίδες: Χρήση --web-mode Playwright για εφαρμογές ZPA και React (αυτόματο-installs Χρώμιο κατά την πρώτη χρήση).
Εκχύλισμα που είναι αναγνώσιμο από τη μηχανή JSON αντί της πρόζας:
docsummarizer -f document.pdf --structured -o Json
Απόσπασμα: οντότητες, λειτουργίες, βασικές ροές, γεγονότα (με τα επίπεδα εμπιστοσύνης), αβεβαιότητες, περικοπές.
# Use a template
docsummarizer -f doc.pdf --template executive
docsummarizer -f doc.pdf -t bullets
# Specify custom word count with template:wordcount syntax
docsummarizer -f doc.pdf -t bookreport:500
docsummarizer -f doc.pdf -t executive:100
# Or use --words to override any template's default
docsummarizer -f doc.pdf -t detailed --words 300
Τιτλολόγιο < > Λέξεις > Best για ~
|----------|-------|----------|
| default
| prose ~400 ~ Καθαρό πρόζα πολλαπλών παραγράφων - χωρίς μεταδεδομένα ~
| brief Γρήγορη περίληψη 2-3 πρότασης
| oneliner ~25 ~ Περίληψη ενιαίας πρότασης ~
| bullets Αυτόματη λίστα σημείων Bullet (5-7 αντικείμενα)
| executive □ ~150 Ενημέρωση της Εκτελεστικής Επιτροπής με συστάσεις □
| detailed
| technical ~350 ~ Τεχνικά docs με λεπτομέρειες εφαρμογής ~
| academic Ακαδημαϊκή αφηρημένη μορφή
| citations Αυτόματη & & & & > Βασικά εισαγωγικά με αναφορές μόνο στην πηγή
| bookreport Έκθεση βιβλίου (ρύθμιση, χαρακτήρες, οικόπεδο, θέματα)
| meeting ~200 σημειώσεις συνάντησης (αποφάσεις, δράσεις, ερωτήσεις)
| strict ~60 ~ Token-αποτελεσματικό, 3 σφαίρες max, χωρίς αντιστάθμιση ~
Για να δείτε όλα τα διαθέσιμα πρότυπα με περιγραφές:
docsummarizer templates
Συγκρίνετε τα μοντέλα στο ίδιο έγγραφο με τη χρήση του benchmark Υποδιοικητής:
docsummarizer benchmark -f doc.pdf -m "qwen2.5:1.5b,llama3.2:3b,ministral-3:3b"
Η εντολή αναφοράς παριστάνει το έγγραφο μία φορά, στη συνέχεια τρέχει κάθε μοντέλο στα ίδια κομμάτια για δίκαιη σύγκριση.
Επεξεργαστείτε όλους τους καταλόγους:
# Use BertRag for quality
docsummarizer -d ./documents -m BertRag -v
# Fast offline batch (no LLM needed)
docsummarizer -d ./documents -m Bert -o Json --output-dir ./summaries
# Process only PDFs recursively
docsummarizer -d ./documents -e .pdf --recursive -v
Επιλογή > Σύντομη Περιγραφή > Προκαθορισμένο >
|--------|-------|-------------|---------|
| --file | -f Διαδρομή προς το έγγραφο (DOCX, PDF, MD)
| --directory | -d Διαδρομή προς τον κατάλογο για την επεξεργασία παρτίδων
| --url | -u Web URL για να φέρει και να συνοψίσει
| --web-enabled > Ενεργοποιήστε το web getching (απαιτείται για --url) false |
| --mode | -m Λειτουργία Summarization: Auto, BertRag, Bert, BertHybrid, MapReduce, Rag, Iterative Auto |
| --structured | -s Χρήση δομημένου τρόπου εξαγωγής JSON false |
| --focus Εστίαση ερωτημάτων για τον τρόπο λειτουργίας RAG
| --query | -q Λειτουργία ερώτησης αντί για την εκκαθάριση Κανένας
| --model Μοντέλο Ollama για χρήση llama3.2:3b |
| --verbose | -v Εμφάνιση λεπτομερούς προόδου με ζωντανό UI false |
| --config | -c Διαδρομή προς το αρχείο ρυθμίσεων Auto-ανακαλύψτε το
| --output-format | -o Μορφή εξόδου: Κονσόλα, κείμενο, Markdown, Json Console |
| --output-dir Ο κατάλογος εξόδου για τις εξόδους αρχείων
| --extensions | -e □ Επεκτάσεις αρχείων για τη λειτουργία παρτίδας □ Όλες οι μορφές Dockling
| --recursive | -r Οι κατάλογοι της διαδικασίας επανεμφανίζονται false |
| --template | -t Ανακεφαλαιωτικό πρότυπο (προκαθορισμένο, σύντομο, σφαίρες, εκτελεστικό κ.λπ.) default |
| --words | -w Ο αριθμός λέξεων στόχου (πρωτότυποoverrides) Το πρότυπο προεπιλεγμένο
--embedding-backend Ενσωμάτωση backend: Onnx, Ollama Onnx |
|
|---|---|
--web-mode Λειτουργία Web getch: Απλός, Playwright Simple |
|
--analyze |
-a Αναλύστε την ποιότητα στην περίληψη false |
Καλύτερα για περιεκτικές περιλήψεις με πλήρη κάλυψη εγγράφων.
docsummarizer -f document.pdf -m MapReduce -v
Πώς λειτουργεί:
Ιεραρχική Μείωση για Μακρά Έγγραφα:
Για πολύ μεγάλα έγγραφα όπου οι συνδυασμένες περιλήψεις κομματιών υπερβαίνουν το παράθυρο πλαίσιο του μοντέλου, ο ΧάρτηςΜειώστε αυτόματα χρησιμοποιεί ιεραρχική μείωση:
100 chunks → 100 summaries → 5 batches → 5 intermediate summaries → final
Αυτό διατηρεί πλήρη κάλυψη εγγράφων ανεξάρτητα από το μήκος - κάθε κομμάτι συμβάλλει στην τελική περίληψη. Το εργαλείο εκτιμά μάρκες (~4 chars/token) και στοχεύει 60% τη χρήση παραθύρων πλαίσιο ανά κάρτα μείωσης.
Pros: Γρήγορη, πλήρης κάλυψη, παράλληλη επεξεργασία, χειρίζεται οποιοδήποτε μήκος εγγράφου ΚονςCity name (optional, probably does not need a translation): Μπορεί να χάσετε συνδέσεις διατομής, πιο αργά για πολύ μεγάλα έγγραφα
Καλύτερα όταν πρέπει να επικεντρωθεί σε συγκεκριμένα θέματα ή να έχουν μια στοχευμένη ερώτηση.
docsummarizer -f document.pdf -m Rag --focus "pricing and payment terms" -v
Πώς λειτουργεί:
Πότε να χρησιμοποιήσετε RAG πάνω από MapReduct:
Σενάριο Βέλτιστης Λειτουργίας |----------|-----------| • "Summarize this whole document" Τι λέει αυτό για την ασφάλεια; Το εγχειρίδιο 500 σελίδων, χρειάζεται τα πάντα. Χάρτης Μείωσε (ιεραρχικό) Εγχειρίδιο 500 σελίδων, χρειάζεται ειδικό τμήμα Χρειάζεστε γρήγορα αποτελέσματα, δεν έχετε Qdrant
RAG είναι Όχι, όχι. about handling long documents - ΧάρτηςΜειώστε τις λαβές που με ιεραρχική μείωση. Φίλτρο συνάφειας: όταν θέλετε να αγνοήσετε το 90% ενός εγγράφου και να εστιάσετε σε αυτό που έχει σημασία για τη συγκεκριμένη ερώτησή σας.
Pros: Επικεντρωμένη στο θέμα, σημασιολογική κατανόηση, δείκτης επαναχρησιμοποίησης, γρηγορότερα για εστιασμένες ερωτήσεις ΚονςCity name (optional, probably does not need a translation): Μπορεί να χάσει περιεχόμενο εκτός περιοχής εστίασης, απαιτεί Qdrant, βραδύτερη αρχική ευρετηρίαση
Καλύτερα για αφηγηματικά έγγραφα όπου το πλαίσιο ρέει διαδοχικά.
docsummarizer -f story.pdf -m Iterative -v
Προειδοποίηση: Πιο αργή και μπορεί να χάσει το πλαίσιο σε μακρινά έγγραφα (>10 κομμάτια).
~ Τύπος εγγράφου ~ Τρόπος στόχου ~ Γιατί ~ |---------------|------|------|-----| □ Τεχνικό spec (50+ σελίδες) □ Πλήρης περίληψη ΧάρτηςΜειώστε την πλήρη κάλυψη Μυθιστόρημα/Εμφάνιση άρθρων Πλήρης περίληψη ΧάρτηςΜειώστε το χρονικό πλαίσιο των αναγκών Το νομικό συμβόλαιο είναι πλήρης περίληψη Χάρτης Μειώστε τις ρήτρες που δεν μπορούν να αστοχήσουν. Το νομικό συμβόλαιο "Όροι πληρωμής"; API docs (200 pages) □ "Πώς λειτουργεί το Auth;" Δομημένος, χρειάζεται τα πάντα
Ο τύπος περιεχομένου είναι ο καλύτερος τρόπος σημειώσεις |--------------|-----------|-------| | Φαντασία/Εμφάνιση □ ΧάρτηςΜειώστε το οικόπεδο απαιτεί διαδοχικό πλαίσιο | Τεχνικά έγγραφα Αμφότερος Χάρτης Μειώστε για επισκόπηση, RAG για συγκεκριμένες προδιαγραφές | Νομικά/συμβάσεις Χάρτης Μειώστε κάθε ρήτρα μετράει. | Εγχειρίδια Οι ΚΓΠΕ συνήθως ρωτούν για συγκεκριμένες λεπτομέρειες.
Το μέγεθος του εγγράφου ~ Χάρτης Μείωσε τις σημειώσεις ~ |---------------|-----------|-----|-------| 10 pages 15s 20s 20s 20s 20s 10s 10s 10s 15s 20s 20s 20s 20s 50 σελίδες 45s 30s 30s 30s 30s 30s 30s Διακόσιες σελίδες Σελ 3-5 λεπτά 1-2 λεπτά Ιεραρχική μείωση Σελίδες 500+ 10-15 λεπτά 2-3 λεπτά Σκεφτείτε πολλές ερωτήσεις RAG
docsummarizer config --output myconfig.json
Η ρύθμιση ανακαλύπτεται αυτόματα από:
--config επιλογήdocsummarizer.json στον τρέχοντα κατάλογο.docsummarizer.json (Κρυφό αρχείο)~/.docsummarizer.json (Σπίτι χρήστη)Παράδειγμα docsummarizer.json:
{
"embeddingBackend": "Onnx",
"onnx": {
"embeddingModel": "AllMiniLmL6V2"
},
"ollama": {
"model": "llama3.2:3b",
"embedModel": "mxbai-embed-large",
"baseUrl": "http://localhost:11434",
"temperature": 0.3,
"timeoutSeconds": 1200
},
"docling": {
"baseUrl": "http://localhost:5001",
"timeoutSeconds": 1200,
"pdfBackend": "pypdfium2",
"pagesPerChunk": 10,
"maxConcurrentChunks": 4,
"enableSplitProcessing": true
},
"qdrant": {
"host": "localhost",
"port": 6333,
"collectionName": "documents"
},
"processing": {
"maxHeadingLevel": 2,
"targetChunkTokens": 1500,
"minChunkTokens": 200,
"maxLlmParallelism": 2
},
"output": {
"format": "Console",
"verbose": false,
"includeTrace": false
},
"webFetch": {
"enabled": false,
"mode": "Simple",
"timeoutSeconds": 30,
"userAgent": "Mozilla/5.0 DocSummarizer/1.0"
},
"batch": {
"fileExtensions": [".pdf", ".docx", ".md", ".txt", ".html"],
"recursive": false,
"continueOnError": true
}
}
Επιλογή > Προκαθορισμένο > Περιγραφή >
|--------|---------|-------------|
| maxLlmParallelism Ολοκληρωτικά αιτήματα (ουρές Ollama, έτσι υψηλότερες τιμές μόνο ουρά)
| maxHeadingLevel Σετ σε 3 για λεπτότερη κοκκότητα
| targetChunkTokens 0 (αυτόματο) μέγεθος στόχου. 0 = αυτόματος υπολογισμός (~25% του παραθύρου πλαισίου)
| minChunkTokens 0 (auto)
## Executive Summary
- Key finding 1 with specific details [chunk-0]
- Important point 2 with numbers and dates [chunk-3]
- Critical requirement 3 [chunk-5]
## Section Highlights
- Introduction: Overview of the system architecture [chunk-0]
- Requirements: Technical specifications detailed [chunk-3]
...
## Open Questions
- What is the timeline for Phase 2?
- How does the fallback mechanism work?
### Trace
- Document: document.pdf
- Chunks: 12 total, 12 processed
- Topics: 5
- Time: 21.4s
- Coverage: 100%
- Citation rate: 1.20
Μετρητές ιχνοστοιχείων: Coverage (% των τμημάτων που περιλαμβάνονται), Citation rate (cititions/buttle), Chunks processed (RAG may skip some).
Μοντέλο Μέγεθος Ταχύτητα Ποιότητα Χρήση Κιβωτός
|-------|------|-------|---------|----------|
| qwen2.5:1.5b Πολύ γρήγορος (~3s) πολύ καλός βελτιστοποιημένος ταχύτητα.
| gemma3:1b ~ 815MB ~ Fast (~10s) ~ Fair ~ Alternative small model ~
| llama3.2:3b 2GB Μεσαίο (~15s) Πολύ καλό Προκαθορισμένο - καλή ισορροπία
| ministral-3:3b Μεσαίο (~20s) Πολύ καλός Εστιασμένος στην ποιότητα
| llama3.1:8b Αργές (~45s) Εξαιρετικές περιλήψεις υψηλής ποιότητας
Συμβουλή: Για γρηγορότερες περιλήψεις (~3s vs ~15s), χρήση
--model qwen2.5:1.5b. Για τα κρίσιμα έγγραφα όπου η ποιότητα έχει μεγαλύτερη σημασία, χρήση--model llama3.1:8b.
# Clone the repository
git clone https://github.com/scottgal/mostlylucidweb.git
cd mostlylucidweb/Mostlylucid.DocSummarizer
# Build
dotnet build
# Run
dotnet run -- --help
Για την ανάπτυξη της παραγωγής χωρίς να απαιτείται εγκατάσταση NET runtime:
# Build self-contained executable (Windows x64)
dotnet publish -c Release -r win-x64 --self-contained
# Build for Linux
dotnet publish -c Release -r linux-x64 --self-contained
# Build for macOS
dotnet publish -c Release -r osx-x64 --self-contained
Έξοδος: bin/Release/net9.0/<runtime>/publish/docsummarizer
ollama serveollama listdocker run -p 5001:5001 quay.io/docling-project/docling-serve--mode Rag)docker run -p 6333:6333 -p 6334:6334 qdrant/qdrantΣυμπτώματα: Οι πόντοι της σφαίρας αντηχούν την προτροπή ("Επιστρέψτε μόνο τα σημεία της σφαίρας," "Ο κανόνας είναι...") αντί να επαναπροσδιορίσετε το περιεχόμενο.
Αιτία: Μοντέλο που αγωνίζεται με την ταχύτητα ή το περιεχόμενο πάρα πολύ καιρό.
Επιδιόρθωση: Η προεπιλογή qwen2.5:1.5b Για προβληματικά έγγραφα, δοκιμάστε --model llama3.2:3b- Βλέπεις; Υπόδειγμα συστάσεων.
Εάν η περίληψη φαίνεται γενική ή δεν αναφέρεται σε συγκεκριμένο περιεχόμενο:
Citation rate στην έξοδο ιχνοστοιχείων--mode Rag) p i ο υ p i ρ ο β λ έ p i ο ν τα ι p i ε ρ ι p i λ η ρ ο φ ο ρ ι κ έ ς p i ε ρ ι p i τ ώ σε ι ς σε ανακτημένα p i ε ρ ι σ σ σ ό τ ε ρ α--verbose για να δούμε ποια κομμάτια υποβάλλονται σε επεξεργασίαΕάν δεν υπάρχουν περιλήψεις [chunk-N] αναφορές:
llama3.2:3bCitation rate ιχνηλάτηση - υψηλότερες τιμές δείχνουν καλύτερη ιχνηλασιμότηταqwen2.5:1.5b για ταχύτητα, llama3.2:3b για την ισορροπία, llama3.1:8b για την ποιότηταmaxLlmParallelism εάν βιώνουν timeouts
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.