Veritium

veritium-document-intelligence — plataforma agentica de inteligencia documental.

Veritium clasifica, extrae y valida datos de documentos empresariales. La diferencia no esta en leer campos de un PDF, sino en contrastarlos: cada dato extraido viaja con su evidencia (pagina, bounding box y texto fuente) y pasa por un motor de validacion de 6 categorias con reglas configurables en CEL. Incluye matching difuso de identidad, extraccion agentic acotada y trazabilidad completa (OTEL + auditoria de correcciones humanas).

El estado de cada feature esta en roadmap.md; el detalle de cada item, en docs/roadmap.md.

Requisitos

• Python 3.13, uv
• Docker (Postgres + MinIO via docker-compose.yml)
• Un endpoint OpenAI-compatible ya corriendo para los roles reasoning y vision (p. ej. tu propio proyecto de serving Prometheus, o cualquier servidor vLLM/llama.cpp). Este proyecto nunca despliega ni administra esa infraestructura — solo apunta a ella via configuracion.

Arranque rapido

cp .env.example .env   # ajusta REASONING_BASE_URL / VISION_BASE_URL a tus endpoints reales
docker compose up -d
uv sync --extra docling --extra paddleocr
uv run alembic upgrade head
uv run python scripts/seed_reference_data.py
uv run uvicorn idp.api.app:app --reload

Verificacion

uv run pytest tests/unit -v                       # no requiere infraestructura externa
uv run pytest tests/integration -v                 # requiere Postgres+MinIO+LLM vivos; se saltan limpiamente si no
uv run python scripts/compare_ocr_backends.py       # compara Docling vs PaddleOCR sobre el corpus de fixtures
uv run python scripts/run_fixture_batch.py          # corre el corpus completo contra la API viva y diffea vs goldens

Estructura

Ver src/idp/ — dominio (domain/), parsing (parsing/), clasificacion (classification/), extraccion (extraction/, incluye el bucle agentic acotado en extraction/agentic/), motor de validacion de 6 categorias (validation/), revision humana (review/), orquestacion (pipeline/), persistencia (persistence/), API (api/) y observabilidad OTEL (observability/).