◆ RAG Local — Tus documentos consultados por una IA local, sin nube · 24 € · o todos los kits 49 € →

#¿Por qué conectar una IA local con Zotero?

Un investigador acumula rápidamente cientos de artículos en Zotero, la mayoría aún no publicados, bajo embargo o protegidos por una cláusula de confidencialidad. Pegar el PDF de un manuscrito en revisión en un chatbot en la nube es entregar el contenido a un tercero — a veces para entrenar sus modelos. Ejecutar un LLM localmente resuelve este problema de raíz: los archivos permanecen en tu disco, la inferencia se realiza en tu máquina, nada sale.

El interés de usar Zotero como IA para la investigación no se limita a la privacidad. Tu biblioteca ya está estructurada: colecciones por proyecto, etiquetas, metadatos limpios, PDF anotados. Es una base documental lista para usar con un LLM. En lugar de volver a descargar y organizar artículos, se conecta el modelo directamente a lo que Zotero ya ha organizado.

Resumir: Obtener en treinta segundos el objetivo, el método y los resultados de un artículo de veinte páginas, en tu idioma.
Consultar: Plantear una pregunta y dejar que el modelo busque la respuesta en toda una colección, no en un único PDF.
Comparar: Comparar los métodos o los resultados de varios artículos para elaborar un primer esbozo del estado del arte.
Confidencialidad: Tratar manuscritos bajo embargo o datos de colaboradores sin cláusula de fuga.

Lo que un LLM local no reemplaza

Un LLM local te ahorra tiempo de lectura, pero no sustituye el rigor. Produce borradores de síntesis que debes revisar, no verdades que puedas citar tal cual. La sección sobre las limitaciones explica dónde sigue equivocándose.

#Cómo se comunican Zotero y el LLM

El kit RAG Local

Tus documentos, tu IA: un RAG local fiable sobre tus PDF, notas y correos — sin enviar nada a la nube.

Espacio en línea de por vida
PDF + archivos
Reembolsado 30 j

El kit RAG Local →o todos los kits de por vida — 49 € →

Zotero no « habla » nativamente con un modelo de lenguaje. El puente se hace a través de los archivos: Zotero almacena cada PDF en tu disco, y es ese PDF el que se le da para leer al LLM. Existen dos grandes enfoques que coexisten, y a menudo los combinamos.

Resumen a pedido: Se extrae el texto de un PDF específico y se envía a Ollama con una instrucción de síntesis. Simple, rápido, ideal para un artículo a la vez.
RAG sobre la biblioteca: Se indexa una carpeta entera de archivos PDF en una base de datos vectorial y luego se hacen consultas en lenguaje natural. El modelo solo lee los fragmentos pertinentes, lo que permite abarcar decenas de artículos.

En ambos casos, la pieza central sigue siendo la carpeta de almacenamiento de Zotero, donde se encuentran todos los PDF. Zotero 7 también ofrece una API local (en el puerto 23119) que permite listar sus elementos mediante un programa, pero, para empezar, acceder directamente a los archivos es la opción más robusta y transparente.

#Prerrequisitos

Zotero 7: Con los PDF adjuntos a las referencias (no solo con metadatos). El lector PDF integrado no es necesario, pero los archivos deben almacenarse localmente.
Ollama: El daemon que sirve los modelos, en http://localhost:11434 por defecto. Ver la guía de instalación si aún no lo has hecho.
Un modelo de síntesis: Qwen 3.5 9B (≈6,6 GB de VRAM en Q4_K_M, 256k de contexto y visión) o Mistral Small 24B para un excelente francés; un Qwen 3.5 4B (3,4 GB) basta en un equipo con pocos recursos.
Un modelo de embeddings: Para el RAG: nomic-embed-text o mxbai-embed-large, que puedes descargar mediante ollama pull. Son ligeros y funcionan incluso sin GPU.
Un componente RAG (opcional): AnythingLLM o Open WebUI si quieres consultar toda la bibliografía sin programar.

Obtener los modelos

# Modèle de synthèse (adaptez à votre VRAM)
ollama pull qwen3.5:9b

# Modèle d'embeddings pour le RAG
ollama pull nomic-embed-text

→

Elegir el tamaño según la GPU

En Q4_K_M, calcula unos 5 GB de VRAM para un 7B, 9 GB para un 14B y 19 GB para un 32B. Una RTX 3060 de 12 GB ejecuta un 14B con holgura; en un Mac con memoria unificada, un 32B sigue siendo una opción posible.

#Paso 1: encontrar tus PDF en Zotero

Zotero guarda cada archivo adjunto en una subcarpeta del directorio storage, cuyo nombre es una clave de ocho caracteres. No necesitas entender esta estructura en detalle: basta con saber dónde se encuentra para indicarle al LLM que acceda a ella.

Windows: C:\Users\<vous>\Zotero\storage
macOS: ~/Zotero/storage
Linux: ~/Zotero/storage

En caso de duda, la ruta exacta aparece en Zotero en Edición ▸ Configuración ▸ Avanzado ▸ Archivos y carpetas ▸ «Directorio de datos». La carpeta storage se encuentra dentro de ese directorio.

Para trabajar adecuadamente en un proyecto específico, lo mejor es exportar una colección en lugar de buscar en todo storage. Haz clic derecho en una colección ▸ «Exportar la colección»: Zotero puede copiar los PDF y una bibliografía (BibTeX, CSV, JSON) en una carpeta dedicada, que luego proporcionarás al LLM.

Extraer el texto, no la imagen

El LLM lee texto, no píxeles. Un PDF «escaneado» sin capa de texto deberá pasar primero por un OCR (por ejemplo, ocrmypdf). Los PDF de las editoriales modernas ya incluyen una capa de texto que se puede usar directamente.

#Paso 2: resumir un artículo científico

El caso más frecuente: abres un documento en Zotero y quieres su resumen antes de decidir si merece una lectura completa. Se extrae el texto del PDF y luego se envía a Ollama. La biblioteca pymupdf (fitz) realiza la extracción de forma adecuada y rápida.

Dependencias

pip install pymupdf requests

resumer_article.py

import sys, fitz, requests

def extraire_texte(pdf_path):
    doc = fitz.open(pdf_path)
    return "\n".join(page.get_text() for page in doc)

SYSTEM = (
    "Tu es un assistant de recherche. Tu résumes des articles "
    "scientifiques en français, avec rigueur, sans rien inventer. "
    "Tu t'appuies uniquement sur le texte fourni."
)

texte = extraire_texte(sys.argv[1])

resp = requests.post("http://localhost:11434/api/chat", json={
    "model": "qwen3.5:9b",
    "stream": False,
    "options": {"num_ctx": 16384, "temperature": 0.2},
    "messages": [
        {"role": "system", "content": SYSTEM},
        {"role": "user", "content": PROMPT + "\n\n---\n" + texte},
    ],
})

print(resp.json()["message"]["content"])

Se llama a la API REST de Ollama en el puerto 11434: separa el mensaje de sistema (el rol) del contenido (el artículo). Aquí importan dos ajustes: una temperatura baja (0.2) para limitar los detalles inventados y un num_ctx lo bastante grande para procesar un artículo entero sin truncarlo.

La ventana de contexto es tu límite absoluto

Un artículo de veinte páginas suele contener entre 12.000 y 18.000 palabras. Si num_ctx es demasiado pequeño, el modelo solo verá el principio del PDF y resumirá a ciegas la parte final. Revisa el contexto del modelo, aumenta num_ctx si la VRAM lo permite, de lo contrario divide el documento en secciones.

#Un prompt de resumen confiable

La calidad del resumen depende más del prompt que del modelo. Un prompt vago da un párrafo genérico; un prompt estructurado da una ficha de lectura reutilizable. El secreto: imponer un formato en secciones basado en la estructura de un artículo científico, y prohibir al modelo que vaya más allá del texto.

Prompt para una ficha de lectura

Rédige une fiche de lecture en français de l'article ci-dessous, en respectant EXACTEMENT ce format :

## Question de recherche
Ce que l'article cherche à établir, en une à deux phrases.

## Méthode
Données, protocole, modèles ou outils utilisés.

## Résultats principaux
- Une puce par résultat marquant, chiffré si l'article donne des chiffres.

## Limites annoncées
- Les limites que les auteurs reconnaissent eux-mêmes.

## À retenir pour mon état de l'art
Deux à trois phrases sur l'apport et le positionnement de l'article.

Règles :
- Ne reprends que ce qui est réellement écrit dans l'article.
- Si une section n'est pas renseignée dans le texte, écris « non précisé ».
- N'invente aucun chiffre, aucune référence, aucun nom d'auteur.

El formato impuesto: Los títulos de sección obligan al modelo a organizar la información en lugar de extenderse innecesariamente. Obtienes el mismo esquema de un artículo a otro, lo que permite compararlos de un vistazo.
La regla contra las alucinaciones: «Utiliza únicamente lo que está escrito» y «no especificado» reducen el riesgo de que el LLM invente un resultado o una referencia: el principal peligro en un contexto científico.
Sección de estado del arte: Al pedir explícitamente el posicionamiento, conviertes el resumen en materia prima directamente reutilizable en una revisión de la literatura.

→

Comprueba siempre las cifras en la fuente original

Incluso con una temperatura baja y una instrucción estricta, un LLM puede trasladar una cifra de una línea a otra. Trata cada número del resumen como una pista que debes confirmar en el PDF antes de citarlo.

#Paso 3: consultar toda tu bibliografía con RAG

Resumir un PDF es útil; consultar cincuenta artículos científicos a la vez es lo que cambia la preparación de un estado del arte. Ahí pasamos al RAG (Retrieval-Augmented Generation): dividimos los PDF en fragmentos, los convertimos en vectores con el modelo de embeddings y el LLM solo lee los pasajes pertinentes para cada pregunta.

La opción más sencilla, sin escribir código, es configurar AnythingLLM u Open WebUI para que apunten a la carpeta exportada desde Zotero (o directamente a storage). Estas herramientas gestionan la indexación y la base vectorial por ti; basta con elegir Ollama como proveedor y nomic-embed-text como modelo de embeddings.

01
Exportar la colección
Desde Zotero, exporta la colección correspondiente junto con sus archivos PDF a una carpeta dedicada, por ejemplo ~/recherche/etat-de-l-art.
02
Crear un espacio de trabajo
En AnythingLLM, crea un workspace y configura el proveedor LLM en Ollama (http://localhost:11434) y el modelo de embeddings en nomic-embed-text.
03
Importar documentos
Arrastra la carpeta de PDF al espacio de trabajo. La herramienta extrae el texto, lo divide en fragmentos y lo indexa automáticamente.
04
Preguntar en lenguaje natural
Plantea tus preguntas transversales: «¿Qué métodos de evaluación se repiten más?», «¿Qué artículos contradicen la hipótesis X?».

La gran ventaja del RAG frente al resumen simple: el modelo cita los pasajes que ha usado. Puedes volver al PDF original para verificarlo, lo cual es esencial en la investigación. Pide siempre al modelo que indique de qué documento proviene cada afirmación.

El RAG no lee «todo»

Contrariamente a una idea muy extendida, el RAG no hace que el modelo lea los artículos completos: solo recupera unos pocos pasajes, los más cercanos a la pregunta. Una pregunta mal formulada recupera los fragmentos equivocados. Reformúlala si la respuesta parece no venir al caso.

#Limitaciones con los artículos muy técnicos

Aquí hay que ser honestos: al trabajar con un artículo de matemáticas, física teórica o ML muy formal, un LLM local muestra rápidamente sus límites. Comprender estos puntos ciegos evita confiar en él donde no conviene.

Fórmulas: La extracción de texto aplana las ecuaciones: los subíndices, exponentes y símbolos griegos se mezclan o desaparecen. El modelo razona entonces sobre fórmulas corruptas y puede sacar conclusiones falsas.
Las tablas: Una tabla se convierte en un amasijo de números al extraerla como texto sin formato. Se pierden las correspondencias entre filas y columnas, por lo que las cifras citadas a partir de una tabla son poco fiables.
Las figuras: Un modelo de texto no ve los gráficos. Cualquier resultado que solo aparezca en una figura se le escapa por completo: no lo mencionará o lo inventará a partir de la leyenda.
Razonamiento matemático: Seguir una demostración o verificar una derivación supera lo que un modelo local de 14B puede hacer de forma confiable. Parafrasea la demostración sin validarla.

En concreto: utiliza el LLM para la capa «narrativa» de un artículo: pregunta de investigación, motivación, contribuciones anunciadas, limitaciones y posicionamiento. Revisa personalmente todo lo que sea una fórmula, una tabla de cifras o una figura. Para artículos con muchas ecuaciones, un modelo multimodal capaz de leer las páginas como imágenes (en lugar del texto extraído) da mejores resultados, pero sigue siendo un complemento, no un sustituto de tu lectura.

Nunca citar a ciegas

Nunca copies un número, una fórmula o una afirmación generada por el modelo sin haberlos localizado en el PDF. La función del LLM es orientarte y hacer una primera aproximación al trabajo, no sustituir la verificación científica.

#Solución de problemas

El PDF sale vacío: Se trata de un documento escaneado sin capa de texto. Procésalo con OCR (ocrmypdf entree.pdf sortie.pdf) antes de extraer el texto.
El resumen ignora el final del artículo: num_ctx es demasiado pequeño: el texto se ha truncado. Auméntalo si la VRAM lo permite; de lo contrario, resume por secciones y luego haz una síntesis de las síntesis.
El RAG da respuestas que no responden a la pregunta: Se han recuperado los pasajes equivocados. Reformula la pregunta con los términos exactos del dominio, o reduce el tamaño de los chunks durante la indexación.
Respuestas lentas: Un modelo 9B va lento en la CPU. Comprueba que Ollama esté usando la GPU, o cambia a un Qwen 3.5 4B (3,4 GB) para las tareas habituales de síntesis.
Números que no encajan con el PDF: Síntoma típico de una tabla mal extraída o de una alucinación. Baja la temperatura y, sobre todo, contrasta los datos con la fuente original.

#Para ir más allá

Esta guía se basa en componentes ya detallados en el sitio. Para profundizar en la instalación o en el RAG en particular:

Instalar Ollama: Windows, macOS y Linux: El punto de partida para servir tus modelos localmente en el puerto 11434, si aún no está en funcionamiento.
RAG local con Ollama sin programar (Open WebUI, AnythingLLM): La guía de referencia para montar el componente RAG que consulta toda tu bibliografía, sin escribir una línea de código.
RAG local con LM Studio: chatear con tus documentos: Una alternativa todo en uno si prefieres LM Studio en lugar de la combinación de Ollama + interfaz separada.

¿Esta guía te ha ayudado?

¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.

Los kits de QuelLLMLa guía de referencia según el uso

RAG Local Copiloto Local IA local Agentes Locales IA en la empresa IA Sin Filtros Mac Imágenes IA

Todos los kits de por vida — 49 €

Continuación lógica

Instalación · 6 min