Zotero + LLM locale: riassumere e interrogare la propria bibliographie

#Perché collegare una IA locale a Zotero

Un ricercatore accumula rapidamente centinaia di articoli in Zotero, per la maggior parte ancora non pubblicati, sotto embargo o coperti da una clausola di riservatezza. Incollare il PDF di un manoscritto in fase di valutazione in un chatbot cloud significa affidarne il contenuto a un terzo — talvolta per l'addestramento dei modelli di quest'ultimo. Eseguire un LLM in locale risolve questo problema alla radice: i file rimangono sul tuo disco, l'inferenza avviene sulla tua macchina, nulla esce.

Il vantaggio di utilizzare Zotero come IA per la ricerca non si limita alla riservatezza. La tua biblioteca è già strutturata: raccolte per progetto, tag, metadati ordinati, PDF annotati. È una base documentale pronta all'uso per un LLM. Anziché scaricare di nuovo e riorganizzare gli articoli, si collega il modello direttamente a ciò che Zotero ha già organizzato.

Riassumi

Ottenere in trenta secondi l'obiettivo, il metodo e i risultati di un articolo di venti pagine, nella tua lingua.

Interrogare

Porre una domanda e lasciare che il modello cerchi la risposta nell'intera raccolta, non in un solo PDF.

Confrontare

Confrontare i metodi o i risultati di diversi paper per abbozzare una rassegna dello stato dell'arte.

Privacy

Trattare manoscritti sottoposti a embargo o dati di collaboratori senza clausola di fuga.

#Come Zotero e il LLM si parlano

Zotero non «parla» nativamente con un modello linguistico. Il collegamento avviene tramite i file: Zotero memorizza ogni PDF sul tuo disco, ed è quel PDF che viene dato da leggere al LLM. Coesistono due approcci principali, che spesso vengono combinati.

Riepilogo a richiesta

Si estrae il testo da un PDF specifico e lo si invia a Ollama con un'istruzione di sintesi. Semplice, rapido, ideale per un articolo alla volta.

RAG sulla biblioteca

Si indicizza un'intera cartella di PDF in un database vettoriale, poi si formulano domande in linguaggio naturale. Il modello legge solo i passaggi pertinenti, il che permette di coprire decine di articoli scientifici.

In entrambi i casi, l'elemento centrale rimane la cartella di archiviazione di Zotero, dove risiedono tutti i PDF. Zotero 7 espone anche un'API locale (sulla porta 23119) che permette di elencare i suoi elementi tramite codice, ma per iniziare, puntare direttamente ai file è la soluzione più robusta e trasparente.

#Prerequisiti

Zotero 7

Con i tuoi PDF allegati ai riferimenti bibliografici (non solo i metadati). Il lettore PDF integrato non è necessario, ma i file devono essere memorizzati localmente.

Ollama

Il daemon che serve i modelli, su http://localhost:11434 per impostazione predefinita. Consultare la guida di installazione se l'installazione non è ancora stata eseguita.

Un modello di sintesi

Qwen 3.5 9B (≈6,6 GB di VRAM in Q4_K_M, 256k di contesto e visione) o Mistral Small 24B per un francese eccellente; un Qwen 3.5 4B (3,4 GB) basta su una configurazione modesta.

Un modello di embeddings

Per il RAG: nomic-embed-text o mxbai-embed-large, recuperabili tramite ollama pull. Leggeri, funzionano anche senza GPU.

Un componente RAG (opzionale)

AnythingLLM o Open WebUI se vuoi interrogare l'intera bibliografia senza scrivere codice.

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

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

#Passo 1: trovare i propri PDF in Zotero

Zotero archivia ogni allegato in una sottocartella della directory storage, denominata con una chiave di otto caratteri. Non hai bisogno di comprendere questa struttura nel dettaglio: basta sapere dove si trova per indirizzarvi il LLM.

Windows

C:\Users\<vous>\Zotero\storage

macOS

~/Zotero/storage

Linux

~/Zotero/storage

In caso di dubbio, il percorso esatto è visualizzato in Zotero sotto Modifica ▸ Impostazioni ▸ Avanzate ▸ File e cartelle ▸ «Directory dei dati». La cartella storage si trova direttamente al suo interno.

Per lavorare in modo ordinato su un progetto specifico, è meglio esportare una collezione anziché cercare in tutta la cartella storage. Clic destro su una collezione ▸ « Esporta la collezione »: Zotero può copiare i PDF e una bibliografia (BibTeX, CSV, JSON) in una cartella dedicata, che poi passerai al LLM.

#Passo 2: riassumere un articolo scientifico

Il caso più comune: apri un articolo scientifico in Zotero e vuoi leggerne un riassunto prima di decidere se merita una lettura completa. Si estrae il testo dal PDF e poi lo si invia a Ollama. La libreria pymupdf (fitz) esegue l'estrazione in modo accurato e rapido.

pip install pymupdf requests

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"])

Chiamiamo l'API REST di Ollama sulla porta 11434: separa il messaggio di sistema (il ruolo) dal contenuto (l'articolo). Qui contano due impostazioni: una temperatura bassa (0.2) per limitare le elaborazioni inventate e un num_ctx abbastanza grande da elaborare un intero articolo senza troncarlo.

#Un prompt di riassunto affidabile

La qualità del riassunto dipende più dal prompt che dal modello. Un prompt vago dà un paragrafo generico; un prompt strutturato dà una scheda di lettura riutilizzabile. Il segreto: imporre un formato in sezioni che ricalchi la struttura di un articolo scientifico e vietare al modello di andare oltre il testo.

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.

Il formato obbligatorio

I titoli delle sezioni costringono il modello a organizzare le informazioni anziché dilungarsi. Ottieni la stessa griglia da un articolo all'altro, così puoi confrontarli a colpo d'occhio.

La regola contro le allucinazioni

«Riporta solo ciò che è scritto» e «non specificato» riducono il rischio che il LLM inventi un risultato o un riferimento: il principale pericolo in ambito scientifico.

La sezione sullo stato dell'arte

Chiedendo esplicitamente il posizionamento rispetto alla letteratura esistente, trasformi il riassunto in materiale di partenza direttamente riutilizzabile in una revisione della letteratura.

#Passo 3: interrogare tutta la bibliografia con RAG

Riassumere un PDF è utile; interrogare cinquanta articoli scientifici tutti insieme è ciò che cambia la preparazione di una rassegna dello stato dell'arte. A questo punto si passa al RAG (Retrieval-Augmented Generation): si suddividono i PDF in frammenti, li si trasforma in vettori con il modello di embedding e il LLM legge soltanto i passaggi pertinenti per ogni domanda.

Il modo più semplice, senza scrivere codice, è configurare AnythingLLM o Open WebUI affinché utilizzino la cartella esportata da Zotero (o direttamente storage). Questi strumenti gestiscono l'indicizzazione e il database vettoriale per te; basta scegliere Ollama come fornitore e nomic-embed-text come modello di embedding.

1. 01
   Esportare la collezione

   Da Zotero, esporta la collezione interessata con i suoi PDF in una cartella dedicata, ad esempio ~/recherche/etat-de-l-art.
2. 02
   Creare uno spazio di lavoro

   In AnythingLLM, crea un workspace e imposta il provider LLM su Ollama (http://localhost:11434) e il modello di embedding su nomic-embed-text.
3. 03
   Importare i documenti

   Trascina la cartella contenente i PDF nel workspace. Lo strumento estrae il testo, lo suddivide e lo indicizza automaticamente.
4. 04
   Fare domande in linguaggio naturale

   Poni le tue domande trasversali: « Quali metodi di valutazione ricorrono più spesso? », « Quali articoli scientifici contraddicono l'ipotesi X? ».

Il grande vantaggio del RAG rispetto al semplice riassunto: il modello cita i passaggi che ha utilizzato. Puoi risalire al PDF di origine per verificare, il che è indispensabile nella ricerca. Chiedi sempre al modello di indicare da quale documento proviene ogni affermazione.

#Limiti sui documenti molto tecnici

È qui che bisogna essere onesti: su un articolo di matematica, di fisica teorica o di ML molto formale, un LLM locale mostra rapidamente i propri limiti. Comprendere questi punti ciechi evita di affidarsi al modello nei casi sbagliati.

Le formule

L'estrazione del testo appiattisce le equazioni: indici, esponenti e simboli greci si mescolano o scompaiono. Il modello ragiona quindi su formule corrotte e può trarne conclusioni errate.

Le tabelle

Una tabella diventa un insieme confuso di numeri quando viene estratta come testo semplice. Le corrispondenze tra righe e colonne si perdono, quindi i numeri citati da una tabella sono poco affidabili.

Le figure

Un modello di testo non vede i grafici. Qualsiasi risultato presente soltanto in una figura gli sfugge completamente: non lo menzionerà oppure lo inventerà a partire dalla didascalia.

Il ragionamento matematico

Seguire una dimostrazione o verificare una derivazione supera ciò che un modello locale da 14B può fare in modo affidabile. Il modello parafrasa la dimostrazione senza verificarne la validità.

Concretamente: usa il LLM per la parte «narrativa» di un articolo: domanda di ricerca, motivazione, contributi dichiarati, limiti, posizionamento. Controlla personalmente tutto ciò che riguarda formule, tabelle numeriche e figure. Per gli articoli scientifici ricchi di equazioni, un modello multimodale capace di leggere le pagine come immagini (anziché il testo estratto) dà risultati migliori, ma resta un complemento, non un sostituto della tua lettura.

#Risoluzione dei problemi

Il PDF esce vuoto

Si tratta di una scansione senza un livello di testo. Sottoponila all'OCR (ocrmypdf entree.pdf sortie.pdf) prima dell'estrazione.

Il riassunto ignora la fine dell'articolo

num_ctx è troppo piccolo: il testo è stato troncato. Aumentalo se la VRAM lo permette, altrimenti riassumi il testo per sezioni e poi fai una sintesi delle sintesi.

Il RAG dà risposte fuori tema

Sono stati recuperati i passaggi sbagliati. Riformula la domanda con i termini esatti del settore, oppure riduci la dimensione dei chunk durante l'indicizzazione.

Risposte lente

Un 9B su CPU è lento. Verifica che Ollama utilizzi effettivamente la GPU, oppure passa a Qwen 3.5 4B (3,4 GB) per le sintesi di routine.

Numeri che non corrispondono al PDF

Sintomo classico di una tabella estratta male o di un'allucinazione. Abbassa la temperatura e, soprattutto, confronta i dati con la fonte originale.

#Per approfondire

Questa guida si basa su componenti già descritti in dettaglio sul sito. Per approfondire in particolare l'installazione o il RAG:

Installare Ollama: Windows, macOS e Linux

Il punto di partenza per rendere disponibili i tuoi modelli in locale sulla porta 11434, se non hai ancora predisposto questa configurazione.

RAG locale con Ollama senza programmare (Open WebUI, AnythingLLM)

La guida di riferimento per configurare il componente RAG che interroga tutta la tua bibliografia, senza scrivere una riga di codice.

RAG locale con LM Studio: chattare con i propri documenti

Un'alternativa completa se preferisci LM Studio piuttosto che la coppia Ollama + interfaccia separata.