chrisryugj/kordoc

何を解決するか

Kordoc は、韓国政府および行政機関の「ドキュメントの地獄」に対応する包括的なドキュメント処理ツールキットです。従来、解析が難しい形式である HWP（한글 워드프로세서）バージョン 3.x および 5.x、HWPX、HWPML、PDF、XLS、XLSX、DOCX、および画像（PNG/JPG/WebP）のドキュメントから情報を抽出・分析・生成する問題を解決します。

仕組み

Kordoc は、LLM が読み取り・分析するのに最適な Markdown 形式にこれらのさまざまな形式を変換します。専用のパーサー、スキャン済みドキュメントおよび画像用のローカル CPU 基盤の OCR エンジン（PP-OCRv5 korean）、および Hancom Office ソフトウェアをサーバーにインストールせずに HWPX に再レンダリングするカスタムリフロー エンジンを組み合わせています。また、Markdown を編集・修正して元のバイナリファイルに再統合する「ラウンドトリップ」ワークフローもサポートしており、元のフォーマットを保持します。

対象ユーザー

• AI開発者：韓国行政文書を処理する必要がある RAG（リトリーバー・アUGMENTED GENERATION）システムや AI エージェントを開発している人。
• 政府職員／管理者：大量の公式文書や報告書とやり取りしている人。
• AIエージェント利用者：Claude Desktop、Cursor、およびその他の MCP 対応クライアントのユーザーで、AIワークフローに直接ドキュメント解析・生成を統合したい人。

主な特徴

• 多形式対応パース：HWP、HWPX、PDF、DOCX、Excel ファイルを高忠実度で Markdown に変換。
• 複雑なテーブルの復元：マージやネストされたテーブル（特に境界線のない PDF 内のもの）を専門的に復元。
• 政府標準ドキュメント生成：厳格なフォーマット規則に従って、公式の韓国政府文書（報告書、草案、通知など）を生成できるエンジン。
• ローカル OCR：API キー不要で CPU 上でローカル実行されるスキャン済み PDF および画像用の内蔵 OCR。
• RAG対応出力：ブレッドクラム階層と実際のページ番号を含む構造化されたチャンクを提供し、正確な引用が可能。
• MCP統合：Model Context Protocol（MCP）を介して Claude、Cursor などの AI エージェントとシームレスに接続し、ドキュメントの読み取り・作成が可能。
• プライバシー保護：個人情報（住民登録番号、電話番号など）を自動検出・マスクしつつ、ドキュメントのフォーマットを保持。