chrisryugj/kordoc

解决的问题

Kordoc 是一个全面的文档处理工具包，旨在应对韩国政府和行政机构面临的「文档地狱」问题。它解决了从传统上难以解析的格式中提取、分析和生成文档的难题，特别是 HWP（韩文文字处理器）3.x 和 5.x 版本、HWPX、HWPML、PDF、XLS、XLSX、DOCX 以及图像（PNG/JPG/WebP）等格式。

工作原理

Kordoc 将这些不同格式转换为 Markdown，这是 LLM 读取和分析的理想格式。它结合了专用解析器、用于扫描文档和图像的本地 CPU 基础 OCR 引擎（PP-OCRv5 korean），以及一个自定义重排引擎，可在无需在服务器上安装 Hancom Office 软件的情况下将文档重新渲染为 HWPX。它还支持「往返」工作流，允许将 Markdown 编辑并修补回原始二进制文件，同时保留原始格式。

适用人群

• AI 开发者：构建需要处理韩国行政文档的 RAG（检索增强生成）系统或 AI 代理的开发者。
• 政府职员/管理员：处理大量官方文档和报告的人员。
• AI 代理用户：使用 Claude Desktop、Cursor 及其他 MCP 兼容客户端的用户，希望将文档解析和生成直接集成到其 AI 工作流中。

主要亮点

• 多格式解析：支持 HWP、HWPX、PDF、DOCX 和 Excel 文件，以高保真度转换为 Markdown。
• 复杂表格恢复：专精于恢复合并和嵌套表格，包括 PDF 中无边框的表格。
• 政府标准文档生成：具备生成符合严格格式规则的韩国政府官方文档（报告、草案、通知等）的能力。
• 本地 OCR：内置 OCR 功能，用于扫描 PDF 和图像，可在本地 CPU 上运行，无需 API 密钥。
• RAG 就绪输出：提供带有面包屑层级结构和实际页码的结构化块，支持精确引用。
• MCP 集成：通过 Model Context Protocol (MCP) 与 AI 代理（如 Claude、Cursor 等）无缝连接，实现文档读取与创建。
• 隐私信息遮蔽：自动检测并遮蔽个人身份信息（如居民登记号码、电话号码等），同时保留文档格式。