chrisryugj/kordoc

解決的問題

Kordoc 是一個全面的文件處理工具包，專為應對韓國政府與行政機關所面臨的「文件地獄」而設計。它解決了從傳統上難以解析的格式中提取、分析與生成文件的問題，特別是 HWP（韓文文字處理器）3.x 與 5.x 版本、HWPX、HWPML、PDF、XLS、XLSX、DOCX 以及影像（PNG/JPG/WebP）等格式。

工作原理

Kordoc 將這些不同格式轉換為 Markdown，這是最適合 LLM 讀取與分析的格式。它結合了專用解析器、用於掃描文件與影像的本地 CPU 基礎 OCR 引擎（PP-OCRv5 korean），以及一個自訂重排引擎，可在無需在伺服器上安裝 Hancom Office 軟體的情況下，將文件重新渲染為 HWPX。它也支援「往返」工作流程，允許將 Markdown 編輯並修復回原始二進位檔案，同時保留原始格式。

適用對象

• AI 開發者：開發需要處理韓國行政文件的 RAG（檢索增強生成）系統或 AI 代理的開發者。
• 政府職員／管理人員：處理大量官方文件與報告的人員。
• AI 代理使用者：使用 Claude Desktop、Cursor 及其他 MCP 相容客戶端的使用者，希望將文件解析與生成直接整合至其 AI 工作流程中。

主要特色

• 多格式解析：支援 HWP、HWPX、PDF、DOCX 與 Excel 檔案，以高保真度轉換為 Markdown。
• 複雜表格還原：專精於還原合併與巢狀表格，包括 PDF 中無邊框的表格。
• 政府標準文件生成：具備生成符合嚴格格式規則的韓國政府官方文件（報告、草案、公告等）的能力。
• 本地 OCR：內建 OCR 功能，用於掃描 PDF 與影像，可在本地 CPU 上執行，無需 API 金鑰。
• RAG 就緒輸出：提供帶有麵包屑層級結構與實際頁碼的結構化區塊，支援精確引用。
• MCP 整合：透過 Model Context Protocol (MCP) 與 AI 代理（如 Claude、Cursor 等）無縫連接，實現文件讀取與建立。
• 隱私資訊遮蔽：自動偵測並遮蔽個人資訊（如住民登記編號、電話號碼等），同時保留文件格式。