Extract 轉檔零件＋工作流：自動辨識副檔名轉檔（docx/pptx/xlsx/pdf/md/csv/xml…），去 Python 化——請出 SDD（含 WASM 鐵律歸屬裁定） #54

New Issue

2026-07-14T09:12:02Z

Leo commented

2026-07-14 09:12:02 +00:00

[總管] 需求源：leo 2026-07-14 journal（Leo/kb journals/2026_07_14.md「完成 Arcrun RAG 企業 V1」）原話：

身為 Arcrun RAG 用戶，我想要開發 **Extract 零件（不是 Recipe）**及工作流，會自動辨識副檔名轉檔用戶輸入的文件，如 docx, pptx, xsls, pdf, md, csv, xml... 等。好處是不需要多餘 Python 容器跑 markitdown，避免 Python 減慢處理速度，簡化文件攝入流程。

技術盤點（InkStoneCo wishlist C8，2026-07-14）：OOXML 全家（docx/pptx/xlsx）＝zip+XML；JS 生態成熟（mammoth/SheetJS/unpdf）但牴觸零件鐵律（TinyGo/AS WASM only）。SDD 要裁的核心＝歸屬：

選項 A：TinyGo 實作（archive/zip＋encoding/xml 抽文字——docx/pptx/xlsx 可行性要 spike；pdf 在 Go 生態弱）
選項 B：平台 worker（TS 合法，同 kbdb/cypher 地位）＋recipe 暴露；bundle 肥就按格式拆 worker
選項 C：混合——OOXML 走 TinyGo 零件、pdf 走平台 worker

對標：n8n Extract From File 沒有 docx/pptx——此件補齊即「n8n 有的都有、還多兩格」。掃描 PDF 的 OCR 不進本件（歸 LLM provider）。市場定位與細節見 Leo/InkStoneCo system-dev/docs/1-vision/product-wishlist.md C8。

對應 arcrun-rag V1：demo site 的攝入流程直接吃這個（現用 markitdown Python＝要拔掉的最後依賴）。

[總管] 需求源：leo 2026-07-14 journal（`Leo/kb` `journals/2026_07_14.md`「完成 Arcrun RAG 企業 V1」）原話： > 身為 Arcrun RAG 用戶，我想要開發 **Extract 零件（不是 Recipe）**及工作流，會自動辨識副檔名轉檔用戶輸入的文件，如 docx, pptx, xsls, pdf, md, csv, xml... 等。好處是不需要多餘 Python 容器跑 markitdown，避免 Python 減慢處理速度，簡化文件攝入流程。 **技術盤點（InkStoneCo wishlist C8，2026-07-14）**：OOXML 全家（docx/pptx/xlsx）＝zip+XML；JS 生態成熟（mammoth/SheetJS/unpdf）但**牴觸零件鐵律（TinyGo/AS WASM only）**。SDD 要裁的核心＝歸屬： - 選項 A：TinyGo 實作（archive/zip＋encoding/xml 抽文字——docx/pptx/xlsx 可行性要 spike；pdf 在 Go 生態弱） - 選項 B：平台 worker（TS 合法，同 kbdb/cypher 地位）＋recipe 暴露；bundle 肥就按格式拆 worker - 選項 C：混合——OOXML 走 TinyGo 零件、pdf 走平台 worker 對標：n8n Extract From File **沒有 docx/pptx**——此件補齊即「n8n 有的都有、還多兩格」。掃描 PDF 的 OCR 不進本件（歸 LLM provider）。市場定位與細節見 `Leo/InkStoneCo` `system-dev/docs/1-vision/product-wishlist.md` C8。對應 arcrun-rag V1：demo site 的攝入流程直接吃這個（現用 markitdown Python＝要拔掉的最後依賴）。

Leo commented

2026-07-14 09:19:51 +00:00

[總管] leo 07-14 補需求核心＝自動偵測（這是與 n8n 的本質差異，寫進 SDD requirements）：

對標痛點：n8n Extract From File 要用戶手選輸入格式——多格式攝入就得 switch 分流到不同 extractor。Arcrun Extract＝單一入口零件，進什麼吃什麼，工作流不需要 switch。
偵測級聯（副檔名只是第一層，magic bytes 才是權威）：

①副檔名（快路徑）→ ②magic bytes：PK\x03\x04＝ZIP 家族→讀內部 [Content_Types].xml 分辨 docx/pptx/xlsx；%PDF-＝pdf；D0CF11E0＝舊版 Office；③二進位判不中→文字類結構嗅探（<?xml→xml、分隔符規律→csv、其餘→md/plain）。
副檔名被刪/亂改也照吃（magic bytes 為主的直接收益——leo 原問）。

判不出的誠實 fallback：能當 UTF-8 文字讀→以 plain text 攝入並標 format:unknown-text；真二進位判不出→不假裝，標 format:unknown 進待處理清單＋通知 admin（原檔留 repo 溯源，不丟）。禁默默跳過、禁猜錯格式硬解出亂碼入庫。

[總管] leo 07-14 補需求核心＝**自動偵測**（這是與 n8n 的本質差異，寫進 SDD requirements）： 1. **對標痛點**：n8n Extract From File 要用戶手選輸入格式——多格式攝入就得 switch 分流到不同 extractor。Arcrun Extract＝單一入口零件，**進什麼吃什麼**，工作流不需要 switch。 2. **偵測級聯（副檔名只是第一層，magic bytes 才是權威）**： - ①副檔名（快路徑）→ ②**magic bytes**：`PK\x03\x04`＝ZIP 家族→讀內部 `[Content_Types].xml` 分辨 docx/pptx/xlsx；`%PDF-`＝pdf；`D0CF11E0`＝舊版 Office；③二進位判不中→文字類結構嗅探（`<?xml`→xml、分隔符規律→csv、其餘→md/plain）。 - **副檔名被刪/亂改也照吃**（magic bytes 為主的直接收益——leo 原問）。 3. **判不出的誠實 fallback**：能當 UTF-8 文字讀→以 plain text 攝入並標 `format:unknown-text`；真二進位判不出→**不假裝**，標 `format:unknown` 進待處理清單＋通知 admin（原檔留 repo 溯源，不丟）。禁默默跳過、禁猜錯格式硬解出亂碼入庫。

Leo referenced this issue

2026-07-31 10:24:36 +00:00

[總管交辦] 新零件：crypto 家族（hash／hmac／uuid／random／sign）——AI 不該每次自幹加密 #76

Leo added the

s

backlog

label 2026-08-09 13:13:12 +00:00

Sign in to join this conversation.