feat(t73/t16): 本地轉檔層骨架＋docx 抽取器（leo 定的『收集端 Markitdown』）

leo 07-27 定的形狀：「本地任何檔案都透過一個機制把它轉成模型可讀，再把模型可讀
內容發給它」「能不能讀 PDF 根本不是 Arcrun 的工作」。

convert.go＝調度層(工頭)：認副檔名→派抽取器→統一吐純文字。
加新格式只要在 extractors 註冊一行，不動架構。
convert_docx.go＝第一個抽取器，純標準庫 archive/zip+encoding/xml。

三個設計決定（都有理由，非隨手）：
① ErrNoText 獨立錯誤——掃描件 PDF 抽不出字時絕不能靜默略過（leo 撞過的病），
   要能轉成使用者看得懂的訊息；與 ErrUnsupported 分開因為說法不同。
② NFKC 正規化——PDF 抽中文會出康熙部首變體，長得一樣但碼位不同＝用戶搜不到
   自己的檔案。廉價保險，對其他來源同樣有效。
③ 只取 word/document.xml——頁首頁尾多是雜訊(頁碼/公司名)，知識萃取不要。

測試 10/10 + 真 Word 檔實測：
  textutil 產生的 real.docx → 抽出「船舶維修合約/350,000/2026 年 8 月 15 日」全對
  同段落多 run 相連(Word 常把一句話切成多個 w:r)
  壞檔(舊版 .doc 改名)報錯且不歸類成 ErrNoText
  NFKC 康熙部首摺回正常字
註：全形「，」會被 NFKC 轉半形「,」＝正常行為，對搜尋無害(反而統一)。

下一步：接 PDFium-via-wazero(+10.43MB)。未接進 extract_gemma 主流程。

convert.go

@@ -0,0 +1,123 @@
+// convert.go — 本地轉檔層（「收集端 Markitdown」，repo 定位 CLAUDE.md:13）
+//
+// leo 2026-07-27 定的形狀：
+//
+//	「本地任何檔案都透過一個機制把它轉成模型可讀，再把模型可讀內容發給它」
+//	「能不能讀 PDF 根本不是 Arcrun 的工作」
+//
+// 所以這一層是**調度器（工頭）**：認副檔名 → 派給對應的抽取器（師傅）→ 統一吐出純文字。
+// 好處是 Arcrun 那條管線永遠只處理文字，不必為每種格式去改框架（繞開 host fn 的
+// 64KB／UTF-8 文字通道限制，見 rag-wave1/pdf-extraction-options.md 洞 B）。
+//
+// 硬前提（daemon-beta/tasks.md:469，leo 定）：**不裝 markitdown**——微軟那套是 Python
+// 套件，要用戶先有 Python 環境＝違背「install 完即可用，不留抽象前置步驟」原則。
+// 所以每個抽取器都必須是**純 Go／無 CGo**（才能跨編 Windows，t72 已實測這條路可行）。
+//
+// 加新格式＝在 extractors 註冊一個 func，不動架構。
+package main
+
+import (
+	"fmt"
+	"path/filepath"
+	"strings"
+	"unicode"
+
+	"golang.org/x/text/unicode/norm"
+)
+
+// ErrNoText：檔案讀得到、格式也認得，但**抽不出任何文字**。
+//
+// 為什麼要有這個獨立錯誤：掃描件／翻拍的 PDF 就是這種——PDFium 不做 OCR，會回空字串。
+// 這時**絕不能靜默略過**（那正是 leo 撞到的病：丟檔進去沒反應、用戶以為進去了其實是空的）。
+// 呼叫端必須把它轉成使用者看得懂的訊息。
+var ErrNoText = fmt.Errorf("檔案裡沒有可抽取的文字")
+
+// ErrUnsupported：副檔名不在支援清單內。與 ErrNoText 分開，因為給用戶的說法不同
+//（「這種檔案我還不會讀」vs「這個檔看起來是掃描的圖」）。
+var ErrUnsupported = fmt.Errorf("尚未支援的檔案格式")
+
+// extractor 吃檔案位元組，吐純文字。
+type extractor func(data []byte) (string, error)
+
+// extractors＝格式→師傅的對照表。加新格式只要在這裡註冊一行。
+//
+// .md/.markdown/.txt 不在此表：它們本來就是純文字，走 passthrough（見 ConvertToText）。
+var extractors = map[string]extractor{
+	".docx": extractDocx,
+	// .pdf  → PDFium-via-wazero（下一步接；體積 +10.43MB，實測 15頁/2.2MB=134ms）
+	// .pptx/.xlsx → 同 docx 的 ZIP+XML 路數，各數十行，體積幾乎不變（POC 實測 +0.31MB）
+}
+
+// IsPlainText 回報這個副檔名是否本來就是純文字（不需要轉檔）。
+func IsPlainText(path string) bool {
+	switch strings.ToLower(filepath.Ext(path)) {
+	case ".md", ".markdown", ".txt":
+		return true
+	}
+	return false
+}
+
+// CanConvert 回報這個副檔名是否有對應的抽取器（不含純文字）。
+func CanConvert(path string) bool {
+	_, ok := extractors[strings.ToLower(filepath.Ext(path))]
+	return ok
+}
+
+// ConvertToText＝本層的唯一入口：任何檔案 → 模型可讀的純文字。
+//
+// 純文字檔原樣回傳（只做正規化）；其他格式派給對應抽取器。
+// 抽不出文字回 ErrNoText，不支援的格式回 ErrUnsupported——兩者都**不是**「成功但空字串」，
+// 呼叫端才有辦法給用戶明確訊號。
+func ConvertToText(path string, data []byte) (string, error) {
+	ext := strings.ToLower(filepath.Ext(path))
+	if IsPlainText(path) {
+		return normalizeText(string(data)), nil
+	}
+	ex, ok := extractors[ext]
+	if !ok {
+		return "", fmt.Errorf("%w：%s", ErrUnsupported, ext)
+	}
+	txt, err := ex(data)
+	if err != nil {
+		return "", err
+	}
+	txt = normalizeText(txt)
+	if strings.TrimSpace(txt) == "" {
+		return "", ErrNoText
+	}
+	return txt, nil
+}
+
+// normalizeText 做兩件事，兩件都是實測後才加的：
+//
+//  1. **NFKC 正規化**：PDF 抽出的中文常出現「康熙部首」等相容字元變體
+//     （實測見 pdf-extraction-options.md §3）——長得跟正常字一模一樣但碼位不同，
+//     會導致**使用者搜不到自己的檔案**。NFKC 把它們摺回正常字。這是廉價保險，
+//     對其他來源同樣有效。
+//  2. 去掉控制字元、統一換行、壓掉過量空行——PDF 抽出的文字常夾雜排版殘渣。
+func normalizeText(s string) string {
+	s = strings.ReplaceAll(s, "\r\n", "\n")
+	s = strings.ReplaceAll(s, "\r", "\n")
+	s = norm.NFKC.String(s)
+
+	var b strings.Builder
+	b.Grow(len(s))
+	for _, r := range s {
+		// 保留換行與 tab；其餘控制字元（PDF 常見的 \x00、\f 等）丟掉。
+		if r == '\n' || r == '\t' {
+			b.WriteRune(r)
+			continue
+		}
+		if unicode.IsControl(r) {
+			continue
+		}
+		b.WriteRune(r)
+	}
+
+	// 連續 3 個以上換行壓成 2 個（保留段落感，去掉整頁空白）。
+	out := b.String()
+	for strings.Contains(out, "\n\n\n") {
+		out = strings.ReplaceAll(out, "\n\n\n", "\n\n")
+	}
+	return strings.TrimSpace(out)
+}