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_docx.go

@@ -0,0 +1,82 @@
+// convert_docx.go — .docx 抽文字（純 Go 標準庫，零外部依賴）
+//
+// 為什麼不需要外部引擎（2026-07-27 POC 實測後定案）：
+//
+//	.docx/.xlsx/.pptx ＝ Office Open XML ＝ **本質是 ZIP，裡面是 XML**，
+//	文字明明白白寫在 <w:t> 標籤裡。Go 標準庫 archive/zip + encoding/xml 直接讀得到。
+//	實測體積代價 **+0.31 MB**（對照 PDF 走 PDFium 是 +10.43 MB，差 33 倍）。
+//
+// 對比 PDF 為何非要引擎不可：PDF 是**印刷格式**，記的是「這個字畫在第 3 頁座標 (120,400)」，
+// 要把散落字元還原成通順文字＝需要整顆排版還原引擎。兩者不是同一個難度等級。
+package main
+
+import (
+	"archive/zip"
+	"bytes"
+	"encoding/xml"
+	"fmt"
+	"io"
+	"strings"
+)
+
+// docx 內文的位置。註：頁首/頁尾/註腳另有 header*.xml/footnotes.xml，
+// 目前只取主文——知識萃取要的是內容，頁首頁尾多半是雜訊（頁碼、公司名）。
+const docxMainPart = "word/document.xml"
+
+func extractDocx(data []byte) (string, error) {
+	zr, err := zip.NewReader(bytes.NewReader(data), int64(len(data)))
+	if err != nil {
+		// .docx 不是 zip ＝ 檔案壞了，或副檔名騙人（例如舊版 .doc 改名成 .docx）。
+		// 舊版 .doc 是完全不同的二進位格式（OLE），本抽取器讀不了。
+		return "", fmt.Errorf("docx 解壓失敗（可能是舊版 .doc 或檔案損壞）：%w", err)
+	}
+	for _, f := range zr.File {
+		if f.Name != docxMainPart {
+			continue
+		}
+		rc, err := f.Open()
+		if err != nil {
+			return "", fmt.Errorf("讀 %s 失敗：%w", docxMainPart, err)
+		}
+		defer rc.Close()
+		return docxXMLText(rc)
+	}
+	return "", fmt.Errorf("docx 缺少 %s", docxMainPart)
+}
+
+// docxXMLText 串流解 XML 取文字。
+//
+// 只認三個標籤就夠：
+//   - w:p  段落     → 換行
+//   - w:tab 定位點  → tab
+//   - w:br  斷行    → 換行
+//
+// 其餘一律當文字節點收集。用 Local name 比對（不看 namespace 前綴），
+// 因為不同產生器的前綴可能不同（w: / w14: 等）。
+func docxXMLText(r io.Reader) (string, error) {
+	dec := xml.NewDecoder(r)
+	var sb strings.Builder
+	for {
+		tok, err := dec.Token()
+		if err == io.EOF {
+			break
+		}
+		if err != nil {
+			return "", fmt.Errorf("解析 document.xml 失敗：%w", err)
+		}
+		switch t := tok.(type) {
+		case xml.StartElement:
+			switch t.Name.Local {
+			case "p":
+				sb.WriteString("\n")
+			case "tab":
+				sb.WriteString("\t")
+			case "br":
+				sb.WriteString("\n")
+			}
+		case xml.CharData:
+			sb.Write(t)
+		}
+	}
+	return sb.String(), nil
+}