核心用法
docx-md 是一套面向 AI 文档审阅场景的底层 docx 处理工具集，提供三种原子操作：
1. Read（读取）：将 .docx 解析为紧凑的 Markdown（默认）或完整 JSON 结构。Markdown 输出包含 <!-- b:N --> 区块索引标记，便于后续精确定位修改；同时支持 {+插入+}、-删除- 和 [comment: 批注] 的标记语法，显著降低 token 消耗。
2. Modify（修改）：接收 AI 返回的 JSON 格式编辑指令（blockIndex、originalContent、content、basis），自动推断操作类型（插入/删除/替换），转换为 OOXML 的 w:ins/w:del 修订标记和批注锚点，生成带修订追踪的新 docx。
3. Finalize（定稿）：一键接受全部修订并清除所有批注，输出洁净的最终版本。
显著优点
- 零商业依赖：直接操作 OOXML（ZIP + XML），无需 Microsoft Word 或 Aspose 等付费库
- LLM 友好：Markdown 输出专为模型上下文优化，比原生 XML 节省 80%+ token
- 精准溯源：
blockIndex机制实现块级定位，避免全文匹配的模糊性问题 - 合规审计：所有修改以标准修订模式留存，满足法律文档的审阅留痕要求
潜在局限
- 格式覆盖有限：仅处理
word/document.xml和word/comments.xml，复杂样式、页眉页脚、脚注尾注可能丢失 - 块级粒度：以段落/表格等为最小操作单元，无法对同一自然段内的局部文本进行独立修订标记
- 脚本环境依赖：需 Python 3 运行环境，非纯浏览器方案
适合人群
- 法律/合规团队：合同审阅、条款修订的自动化流水线
- 技术写作者：文档版本管理的 CI/CD 集成
- AI 应用开发者：构建端到端的文档智能处理系统
常规风险
- 数据完整性：直接修改 ZIP 内 XML 存在损坏文档结构的风险，建议操作前备份
- 修订冲突：多人同时修改或复杂嵌套修订可能导致合并不一致
- 编码边界：非标准字符集或特殊 Office 扩展可能解析异常，需充分测试边界案例
架构概览
docx (ZIP/OOXML) → read_docx.py → Markdown/JSON → LLM → edits.json → apply_edits_docx.py → docx (with revisions) → finalize_docx.py → clean docx