document-evidence-mcp

一个面向 Codex/其他 MCP 客户端的本地文档证据层：文档首次导入时完整解析并持久化，后续问答只检索 SQLite 索引，返回少量带来源坐标的证据。

它刻意保持“薄”：

• 不重写 PDF、OOXML、OCR 或表格识别引擎；

• 原生 PDF、DOCX、XLSX、PPTX 优先读取结构，不做无意义 OCR；Windows 上的旧版 DOC 先经 Microsoft Word 安全转换为临时 DOCX；

• 扫描 PDF 与图片可选接入 PaddleOCR PP-StructureV3；

• 源文件按 SHA-256 内容寻址，换路径不重复解析；

• SQLite FTS 默认使用 trigram tokenizer，兼顾中文、英文和德文检索；

• MCP 响应有总字符预算，不回传整份 OCR、整页图片或二进制；

• 需要复核时只渲染 PDF 的一个 bbox，返回本地 artifact 路径。

当前状态：0.1.0 Alpha。首版已覆盖本地持久化、文本/Office/PDF 原生解析、可选 OCR 路由和 PDF 局部裁剪；语义向量检索、OCRmyPDF 归档与逐单元格表格 API 属于后续能力。

工具

支持格式：

• PDF：PyMuPDF 原生文本、表格、页码与 PDF point bbox；

• DOC：仅 Windows；需要已安装 Microsoft Word，经隐藏的 COM 会话禁用宏并只读转换为临时 DOCX，源文件不变；

• DOCX：段落、标题样式、表格；

• XLSX/XLSM：工作表、行、单元格地址与公式文本；

• PPTX：幻灯片文本、表格与 shape bbox；

• TXT/Markdown/CSV/TSV/JSON/XML/HTML；

• PNG/JPEG/TIFF/BMP/WebP：需要启用 OCR。

安装

需要 Python 3.11 或更新版本。推荐使用 uv：

git clone https://github.com/mtn888/document-evidence-mcp.git
Set-Location document-evidence-mcp
uv sync --extra dev
uv run document-evidence doctor

旧版 .doc 另需 Windows、Windows PowerShell 5.1 和本机 Microsoft Word； doctor 会在平台或 Word COM 注册缺失时给出警告。转换后的临时 .docx 在首次结构解析成功后会原子保存到源 SHA-256 对象目录，并按转换器版本命名； 后续强制重建或解析配置变化时直接复用，只有缓存缺失、损坏或转换器版本升级才 重新调用 Word。源 .doc 始终保留且不会被改写。

如果仓库位于 Windows UNC/网络映射盘，而 doctor 报告 PyMuPDF 原生扩展无法加载，请把虚拟环境放到本机磁盘（项目代码仍可留在网络盘）：

$env:UV_PROJECT_ENVIRONMENT = "$env:LOCALAPPDATA\document-evidence-mcp-venv"
uv sync --extra dev
uv run document-evidence doctor

PyMuPDF 官方安装说明也将 Windows _extra DLL load failure 与 Visual C++ Redistributable/原生加载环境列为首要排查项，并推荐新代码使用 import pymupdf 而非旧 fitz 别名：PyMuPDF installation。

Windows GPU + PaddleOCR 完整配置

PP-StructureV3 除 paddleocr 外还需要 paddlex[ocr]；本项目的 ocr extra 已经同时声明二者。PaddlePaddle 推理运行时仍需按硬件单独安装。

当前已验证的 Windows 配置使用独立 D 盘环境，避免映射盘上的原生 DLL 加载问题，也不覆盖系统已有 CUDA：

.\scripts\setup_paddleocr.ps1 -ValidateSamples

脚本固定使用：

• Python 3.12.11：D:\Codexhome\document-evidence-mcp-runtime；

• PaddlePaddle GPU 3.3.0 官方 CUDA 12.9 wheel；

• PaddleOCR 3.x + paddlex[ocr]；

• 模型：D:\Codexhome\models\paddlex；

• 文档库：D:\Codexhome\document-evidence-store。

模型在第一次真实 OCR 时从 Paddle 官方 BOS 下载。PP-StructureV3 使用 PADDLE_PDX_CACHE_HOME，旧 PaddleOCR 下载器使用 PADDLE_OCR_BASE_DIR； 两者都必须配置，不能只设置旧变量。当前适配器关闭公式、印章、图表和区域识别， 保留布局、OCR 和表格识别，减少无关模型。只导入带可靠文本层的 PDF 或 Office 文件不会触发 OCR。

如果不运行脚本，可手动安装当前已验证的 GPU wheel：

uv venv --python 3.12.11 D:\Codexhome\document-evidence-mcp-runtime
$python = 'D:\Codexhome\document-evidence-mcp-runtime\Scripts\python.exe'
uv pip install --python $python --link-mode copy `
  'https://paddle-whl.bj.bcebos.com/stable/cu129/paddlepaddle-gpu/paddlepaddle_gpu-3.3.0-cp312-cp312-win_amd64.whl'
uv pip install --python $python --link-mode copy --editable '.[ocr,dev]'

本机验证环境、9 份 PDF 的结果和已知空白页边界见 真实 PaddleOCR 验证记录。

命令行试用

uv run document-evidence ingest 'D:\docs\standard.pdf'
uv run document-evidence search '安全阀' --limit 4 --max-chars 5000
uv run document-evidence list

首次导入后的典型返回：

{
  "document_id": "doc_..._r1",
  "cached": false,
  "status": "completed",
  "source_sha256": "...",
  "profile_hash": "...",
  "evidence_count": 143
}

再次导入同一内容（即使文件换了路径）会返回相同 document_id 且 cached: true。只有源内容、解析配置、语言/OCR 引擎版本发生变化，或显式使用 --force 时才生成新版本。

配置 Codex

先完成安装。以下示例将读取范围限制为本仓库的 pdf/，适合写入可信项目的 .codex/config.toml：

[mcp_servers.document_evidence]
command = 'D:\Codexhome\document-evidence-mcp-runtime\Scripts\document-evidence-mcp.exe'
cwd = 'D:\Codexhome\document-evidence-mcp'
startup_timeout_sec = 60
tool_timeout_sec = 1800
required = false

[mcp_servers.document_evidence.env]
DOCUMENT_EVIDENCE_STORE = 'D:\Codexhome\document-evidence-store'
DOCUMENT_EVIDENCE_OCR_PROVIDER = 'paddleocr'
DOCUMENT_EVIDENCE_OCR_DEVICE = 'gpu:0'
DOCUMENT_EVIDENCE_ALLOWED_ROOTS = 'D:\Codexhome\document-evidence-mcp\pdf'
PADDLE_PDX_CACHE_HOME = 'D:\Codexhome\models\paddlex'
PADDLE_OCR_BASE_DIR = 'D:\Codexhome\models\paddleocr'
PADDLE_PDX_MODEL_SOURCE = 'bos'
PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK = 'True'

DOCUMENT_EVIDENCE_ALLOWED_ROOTS 使用当前操作系统的路径分隔符；Windows 为分号。项目级配置只会在 Codex 信任该项目后加载。字段依据当前 Codex 配置参考中的 mcp_servers.<id>.command、args、cwd、env、启动/工具超时定义：Codex config.toml reference。

如需让任意项目默认可用，应把 MCP 写入用户级 ~/.codex/config.toml，把 cwd 设为稳定的本机目录，并省略 DOCUMENT_EVIDENCE_ALLOWED_ROOTS；这表示 服务端不预先限制可导入根目录，但仍只有显式调用 ingest_document 才会读取 文件。建议同时用用户级 AGENTS.md、skill 和轻量 SessionStart hook 约束为 “只导入当前任务相关文档”。本机已验证的完整配置、文件位置、hook 信任与跨项目 实测见全局 Codex 集成记录。

环境变量

推荐工作流

1. 用 ingest_document 导入一次；扫描件在首次导入时 OCR。

2. 用短关键词调用 search_evidence，通常取 3–6 条。

3. 用 get_evidence 精取必须引用的证据。

4. 数字、条款号、表格列对齐或低置信度内容才调用 render_crop。

5. 不把 blocks.jsonl、整份 OCR 文本或所有页面 PNG 直接放进对话。

架构、身份规则和已知边界见 中文架构说明。

开发验证

uv sync --extra dev
uv run ruff check .
uv run pytest
uv build

真实 PDF 回归（需要已安装的 OCR/GPU 环境）：

$env:DOCUMENT_EVIDENCE_STORE = 'D:\Codexhome\document-evidence-store'
$env:DOCUMENT_EVIDENCE_OCR_PROVIDER = 'paddleocr'
$env:DOCUMENT_EVIDENCE_OCR_DEVICE = 'gpu:0'
$env:PADDLE_PDX_CACHE_HOME = 'D:\Codexhome\models\paddlex'
$env:PADDLE_PDX_MODEL_SOURCE = 'bos'
D:\Codexhome\document-evidence-mcp-runtime\Scripts\python.exe `
  .\scripts\validate_real_pdfs.py .\pdf `
  --report .\artifacts\reports\real-pdf-validation.json

GitHub Actions 会在 Windows/Linux 与 Python 3.11/3.13 上执行同一组 lint、测试和构建检查。

本项目采用 MIT 许可证。