HN 日本語サマリー

← 一覧へ戻る
プログラミング

Launch HN: Vespper (YC F24) – SOTA Docx MCP

Launch HN: Vespper (YC F24) – SOTA Docx MCP (vespper.com)

36 pointsby topaztee17 コメント

要約

Vespperは、AIエージェントがWord文書を効率的に編集できるようにするMCP(Model-Centric Platform)です。同社によると、既存の代替手段と比較して3倍高速、2倍安価で、より高精度です。AIエージェントがWord文書を編集する際の複雑なXML構造やツールの問題を解決するために、HTMLを介した編集アプローチを採用しています。

全文翻訳

皆さん、こんにちは HN!私たちは Vespper (https://vespper.com) の Dudu と Topaz です。Vespper は、AIエージェントが当社のファインチューニング済みモデルを活用して Word 文書を効率的に編集できる MCP です。現在、競合する代替手段と比較して 3 倍高速、2 倍安価、かつ高精度です。製品の概要はこちらでご覧いただけます: https://youtu.be/odKxsgPjzzw

私たちは、製薬会社向けに AI 文書エディターを 1 年間開発した後、この問題に取り組むようになりました。それ以前は、Topaz(私)は Snyk でシニア SWE として分散システムを担当し、Dudu は Viz.ai でディープラーニングエンジニアとして脳卒中検出のためのコンピュータビジョンモデルを構築していました。当社のエディターは、製薬会社が規制文書(例: CSR)を生成し、提出を迅速化するのを支援しました。当初、出力は Markdown で、WYSIWYG エディターに表示されていました。しかし、ユーザーは独自の Word テンプレートで作業することを好みました。そこで問題が発生しました。

AI エージェントは Word 文書の編集が得意ではありません。Word 文書は、OOXML 仕様に従った冗長な XML ファイルの zip アーカイブです。たとえ「小さな」変更であっても、例えば番号付きリストを追加するには numbering.xml に新しい ID を作成して document.xml にリンクし直す必要があり、文を太字にするには 3 つ以上の run 要素に分割する必要があります。これはほんの一例です。

これにより、zip ファイルを直接(unzip + grep + sed)編集することはエージェントにとって悪い選択肢となります。なぜなら、これらのメカニズムに多くの時間とトークンを費やしてしまうからです。実際、今日のツールは主に 3 つのカテゴリに分類されます。python-docx や Open XML SDK のような低レベルライブラリに対してエージェントにコードを書かせるか、意見を持った編集ツール(SuperDoc、Office CLI、Adeu など)を備えた MCP を提供するか、pandoc/mammoth.js のようなもので Markdown/HTML を介してファイルを往復させるかです。どれも実際にはうまくいきません。最初の 2 つのカテゴリでは、エージェントはタスクではなく Word のメカニズムにコンテキストを費やし続け(MCP は学習すべき新しい DSL も導入します)、3 番目の方法は非常に情報が失われます(pandoc/mammoth.js などは十分な忠実度を維持しません)。

直接的な経験から、これらの問題は下流タスクのパフォーマンスを低下させます。

エージェントに大きな文書を埋めさせようとしたところ、すぐに問題が発生しました。コンテキストウィンドウはすでに顧客データ(ファイル、ユーザーコンテキスト、グローバルルールなど)でいっぱいでしたが、エージェントは文書の探索や編集の失敗のデバッグにトークンと時間を費やしました。単一の CSR(臨床研究報告書)を埋めるのに約 50 分かかり、結果は悪く(フィールド/セクションの欠落、スタイルの破損など)なりました。Harvey.ai のチームも同様の結論に達しています: https://www.harvey.ai/blog/building-an-agent-for-complex-doc...

そこで、私たちは焦点をシフトしました。私たちは、エージェントが HTML を編集するのと同じように Word 文書を編集できる MCP を設計しました。エージェントは HTML を受け取り、検索と置換の編集を行い、私たちはそれらの編集を元の .docx ファイルに反映させます。Markdown よりも HTML を選択したのは、構造的に OOXML に近く、CSS が OOXML と同様の方法で要素にスタイルを関連付けるためです。pandoc や mammoth.js が十分な忠実度を維持できなかったため、独自の DOCX → HTML コンバーターを作成する必要がありました。明確にしておくと、当社の DOCX → HTML 変換も情報が失われます。しかし、それは問題ありません。なぜなら、私たちは HTML を DOCX に戻すことは決してないからです。HTML はエージェントのための単なる投影であり、エージェントが編集対象の構造とスタイルを理解するのに十分な忠実度があればよいのです。元のファイルは真実の情報源として残り、私たちはそれをインプレースで変更します。

これにより、エージェントは新しい DSL を学習する必要もなくなります。Word 文書を編集することは、ファイルシステム上の HTML ファイルを編集するのと同じように感じられます。これは、エージェントがすでに得意としていることです。多くの DOCX MCP は、エージェントにオンザフライで把握すべき数十、あるいは数百ものツールを提供します。当社の MCP は、read、search、edit の 3 つのツールのみを公開します。Word 文書は完全に抽象化されています。

エージェントが編集リクエスト(「old_html」と「new_html」のペア)を送信した後、元の .docx ファイルにそれを反映させます。この反映は、当社のファインチューニング済みモデルによって行われます。これは LoRA アダプターを備えた 3-8B ベースモデルです。HTML の差分を入力として、元のローカライズされた OOXML ブロックとともに受け取り、新しい OOXML を出力します。「ローカライズ」は決定論的に行われます。エージェントが指定したアンカーを取得し、それらの XML ツインを見つけようとします。これにより、リコンサイラーモデルは単一の責任を持つことになります。この狭いタスクでは、小さなモデルがフロンティアレベルの、適切にプロンプト調整されたモデルに達しながら、ホットパスに配置できるほど小さく高速です。

このプロジェクトは数ヶ月の作業になりましたが、v1 をリリースできて嬉しく思います。当社の内部ベンチマークでは、DOCX スキルや生の python-docx よりも精度が高く、コストは約 2 倍、速度は約 3 倍です。これは主に、タスクあたり 3 つのツールコール(p50)で済むのに対し、DOCX スキルは 10 回、Office CLI は 13 回かかるためです。

まだ完璧ではありません。例えば、現時点では画像やコメントの操作はサポートしていません。とはいえ、すでに人々が当社の MCP をさまざまな方法で使用しているのを目にしています:

  • 法務テック企業が Office.js でのライブ編集フローを強化。
  • AI スタートアップが履歴書を最適化し、代わりに申請。
  • 政府機関が政策メモを作成する必要がある場合。
  • ライフサイエンスのスタートアップが長期実行エージェントを使用して規制フォームを完成。

プライバシーに関する注記: 当社の MCP はクラウドで実行されるため、ユーザーは .docx ファイルを当社に送信します。当社はユーザーデータで学習せず、チームは ZDR またはセルフホスティングを選択できます。

月 500 回の編集が可能な無料ティアがあり、ぜひお試しください。後でこれを増やしたいと考えていますが、私たちは小規模なチームであり、ファインチューニング済みモデルの運用は安価ではありません :(

Word 文書の編集全般に関する皆様のアイデアやコメントをお待ちしております!今後数時間はコメント欄でお返事いたします。