.docx ファイル編集における AI エージェンツの課題と解決策：Vespper MCP とロスレス・リコンシール技術

序論

バックグラウンド

• 法律、金融、医療分野では

  .docx

  が標準的な納品物の形式です。
  • 契約書、規制当局への提出書類、監査報告書などの下書き作成・コメント付与・署名が行われます。
  • 企業は日常的にワードテンプレートのライブラリを保有しています。
• これらの作業は 「エージェンツ（AI エージェント）」 への移行が進んでいます。
  • Microsoft Copilot や Word 内での Claude により、ドキュメント AI がメインストリームになりました。
  • 法律テックやヘルスケアなどの垂直系分野で、

    .docx

    ファイルと対話するエージェンツの需要が高まっています。

現状の問題点

• AI エージェンツが

  .docx

  で優れた成果を出すにはまだ困難です。
  • 数十人のエンジニア（法律テック・ヘルスケア領域）が、信頼性の高い編集のために Harness を調整するために 数週間〜数月 を費やす状況が見られました。
  • 極めて複雑な社内ソリューションを維持せざるを得ません。

主要なアプローチの分類

現在は以下の 3 つのアプローチが存在しますが、複雑なシナリオでは物足しません。

1. 低レベル SDK の使用
   • Python-docx / Aspose / Open XML SDK などを使用します。
2. Opinionated Tools（推奨使用方法のツール）への接続
   • SuperDoc, Office CLI, safe-docx, Adeu などの MCP サーバーに接続します。
3. ラウンドトリップ方式 (Round-trip)
   • Markdown/HTML に変換（pandoc や mammoth.js など）→ エージェンツが編集 →

     .docx

     に戻します。
   • この方法は情報を失う（Lossy）変換を伴います。

問題点：.docx ファイルの構造と複雑性

.docx ファイルの本質

• OOXML (Office Open XML) 仕様に従った階層構造を持つ XML ファイル群を ZIP アーカイブしたものです。
• 主な構成要素:

  • document.xml

    : メインのテキストコンテンツ

  • styles.xml

    : 再利用可能なスタイル定義（CSS のようなもの）

  • numbering.xml

    : リストや番号付けの振る舞い
  • その他：ヘッダー、フッター、脚注、メディア、メタデータなど

冗長性と編集の難易度

• 情報の膨張:
  • 4〜5 文の短い段落でも、スタイル・メタデータ・ラン分割（run splitting）などの情報が加わることで、数千トークンに膨れ上がります。
  • ユーザーが見るテキストは多くの XML ノードに分断されており、冗長な形式で保存されます。
• 複雑な編集:
  • Markdown や単純 HTML と異なり、変更は局所的ではなく構造全体に影響します。
  • 「法律アシスタント」と「ワードの状態機械」の役割を 1 つのエージェンツが同時に行おうとすると、ボトルネックになります。

実務的な課題

• エージェンツは以下の作業をコンテキストウィンドウ内で競合させる必要があり、リソース消費が多くなります。
  • 相手先の赤線コメント（Redlines）の読み込み
  • 社内プレイブック（基準）の適用
  • 用語の意味の一貫性確認（例：「条項 3」と「条項 27」）
  • 矛盾する免責額上限条項と責任制限条項の検出

現状のアプローチ評価

各ソリューションには異なるトレードオフがありますが、エージェンツはコンテキスト予算（トークン制限）を .docx のメカニズム操作に費やし、実際のタスクに使うリソースが不足します。

.docx

私たちの方針：第 3 の方法

• 「ラウンドトリップ方式」を採用する予定です。
• 理由: エージェンツに

  .docx

  の仕組みを気にさせず、タスク実行パフォーマンスが向上すると信じているため。
• 課題: 「ロスレス（情報損失なし）の変換」を実現する方法です。

ソリューション：IaC 発想によるリコンシール

Infrastructure as Code (IaC) の着想

• 開発者がクラウドコンソールでボタンを押す手間を省くために Terraform や Pulumi が登場しました（コード変更のみでインフラ自動管理）。
• このアイデアをエージェンツとワードドキュメントに適用：
  • エージェンツは 直感的で可読性が高い HTML を編集する。
  • 別のプロセスがそれを実際の

    .docx

    ファイルに対して何を意味するかを特定する（リコンシール）。

ツールの開発史

• 既存ツール (pandoc, mammoth.js) は情報損失が多く、真のリコンシールできていませんでした。
• HTML を採用した理由:
  • 構造的親和性:

    <w:p>

    →

    <p>

    ,

    <w:hyperlink>

    →

    <a>

    ,

    <w:tbl>

    →

    <table>

    など、OOXML と構造が似ている。
  • スタイルの関連付け: CSS の仕組みは OOXML のスタイル方式と大筋同じ。
• 情報損失への対応:

  • pandoc

    や

    mammoth.js

    での最小限の変換は不可能でした。
  • ゼロから独自のツールを開発しました。

「リコンシリアー（再統合者）」モデルの採用

• エージェンツに HTML を編集させ、残りの課題を「HTML → OOXML の再統合」だけに絞ることで複雑性を削減しました。
• OOXML の膨大なオプションを扱うため、手書きコードで全エッジケースを追跡するのではなく、AI モデルを「リコンシリアー」として訓練しました。

学習プロセス

1. モデルの役割: HTML ↔ OOXML の多数の変更例を見せ、HTML 側の変更に対して必要な OOXML 対応を予測させる。
2. 推論フロー:
   • エージェンツによる HTML 上の意図を受け取る。
   • 有効な OOXML を出力する。
   • 結果を元のブロックと差分 (diff) 比較。
   • 追跡変更（Tracked Changes）を決定論的に計算し、ファイルにパッチ適用して返却。

評価：ベンチマークとデータセット

ベンチマーク設定

• テスト内容: 279 つのドキュメント編集タスクに対する比較。
• モデル:

  GPT 5.6 Sol

  と

  GPT 5.6 Terra

  （いずれもミディアム・リレーズニング設定）を使用。
• 比較対象ソリューション:
  • Vespper MCP (自社製品)
  • SuperDoc MCP (v0.18.1)
  • Office CLI (MCP 経由, v1.0.145)
  • Adeu MCP (v3.0.2)
  • Anthropic 社の DOCX skill
  • 素の python-docx Harness

評価手法の公平化（ニュートラライズ）

• システムプロンプト統一: すべてのソリューションで同一のプロンプトを使用（個別チューニングなし）。
• セットアップ作業の排除:
  • スキルロードやファイル開閉などの「世話仕事」を一括除去。
  • 例：DOCX skill はコンテキストにプリロード、SuperDoc のライフサイクルツールは非表示化。
  • すべての候補者は最初のターンから即座に編集可能にする。
• python-docx は基準点 (Floor): ツールなしのベースラインパフォーマンスを確認するため。

データセット構成

高品質なワード編集タスクを 3 つの段階で構築しました。

1. 生ドキュメント取得: docxcorp.us より政府・ヘルスケア・金融・法律分野の英文 DOCX を抽出（低確度分類物除外）。
2. タスク合成:
   • ブラウザでプレビュー可能な内部アノテーションツールを構築し、高速に編集タスクを合成・レビュー。
   • 指示は具体的かつ曖昧さを排除（例：「序論セクションを作成せよ」）。
   • 真の正解ドキュメントにはノイズがない（不要な変更なし）。
3. 最終データセット:
   • サイズ: 2,046 タスク（手動ラベル付け 300 + LLM-as-a-Judge/Fixer エージェントによる調整）。
   • 分割: ドキュメントレベルで 70/15/15 に分割（データリーク防止）。
   • 構成要素:

     original.docx

     ,

     modified.docx

     (ゴールドスタンダード),

     Prompt

     。

リコンシリアータタスク用データセット

• 要件: 正確性と極端な速度（法律ドキュメント編集には数十〜数百回の編集が必要で、1 回に 20 秒かかると UX が悪化するため）。
• アプローチ: 翻訳問題として再定式化。モデルは (

  html_old

  ,

  html_new

  ,

  xml_old

  ) を入力とし、単一ブロックに対してのみ

  xml_new

  を生成（推論・ツールコールなし）。
• 技術:
  • 3〜8B パラメータのモデルを使用。
  • LoRA (Low-rank adaptation) で軽量に訓練。
  • データはプロダクション環境からの自己監視データから採掘。
  • 最終データセット：約 16,000 タスク（学習/検証/テストで 70/15/15 分割）。

結果

総合的なパフォーマンス比較

• Vespper MCP が総合的に最善のパフォーマンスを発揮しました。

  • DOCX skill

    と比較して、コスト 2.7〜2.9 倍削減と速度 2.7〜3.5 倍向上。
  • 精度も高いです。

その他の洞察

• Office CLI: 非常に高額で低速（約 $0.24/task, ~57s/task）。Vespper と比較して約 4.5 倍高く、3.8 倍遅い。
• GPT 5.6 Terra + Vespper MCP: GPT 5.6 Sol + DOCX skill よりもわずかに良く、約 7 倍安く、約 3.7 倍高速。

ドキュメント長さによる安定性

• Vespper は長いファイルでも安定したパフォーマンスを維持します。
• 他のソリューションは長いドキュメントで通過率が約 74% に低下するのに対し、Vespper MCP エージェンツは安定しています。

主要タスク領域別の通過率（Pass Rate）

最大ギャップ: 「Tables（表）」、「Tracked changes（追跡変更）」、「Headings（見出し）」のカテゴリで Vespper MCP が明確に優位に立っています。

限界点

現時点でまだサポートしていない機能です。

• コメントの作成・返信
• 画像や動画の添付
• Latent styles（

  styles.xml

  に定義されていないスタイル）への対応

今後の予定: 次のバージョンでこれらの機能をサポートできるよう開発を進めています。

結論

• エージェンツが高忠実度の HTML アブストラクション を操作し、優れた リコンシリアータ を用いたアプローチが、ワードドキュメント編集ベンチマークにおいて以下の大幅な改善をもたらしました。
  • 遅延時間 (Latency) の削減
  • コスト の削減
  • 精度 の向上
• これらの改善により、高速ライブ編集体験や長期スパンのワークロードなど、高度なワード編集ユースケースが開通します。

アクションプラン:

• Vespper DOCX MCP を試してみたい場合は、登録はこちらから （※リンクは原文の意図に基づく）。
• エージェントビルダーと共に働き、彼らのエージェントがワードドキュメントを編集できるよう支援することを歓迎しています。

ご質問やご意見は founders@vespper.com へお気軽に送ってください 🙂