Kurage OCR Work（kocrwork）

客先で OCR（AI-OCR）のデモを即興で組むためのフレームワーク。 OCR エンジンと生成AIの使い方を切り替えて、同じ書類を読み比べ、項目を取り出して受注登録まで見せられる。 画面・HTTP API・MCP（AI エージェント）・コマンドが、すべて同じ処理（kocrwork/pipeline.py）を通る。

公開デモ: https://proto.exbridge.jp/kocrwork.php/

切り替えられるもの

何を	選択肢	どこで
OCR エンジン	tesseract / ocrmypdf（Tesseract＋OCRmyPDF） / paddleocr / docling / llm-vision（生成AIで直接読む） / mineru（追加の部品）	画面・API の engines
生成AIの使い方	none（使わない・規則で拾う） / text（OCR の文字から項目に） / vision（画像を直接見て項目に）	画面・API の llm
生成AIの置き場所	ローカルの Ollama（既定 gemma4） / OpenAI 互換 API	.env の KOCR_LLM_KIND ほか
取り出す項目	profiles/*.json（注文書・手書きFAX・全文だけ）	ファイルを1つ足す
受注の送り先	台帳（SQLite）＋CSV／KOCR_WEBHOOK に JSON を POST	.env

見本での実測（正解との一致率・2026-10-03）

書類	読み方	一致
印刷の注文書	PaddleOCR＋規則（AIなし）	100%
文字の層がある PDF	Docling＋規則	100%
スキャンした PDF	Tesseract＋OCRmyPDF＋規則	81〜86%
手書きで記入した FAX	PaddleOCR＋規則	33%
〃	PaddleOCR＋生成AI（文字から）	73%
〃	PaddleOCR＋生成AI（画像を見て）	93〜97%

見本は samples/make_samples.py で作る（会社名・品目は架空）。手書きは手書き風フォント（Yomogi・SIL OFL）で作ったもので、本物の手書きではない。 客先では、その会社の本物の FAX で試して数字を出し直す。速さは CPU 16コアで PaddleOCR 1ページ約20秒（初回はモデルの読み込みで+20秒）。

客先で組み替える手順

1. 書類の種類を足す: profiles/order.json をコピーして profiles/invoice.json などにし、fields（見出しの語 rule つき）と items（明細の列）を書き換える。画面の入力欄・生成AIへの指示・規則での拾い方がすべて変わる。extends で既存の設定を引き継げる。
2. 合う読み方を探す: 画面で「全部で読み比べる」を押し、生成AIの使い方を3通り試す。客先の書類の正解を samples/truth.json の形で用意すれば一致率も出る。
3. 既定を決める: プロファイルの default_engine / default_llm に書く。
4. 受注の送り先をつなぐ: .env に KOCR_WEBHOOK=https://… を書くと、登録のたびに {"created","source","order"} を POST する。基幹や kintone へは、この JSON を受ける中継を1本書く。

エンジンを足す

kocrwork/engines.py に Engine を継承したクラスを書いて ENGINES に1行足す。read() は OcrResult(text, lines, markdown, files) を返す。画面・API・MCP に自動で出る。

起動

python3 -m venv --system-site-packages .venv      # PaddleOCR を共有するなら system-site-packages
.venv/bin/pip install docling ocrmypdf pymupdf mcp python-multipart httpx "fastapi>=0.120" uvicorn paddleocr paddlepaddle
.venv/bin/python samples/make_samples.py
.venv/bin/python -m uvicorn kocrwork.app:app --port 18348      # 画面 http://localhost:18348/
.venv/bin/python -m kocrwork samples/order_fax_hand.png --engine paddleocr --llm vision   # コマンド

• Tesseract の日本語（jpn jpn_vert）は tessdata/ に置く（KOCR_TESSDATA で変更可）。
• 生成AIは既定で http://localhost:11434（Ollama）の gemma4:12b-it-qat（KOCR_OLLAMA_URL / KOCR_TEXT_MODEL / KOCR_VISION_MODEL）。gemma4 は思考型なので think:false を付けて呼んでいる。
• PaddleOCR は CPU で動かす（Paddle 3.3 の oneDNN は落ちるので切っている）。

MCP（AI エージェントから使う）

{"mcpServers":{"kocrwork":{"command":"/path/to/kocrwork/.venv/bin/python","args":["-m","kocrwork.mcp_server"]}}}

道具: list_engines / read_document(path, engine, llm, profile) / register_order(data) / list_orders

HTTP API

• GET api/meta … エンジン・生成AIの使い方・書類の種類・見本
• POST api/upload（multipart file）→ {src}
• POST api/run {src, engines[], llm, profile} → {job} → GET api/job/{job}（読み取りは時間がかかるので非同期）
• POST api/orders {data} / GET api/orders / GET api/orders.csv / DELETE api/orders/{id}
• 受注の台帳は見る人（cookie）ごとに分かれる。公開デモで他人の登録は見えない。上げたファイルは24時間で消える。

ライセンス

本体は MIT。同梱・利用している部品: PaddleOCR（Apache-2.0）・Tesseract（Apache-2.0）・OCRmyPDF（MPL-2.0）・Docling（MIT）・PyMuPDF（AGPL-3.0／商用ライセンスあり）・フォント Yomogi / Zen Kurenaido（SIL OFL）。 MinerU は同梱しない（一定規模以上の会社には別の商用ライセンスが要る）。使う場合は利用者が自分で入れる。 PyMuPDF は AGPL なので、製品として配る場合は pypdfium2 などへの置き換えか、商用ライセンスを検討する。

株式会社エクスブリッジ（名古屋市） https://exbridge.jp/