Vespper 利用 HTML 投影技术让 AI 编辑 Word 文档速度提升三倍

Word 文档本质上是遵循 OOXML 规范的 XML 文件压缩包。若让 AI Agent 直接操作 .docx，需要经历解压、grep、sed 或调用 python-docx 脚本，这种底层操作极其消耗 Token。例如在 numbering.xml 中新建 ID 并链接至 document.xml 才能增加有序列表，而简单的加粗操作可能导致段落被拆分为三个以上的 run 元素，极易使 Agent 因上下文窗口爆满而迷失。

YC F24 的 Vespper 推出了一个基于 MCP（Model Context Protocol）的工具来解决此问题。他们避开了让 Agent 直接解析 XML 或使用 Pandoc 等高损耗转换工具，而是将 .docx 投影为 HTML。Agent 像编辑网页一样进行查找与替换，最后将改动合并回原文件。

在法律、金融和医疗领域，Word 文档是最终交付物，合同、监管提交文件及审计报告通常在 .docx 中起草、修订并签署，企业往往依赖大量的 Word 模板。尽管 Microsoft Copilot 和 Claude in Word 将文档 AI 主流化，且法律科技等垂直领域的 Agent 需求增加，但 AI Agent 在处理 Word 文档时依然困难。

创始人 Dudu 和 Topaz 在为制药公司构建 AI 文档编辑器时发现，面对数万字且格式严格的临床研究报告（CSR），现有方案存在三个瓶颈：

1. 底层库过于繁琐：调用 Open XML SDK 或 python-docx 需要 Agent 学习 API 并处理 XML 结构，Token 成本极高。
2. 专用 MCP 引入新 DSL：SuperDoc、Office CLI、safe-docx 或 Adeu 等工具提供了预定义指令，迫使 Agent 学习领域特定语言（DSL），增加了推理负担。
3. 中间格式损耗严重：通过 Pandoc 或 mammoth.js 将 Word 转为 Markdown/HTML 再转回，会导致样式和排版丢失。

在这种 Round-trip 过程中，如果使用有损投影，文档格式容易崩溃。此前填充一份 CSR 文档约需 50 分钟，且常出现字段缺失或样式混乱，Harvey.ai 团队也发现 Agent 在调试失败编辑和探索结构上浪费了大量时间。

Vespper 的核心在于将 HTML 作为代理层。他们开发的转换器在保留高保真度的同时，让 Agent 能读懂布局。原始文件作为唯一真相源，HTML 仅作为视图。Agent 在 HTML 上执行查找替换，后端将其精准映射回 .docx。选择 HTML 是因为其结构与 CSS 的关联方式更接近 OOXML 的逻辑。

内部基准测试显示，该方案比最接近的替代方案速度快 3 倍，成本降低 2 倍，且准确性更高。

这是一个标准 MCP 服务，可集成至 Cursor、Claude Desktop 等框架。安装 @vespper/mcp 包：

npm install @vespper/mcp

在 Claude Desktop 的 claude_desktop_config.json 中配置：

{
  "mcpServers": {
    "vespper": {
      "command": "npx",
      "args": ["-y", "@vespper/mcp"]
    }
  }
}

配置完成后，上传 .docx 并指令 Agent 修改特定段落（如“患者筛选标准”）且保持加粗和列表格式，Agent 即可完成底层映射并返回文件。

目前该工具仍较新，性能数据主要对比通用大模型与脚本组合。面对极复杂嵌套表格或大量自定义样式时，可能会出现样式漂移，建议先用典型模板跑全流程。此外，Vespper 的模型经过微调，虽然增强了对 Word 结构的理解，但也具有一定封闭性。对于模板规整且数量巨大的文档，这种专用 MCP 能显著减少调试时间。