政务红头文件 16 表零丢失：docx 结构化还原实战
一份典型的中文政务红头文件（2019 年印发）需要交给 AI 使用。这份 docx 有 6 章 77 条、16 个附表，表格里塞满了合并单元格、□勾选框、跨页表——是政务文档的典型样貌。
问题：行业都在「把纸猜成字」
直接喂给 AI 是浪费。行业主流做法是「把纸猜成字」（OCR / 版面分析），但这是原生电子文档，信息本来无损——pandoc 直转实测 16 个表格全部丢失，微软 markitdown 不还原合并单元格。扫描件赛道的 SOTA（OmniDocBench 端到端）表格 TEDS 也只有 0.78。
做法：直读原生结构，零 OCR
用本象协议 office 方言直读 docx 的 OOXML 结构，零 OCR：
- 6 章 →
##标题，77 条 →###标题，AI 可以精确锚定「第五十条」 - 16 个表格全部还原为 Markdown 管道表（213 表行），合并单元格按 gridSpan / vMerge 展开
- □勾选框、表号、审核编号、备注说明全部保留
- 零依赖 Node 实现，一条命令：
node adapters/office/import.mjs 文件.docx 输出.md
结果：213 行表格零丢失
62KB 结构化 Markdown，表格 213 行零丢失。对照 pandoc（0 表）和 markitdown（合并丢失），在「原生文档结构还原」这条赛道上做到结构 100% 保真——因为信息源无损，根本不需要猜。
意义：原生电子文档是无人区
行业把火力全放在 PDF 扫描件上，原生电子文档反而没人认真做。本象协议把「docx → 可验证的状态对象」定义为一条新赛道：转换结果可回滚、可追溯、条款可锚定——这是给 AI 的持久记忆层，不是一次性导出。
GitHub：本象协议 2origin（Apache-2.0，零依赖）