ezer-mishpati/legal-ai
1
0
Fork 0
Code Issues 29 Pull Requests 1 Actions Packages Projects Releases Wiki Activity

extractor._text_quality_ok לא מזהה סדר-קריאה RTL משובש ב-PDF דיגיטלי #456

New Issue
Open
opened 2026-08-05 11:01:20 +00:00 by chaim · 0 comments
chaim commented 2026-08-05 11:01:20 +00:00
Owner
Copy Link

What & Why

שכבת-טקסט born-digital עוברת את שער-האיכות אך סדר-הקריאה RTL משובש → OCR (Mistral/vision) לא מופעל, וסיכומים במורד-הזרם מסלפים את המקור. נצפה בערר 1043-02-26 (כתב תשובה הוועדה המקומית מטה יהודה, doc f5ad19e7). תוקן ידנית לתיק זה ע"י re-OCR (Gemini vision) + עדכון extracted_text + re-chunk. דרוש תיקון-שורש בפייפליין.

הקשר ופירוט

מיקום: mcp-server/src/legal_mcp/services/extractor.py — _text_quality_ok (~ל.93) ו-_extract_pdf (~ל.189). המדדים הנוכחיים (אורך-מילה ממוצע, single-char %, מילים/שורה, % עברית) לא תופסים RTL scrambled. הצעות: (1) היוריסטיקת סדר — יחס טוקנים הפוכים/שבורים, ריצוף מספרים מפוצל (למשל "137" מפוצל לשורות), מילים "דבוקות-הפוכות"; (2) fallback ל-vision OCR (Gemini — GOOGLE_GEMINI_API_KEY זמין מקומית) כשה-quality-gate גבולי; (3) דגל per-doc לאלץ OCR. לעבור דרך docs/spec (01-ingest) + PR + review; מקיים G1 (נרמול-במקור) ו-G2 (לא מסלול-OCR מקביל — לשלב במסלול הקיים). אין לבצע inline בהרצת-יו"ר.

Acceptance Criteria

⚠️ טרם הוגדרו. המשימה הועברה מ-TaskMaster ללא testStrategy.
לפני לקיחתה — להגדיר AC ולסמן status:ready (כלל התבנית: issue ללא AC אינו pickable).

הועבר מ-TaskMaster (tag legal-ai, id 230, status היה pending) ב-2026-08-05. הפניות (#230) בהודעות-commit ישנות מתייחסות למזהה ה-TaskMaster, לא למספר ה-issue הזה.

## What & Why שכבת-טקסט born-digital עוברת את שער-האיכות אך סדר-הקריאה RTL משובש → OCR (Mistral/vision) לא מופעל, וסיכומים במורד-הזרם מסלפים את המקור. נצפה בערר 1043-02-26 (כתב תשובה הוועדה המקומית מטה יהודה, doc f5ad19e7). תוקן ידנית לתיק זה ע"י re-OCR (Gemini vision) + עדכון extracted_text + re-chunk. דרוש תיקון-שורש בפייפליין. ## הקשר ופירוט מיקום: mcp-server/src/legal_mcp/services/extractor.py — _text_quality_ok (~ל.93) ו-_extract_pdf (~ל.189). המדדים הנוכחיים (אורך-מילה ממוצע, single-char %, מילים/שורה, % עברית) לא תופסים RTL scrambled. הצעות: (1) היוריסטיקת סדר — יחס טוקנים הפוכים/שבורים, ריצוף מספרים מפוצל (למשל "137" מפוצל לשורות), מילים "דבוקות-הפוכות"; (2) fallback ל-vision OCR (Gemini — GOOGLE_GEMINI_API_KEY זמין מקומית) כשה-quality-gate גבולי; (3) דגל per-doc לאלץ OCR. לעבור דרך docs/spec (01-ingest) + PR + review; מקיים G1 (נרמול-במקור) ו-G2 (לא מסלול-OCR מקביל — לשלב במסלול הקיים). אין לבצע inline בהרצת-יו"ר. ## Acceptance Criteria > ⚠️ **טרם הוגדרו.** המשימה הועברה מ-TaskMaster ללא `testStrategy`. > לפני לקיחתה — להגדיר AC ולסמן `status:ready` (כלל התבנית: issue ללא AC אינו pickable). --- <sub>הועבר מ-TaskMaster (tag `legal-ai`, id **230**, status היה `pending`) ב-2026-08-05. הפניות `(#230)` בהודעות-commit ישנות מתייחסות למזהה ה-TaskMaster, לא למספר ה-issue הזה.</sub>
chaim added the area:extractionpriority:p2-normaltype:bug labels 2026-08-05 11:01:20 +00:00
Sign in to join this conversation.
No Branch/Tag Specified
Branches Tags
Labels
Clear labels
area:agents
סוכני Paperclip, תזמור, שער-הפלטפורמה (X15)
 area:backend
FastAPI web/, endpoints
 area:ci
Gitea Actions, שערי-CI
 area:docs
ספ-המערכת, תיעוד, תכנון
 area:extraction
קליטה, OCR, חילוץ הלכות/מטא/טענות/תכניות
 area:frontend
web-ui/ (Next.js), RTL
 area:infra
Deploy, Coolify, MinIO, אחסון, גיבויים
 area:mcp
שרת ה-MCP וחוזה-הכלים (X9)
 area:retrieval
RAG, חיפוש, קורפוס, גרף-ציטוטים, יומונים
 area:security
אבטחה, סודות, PII, audit
 area:writing
12 הבלוקים, סגנון דפנה, QA, רכישת-סגנון
 priority:p0-blocker
Blocks everything
 priority:p1-high
High priority
 priority:p2-normal
Normal priority
 priority:p3-low
Low priority / nice to have
 size:l
a week+ — consider splitting
 size:m
2-3 days
 size:s
~1 day
 size:xs
< half a day
 status:blocked
Waiting on another issue/decision
 status:deferred
Decided to defer — parked backlog; not auto-picked
 status:good-first-issue
Small, self-contained starting point
 status:in-progress
Being worked on (a branch/worktree exists)
 status:in-review
A PR is open for this issue
 status:needs-decision
Requires a call before proceeding
 status:ready
Scoped + pickable (has acceptance criteria + size)
 type:bug
Something works incorrectly
 type:chore
Infra, deps, refactor, CI, docs
 type:feature
New capability
 type:spike
Time-boxed investigation -> a decision/doc
No Label area:extraction priority:p2-normal type:bug
Milestone
No items
No Milestone
Projects
Clear projects
No project
Assignees
Clear assignees
chaim
No Assignees
1 Participants
Notifications
Due Date
No due date set.
Dependencies

No dependencies set.

Reference: ezer-mishpati/legal-ai#456
Delete Branch "%!s()"

Deleting a branch is permanent. Although the deleted branch may continue to exist for a short time before it actually gets removed, it CANNOT be undone in most cases. Continue?