feat(conocimiento): leer Word/Excel/PowerPoint/PDF fuera del proceso main

[DannyBaanks]

What & why

PR 1 de la serie; va apilado sobre #3. Porta desde agentvivekkumar/dontbemichael (Vivek Kumar, MIT) el lector de documentos: docText.ts, docTextCli.ts y macOcr.ts.

Bug que corrige: knowledge.ingestFile indexaba un .docx, .xlsx o .pptx como los bytes del zip, reportaba éxito y nada del documento quedaba buscable. Los PDF dependían de pdftotext.

Qué cambia respecto al original: en vez de parsear en el proceso main, la app corre docTextCli --json en un proceso hijo (ELECTRON_RUN_AS_NODE, timeout de 240 s, salida máxima de 64 MB). Así, un PDF o un zip hostil que explote pdf.js o fflate solo tumba ese proceso desechable y no el que guarda las PTYs y los secretos. KnowledgeManager.setExtractor() permite inyectar el extractor, y los tests usan el que corre en el mismo proceso.

Además:

• kg:ingestFiles y kg:addFiles ahora son async e ingieren de uno en uno, porque index.jsonl solo admite escritura al final y en paralelo las líneas se mezclarían.
• kg-core guarda qué conversor produjo cada documento y su mime.
• Los agentes reciben en su prompt el comando exacto de doc-text, usando el Node del hive (funciona igual en Windows).
• El OCR (macOcr) y textutil son solo para macOS. En Linux y Windows esos formatos responden "unsupported" con una razón y el resto (OOXML y PDF) funciona igual.

Type of change

• Bug fix
• New feature

Evidence

Before

knowledge.ingestFile('cotizacion.docx') devolvía un docId, pero el índice contenía PK\^C\^D… (el contenedor zip), y buscar "licencias" no encontraba nada.

After

CLI compilado (out/main/docTextCli.js), tal como lo corre la app:

$ ELECTRON_RUN_AS_NODE=1 node out/main/docTextCli.js --json cotizacion.docx
{"kind":"text","text":"Cotizacion ISyCo: 40 licencias","extractor":"docx-xml@1","modality":"doc",...}
$ ELECTRON_RUN_AS_NODE=1 node out/main/docTextCli.js --json basura.bin
{"kind":"unreadable","reason":"This isn't a document the app can read. Add it as Word, Excel, PowerPoint, PDF or plain text."}

Tests: doc-text 15/15, doc-text-cli 5/5, knowledge-ingest 4/4 (incluye uno nuevo que prueba que se usa el extractor inyectado y que lo ilegible se rechaza).

How I tested it

• OS: Linux (contenedor), Node 22
• Steps: npm run typecheck (limpio), electron-vite build (genera docTextCli.js), el CLI compilado sobre un .docx y un binario, y la suite completa: 874 pasan. Los 5 fallos son los mismos de entorno que ya había en main (node-pty y Electron sin compilar en el contenedor).

Checklist

• Before/after arriba.
• npm run typecheck pasa.
• npm run build genera las dos entradas.
• Leí el diff.

🤖 Generated with Claude Code

---

Generated by Claude Code

[github-actions]

🚫 This PR is missing its before/after evidence

Every pull request here has to show its work. Screenshots or a short screen recording, before the change and after it.

• Before — no image or video under that heading
• After — no image or video under that heading

How to fix it: edit the description, keep the ### Before and ### After headings from the template, and drag an image or video under each. GitHub uploads it inline. This check re-runs the moment you save.

A bug fix with no visible surface still needs it: show the failing behaviour, then the same steps passing. A terminal recording is fine.

Genuinely nothing to show — a CI tweak, a typo, a dependency bump? A maintainer can apply the no-visual-change label. Please don't ask unless it truly has no observable effect.

📖 CONTRIBUTING.md → Evidence is mandatory

[DannyBaanks]

Estado del CI en este PR. Los tres rojos vienen de main, no de este cambio:

1. Tests: test/bridge-opencode.test.cjs falla en macOS (--unlink no borra nada porque /var es un symlink a /private/var). El arreglo está en fix(bridge-opencode): --unlink compara rutas canónicas (CI de main rojo en macOS) #9 y ya lo porté aquí (head e01d369). El run está en curso.
2. Typecheck → "Release links consistent": también está rojo en main (2be6fb9) y en e5186bc. tools/check-release-links.cjs solo acepta versiones x.y.z, y la versión del fork es 0.5.2-ISyCo.1; además docs/llms.txt dice 0.4.6. Todavía no hay arreglo: hay que decidir si el check se adapta a versiones con sufijo o se quita del CI del fork.
3. Before / after evidence: exige imágenes o video bajo Before/After, y yo no puedo subirlos. La evidencia está en texto en la descripción. Si te parece suficiente, ponle la etiqueta no-visual-change.

---

Generated by Claude Code