ChatGPT や Claude を毎日使っていると、地味に増えていくものがあります。

text noise です。

例えば：

壊れた bullet
duplicated line
invisible char
weird spacing
PDF コピペ由来の崩れ
微妙に壊れた Markdown

内容自体は正しいのに、そのまま貼るには微妙につらい。

最初は普通に ChatGPT に：

「内容は変えずに整形だけしてください」

と頼んでいました。

でも、これが結構 unstable でした。

昨日と今日で結果が違う
句読点が変わる
たまに勝手に要約する
bullet 構造まで変わる

もちろん LLM が悪いというより、あれは「生成」の道具なので、そもそも用途が違うんですよね。

欲しかったのは：

input X
→ output Y

が毎回固定されること。

つまり：

deterministic

な post-processing でした。

そこで作ったのが kiln

🔥 https://kiln.ooo/

ブラウザだけで動く text-cleanup pipeline です。

内部はかなり単純で、

input
→ parse
→ normalize
→ transform
→ render
→ output

という、小さい module の直列 pipeline になっています。

TeX、Unix pipe、sed / awk、compiler pass pipeline あたりの影響がかなり強いです。

例えば：

unicode-normalize
bullet-normalize
spacing
dedupe
dropempty

みたいな module が順番に text を変換していく。

AI 的な「いい感じに整形する」というより、

small deterministic transforms

を積み上げる方向です。

observable pipeline

kiln でちょっと気に入っているのが、pipeline trace を console に全部出しているところです。

例えば：

✓
→ 実際に text を変更した

-
→ module は走ったが変更はなかった

という意味です。

最初は debug 用だったんですが、使っているうちに：

「どの transform が何をやったか見える」

のがかなり重要だと気付きました。

例えば：

dedupe ✓
→ 重複検出は走ってる
dedupe -
→ module は動いたが比較条件に引っかからなかった
module 自体が出てない
→ preset / state 側の問題

みたいに、問題位置を trace から追える。

この辺は compiler pass trace や ffmpeg filter chain にかなり近い感覚があります。

実際に流している text

今の kiln では、こういうかなり雑な text をそのまま投入しています。

- • ripgrep
• - jq
* • sed


- duplicated line
- duplicated line


目標達成率は 102% です 。


「 こんにちは 」


# Q3 営業戦略会議 議事録

* 参加者: 田中・山田・鈴木

- 議題1: 売上目標について

- 議題1: 売上目標について

田中さんから報告がありました。

β版リリースは6月中旬を予定


β版リリースは6月中旬を予定

clean preset を通すと：

- ripgrep
- jq
- sed

- duplicated line

目標達成率は 102% です。

「こんにちは」

# Q3 営業戦略会議 議事録

- 参加者: 田中・山田・鈴木
- 議題1: 売上目標について

田中さんから報告がありました。

β版リリースは6月中旬を予定

みたいな形になります。

やっていること自体は地味です。

duplicated line を潰す
bullet 記号を統一
invisible char を除去
weird spacing cleanup
CJK punctuation 周りを normalize

ただ、この「地味な崩れ」、LLM を毎日触っていると本当に永遠に発生します。

normalize と transform を分けている

kiln の内部でかなり意識しているのが、

normalize
≠
transform

を分離することです。

例えば：

normalize

spacing
unicode normalization
invisible-char cleanup
punctuation cleanup

みたいな、

non-semantic cleanup

層。

transform

dedupe
regroup
paragraph collapse
limit

みたいな、

structure rewrite

層。

これを混ぜると module の責務が崩れやすいので、かなり分けています。

「賢い」より「決定論的」

LLM 系 tool と kiln の一番大きな違いは、多分ここです。

	LLM wrapper	kiln
出力	stochastic	deterministic
内部	opaque	observable
debugging	prompt 調整	pipeline trace
transform	heuristic	explicit ops

kiln は：

predictability > intelligence

寄りです。

同じ入力なら毎回同じ結果が返ってきて、
しかも「どの module が text を変えたか」が見える。

地味なんですが、業務の “配管” 層って、結局このくらい deterministic なほうが扱いやすいんですよね。

UI も pipeline として設計している

ちなみに UI もかなり pipeline 的です。

drawer
board
projector

を分けています。

drawer → source
board → working text
projector → transformed output

みたいな役割。

単なる UI 分割というより、

execution surface

として設計しています。

まとめ

最初は単純に：

ChatGPT の出力がちょっと汚い

というところから始まりました。

でも作っているうちに、

observable deterministic text pipeline

みたいな方向にどんどん寄っていきました。

今でもやっていること自体はかなり地味です。

weird spacing
duplicated line
bullet sludge
invisible char cleanup

ただ、LLM 時代の text workflow だと、この辺の “配管” が毎日発生する。

なので今は、

LLM に生成させる
↓
deterministic pipeline で post-process する

という分離がかなりしっくり来ています。

🔥 kiln
https://kiln.ooo/

ブラウザだけで動きます。
PDF / DOCX / HTML / EPUB もそのまま投入できます。