微软开源 Office 转 Markdown 神器!给 LLM 喂数据就靠它了

你手头有一堆 PDF、Word、PPT，想喂给大模型做 RAG 或者知识库，结果发现：

PDF 复制出来格式全乱，Word 里的表格提取出来对不齐，PPT 的文本散落在各个文本框里。

你想把它们变成 Markdown——LLM 读得最舒服的格式——但一个个手动转，费时费力。

微软开源了一个工具叫 MarkItDown，GitHub 上 125K Star，专门解决这个问题。

GitHub：https://github.com/microsoft/markitdown

它能转什么

MarkItDown 支持的格式，基本覆盖了日常遇到的所有文件类型：

• • PDF → Markdown
• • Word（.docx） → Markdown
• • PowerPoint（.pptx） → Markdown
• • Excel（.xlsx） → Markdown
• • 图片（JPEG/PNG，支持 OCR 提取文字）→ Markdown
• • HTML → Markdown
• • 音频（自动语音转文字）→ Markdown
• • Outlook 邮件 → Markdown
• • CSV / JSON / XML → Markdown
• • ZIP 压缩包（批量处理）→ Markdown

并且会保留原文档的结构——标题层级、列表、表格、链接，都不会丢。

为什么是 Markdown

LLM 对 Markdown 的"理解力"远超纯文本。

OpenAI 的 GPT-4o 等主流模型，在训练时就接触了大量 Markdown 格式的数据，它们"天生"就懂 Markdown。你给模型喂一份排版清晰的 Markdown，比喂一份纯文本，它能提取的信息量差很多。

而且 Markdown 的 token 效率也更高——同样的内容，Markdown 占的 token 比 HTML 少得多。

怎么用

安装一行命令：

pip install 'markitdown[all]'

命令行直接转：

markitdown example.pdf > output.md

Python 里调用：

from markitdown import MarkItDownmd = MarkItDown()result = md.convert("example.pptx")print(result.text_content)

如果你需要更高质量的结果，还可以接入 Azure Document Intelligence 或 Azure Content Understanding，用云端 API 做更深度的文档解析。

来自微软 AutoGen 团队

MarkItDown 由微软的 AutoGen 团队开发（就是那个做多 Agent 框架的团队）。

从 2024 年底发布到现在，一年多时间拿到了 125K Star，8K+ Fork。社区还贡献了 OCR 插件、各种格式扩展，生态一直在长。

对于做 RAG、知识库、AI 应用的人来说，这可能就是那个"每天都要用"的工具。

GitHub：https://github.com/microsoft/markitdown

写在最后

在 AI 应用开发里，有一个常被低估的环节：数据准备。

模型越来越强，但如果喂给模型的数据格式乱、内容残缺，再强的模型也发挥不出来。

MarkItDown 做的就是：把各种乱七八糟的文档，变成 LLM 最能吸收的格式。

微软做这种"不起眼但天天用"的工具，确实有一手。