doc7:用你自己的多模态模型把任意文档转成 AI 可直接读的 Markdown

它解决什么问题，适合谁

PDF、扫描件、PPT、表格、截图、公式和图解，往往有很深的视觉结构，却很难被 AI 直接读取。doc7 用一句话概括它的用途：把任意文档变成 AI 可以检索、引用和推理的 Markdown。

它把整个页面当作一张图交给你的多模态模型来"看懂"，而不是只做字符抽取，因此能保留标题层级、表格数值、公式、图表趋势和流程图的空间关系，最终合并为一份统一的可搜索 Markdown。官方自称"Any document in, AI-ready Markdown out"，即任何文档进、AI 可读的 Markdown 出。

它适合做 RAG 知识库、Agent 知识底座、研究报告和截图归档的开发者与 AI 用户。前提是你已有一个 OpenAI 兼容的多模态模型，无论它跑在本地、私有服务器还是云端。如果你手头已有这样的模型，doc7 的目标是让你复用它，而不是再为每一页文档向云解析服务付费。

核心工作方式与真实边界

doc7 的核心思路是"整页视觉理解"：每页被渲染成图像，再让模型逐页转写为 Markdown。它不内嵌模型，模型始终运行在你配置的端点；也不内置 OCR 栈，除非你选择开启基于自带文本层的精确值校验。同一套流程覆盖文本、表格、公式、图表、截图乃至 Jupyter 笔记本和邮件，输出会保留页面编号、来源清单和逐页的模型归属信息，方便后续核对。

它是"一页一图、逐页理解"，而不同格式只是进入同一套流程的不同容器，因此不会有每种格式一套专属解析器的维护负担。转换时模型请求采用温度为零以保证可重复，每页默认有 8192 个输出 token 的上限。

真实边界值得说清楚。质量、速度和最低硬件取决于你选用的模型与量化档位，doc7 不声称所有模型结果一致；长文档可断点续跑，但模型超出上下文或输出上限时，该页会被标记为失败而不是写入截断内容。纯文本与数据格式是本地直接转换、不依赖视觉模型；而视觉格式才需要你的多模态端点。

转换后保留了哪些信息

从官方说明看，转换输出不是单纯的文字转写，而是尽量保留页面上有意义的视觉与结构信息，整理成下表这样便于理解：

页面内容	Markdown 结果
标题、段落、列表、引用、代码	原生 Markdown 结构
表格与电子表格	带数值和单位的 Markdown/HTML 表格
数学符号	行内或独立 LaTeX
图表与流程图	标签、数值、趋势、关系作为可搜索文本
截图与应用状态	可见的状态、报错、控件与操作

最短可运行示例

先安装，再启动一个本地视觉模型，然后直接转换文件：

# macOS 或 Linux 安装
curl -fsSL https://raw.githubusercontent.com/magicrew/doc7/main/scripts/install.sh | bash

# 启动 LM Studio 或 Ollama，加载一个本地视觉模型后：
doc7 report.pdf     # 把 PDF 转成 AI-ready Markdown
doc7 screenshot.png # 截图同样按整页视觉理解处理

首次运行会自动发现本机模型端点并保存你的选择。需要远程端点时用 doc7 setup 配置。常用校验与批处理命令：

doc7 models --base-url http://localhost:8000/v1   # 查看端点模型 ID
doc7 doctor --check-model                          # 检查依赖并真发一张测试图
doc7 read report.pdf -o report-doc7                # 显式输出到目录
doc7 read ./documents -o ./knowledge               # 批量递归目录
doc7 read report.pdf --stdout > report.md          # 直接输出到管道

依赖与维护

不同格式依赖不同渲染组件，这是最常用的确认清单：

Office 与 OpenDocument：需要安装 LibreOffice。
PDF：优先使用 MuPDF，缺失时由 doc7 doctor 提示平台替代方案。
HTML、SVG、EPUB、EML 与笔记本：需要 Chrome、Chromium 或 Edge 参与渲染。
纯文本与数据格式：本地转换，不依赖视觉模型。

项目更新可通过 doc7 update 完成，会校验官方 checksums.txt。目前它以 CLI 为核心，同时提供 Go SDK、MCP 工具和本地 HTTP 服务，方便接入现有工具链。安装脚本会把可执行文件装进当前用户目录，不需要管理员权限，也不会改动系统级路径。

隐私、安全与风险提示
doc7 以当前用户权限运行 LibreOffice、Chromium 等渲染器，因此要把不受信任的 Office、HTML、SVG、邮件或压缩包当作"活跃输入"，对不可信任务使用隔离账户或容器。使用远程端点前，doc7 会明确提示文档内容将离开本机，并且 API 密钥只会随请求发送到你所配置的端点，务必先确认端点可信。本地渲染依赖与模型上下文窗口也决定了它的能力上限，量产前建议先跑 doc7 doctor 验证依赖与模型连通。

在GitHub 仓库的基准目录里，作者基于一篇真实论文页面与一份视觉报告，用同一个本地模型对比了 doc7、MarkItDown 和 Docling，并把每次运行的原始输出、SHA-256 摘要与评分规则一并提交供核验。这些数字来自项目自证的特定输入场景，并不构成对所有产品的普适排序，引用时应视为作者的测量材料而非第三方结论。需要说明的是，本文提到的 Stars、许可证、主要语言和版本数字，均取自在执行时刻查询的官方仓库数据，未作任何沿用或推断。

支持哪些输入，值得为谁安装

doc7 覆盖的范围很宽，按类别大致包括：

文档：PDF、DOCX/DOC、ODT、RTF 与常见衍生格式。
演示与表格：PPTX/PPT、XLSX/XLS 与各自模板格式、ODP、ODS。
电子书与邮件：EPUB、EML、MHTML/MHT、Outlook MSG。
笔记本与图片：Jupyter 笔记本，PNG、JPEG、WebP、多页 TIFF、SVG 及有序图片目录。
文本、数据与网页：Markdown、TXT、CSV、JSON、XML、YAML、HTML、URL 与压缩包。

它最大的价值在于"复用一个多模态模型"和"把文档留在你自己可控的基础设施里"。对已经有本地量化模型、希望消除按页计费文档解析账单的团队，或对文档隐私敏感、需要在内部网完成转换的用户，这类整页视觉理解的思路尤其适用。反过来，如果你刚接触大模型、不愿意维护本地推理或本地渲染依赖，那么它带来的部署成本会高于直接用云解析服务，安装前值得先评估这份权衡。

官方资料

GitHub 仓库：magicrew/doc7
Releases：当前最新版本 v0.1.1
README：完整安装、配置与 CLI 说明
许可证：MIT