做知识库的人都有一个痛：PDF 论文里的表格转出来全是乱的，Word 报告的排版全丢了，PPT 内容只剩一堆文字。Firecrawl 刚开源的 AnyDoc 能搞定 14 种格式，而且速度比 markitdown 快 30 倍，值得试一试。

一、为什么我们在意一个文档转换工具

如果你也在做知识库——不管是文献库、行业报告库还是技术文档库——你一定遇到过这个流程：

PDF/Word/PPT → 转 Markdown → 喂给 RAG / 知识图谱 / LLM

中间这一步「转 Markdown」看似简单，实际上是整个链路最大的质量瓶颈。转得好，下游 LLM 拿到的是干净的结构化文本；转得差，你给 LLM 喂的就是一堆被空格切碎的"伪表格"——几百行竖线开头的垃圾，对检索是毒药。

我之前一直用微软的 markitdown，它覆盖面广（PDF/Word/Excel/HTML/YouTube/音频都能搞），但有个老问题：PDF 表格还原差，论文里的超参表格按空格切碎，输出大量不完整的 Markdown 表格行。

所以当 Firecrawl 在 2026 年 8 月开源了 AnyDoc——一个用 Rust 写的、号称支持 14 种格式、中位转换速度 4.4ms 的文档解析引擎——我决定用真实文件跑一轮。

二、AnyDoc 是什么

AnyDoc 是 Firecrawl 开源的两个 Rust 文档解析库之一（MIT 协议，零 API key，本地执行）：

几个关键设计决策值得注意：

• 内容嗅探
  ：不看文件扩展名，直接检测文件实际内容。你把 docx 改名成 .txt 它也能正确解析
• 统一文档模型
  ：所有格式先转为统一的内部表示，再由单一 Markdown 序列化器输出。这意味着表格、列表、标题的还原逻辑是统一的，不会格式 A 产出一种表格、格式 B 产出另一种
• Fail loudly
  ：坏文件明确报错，不静默降质。这比"转出了但内容丢了一半你也不知道"好太多
• 多语言绑定
  ：Rust / Node.js / Python / WASM / CLI 都有，还能作为 Claude Code 和 Cursor 的 Agent Skill 直接调用

三、官方基准：速度快 30 倍，质量得分最高

Firecrawl 官方用一套私有语料做了基准测试，不仅速度更快，而且质量最高：

四、实测：用真实育种文档跑三轮对比

测试环境：Windows 11，Python 3.12，anydoc 0.1.8，markitdown[all] 最新版。测试文件来自我的实际工作区——智慧育种报告、基因组选择 PPT、玉米产量预测论文。

4.1 DOCX：智慧育种 AI 应用场景材料

结论：DOCX 两者打平。内容完整度一致，表格都能正确还原。AnyDoc 速度更快（体感瞬间完成 vs markitdown 需要几秒），但输出质量没有差异。

4.2 PPTX：技术演示文稿

结论：PPTX 也基本打平。两者都正确提取了每页标题和正文，丢失了图表中的视觉信息（这正常，都不是 OCR 工具）。AnyDoc 略快。

4.3 PDF论文（真正的分水岭）

markitdown 输出大了 26 KB，不是因为内容更丰富，而是因为它把 PDF 中的公式和间距用 pdfminer 按空格切成了 278 行破碎的"伪表格"。这些行看起来像 Markdown 表格（以 | 开头），但列数不统一、内容被截断，对 RAG 检索来说是噪音。

比如，原文中有一个表格：

AnyDoc 转换后表格基本能够还原：

而 markitdown 对同一段的输出长这样：

效果对比非常明显。

五、实测总结：一张表说清楚

六、什么时候用哪个

这不是一个"谁取代谁"的问题，而是工具链互补：

如果你的核心场景是把 Office 文档和文本型 PDF 喂给知识库，AnyDoc 是目前最好的选择。 如果你的场景更杂（图片、音频、扫描件），markitdown 仍然是兜底工具。

七、上手指南：一句话跑起来

AnyDoc 没有 CLI 入口，但 Python API 极简。如果你也在用 WorkBuddy（CodeBuddy），直接跟 AI 说：

"帮我安装 firecrawl-anydoc，创建一个持久 venv"

AI 会自动帮你完成以下操作：用 uv 创建一个专用虚拟环境（比如 C:/Users/你的用户名/.venvs/anydoc），安装 firecrawl-anydoc 包，然后验证安装是否成功。之后每次需要转换文档时，只需告诉 AI 文件路径，它就会调用这个环境里的 anydoc 完成转换。

如果你想手动调用，也很简单——一行 Python 搞定：

import anydoc
md = anydoc.to_markdown('your_file.pdf')

没有 API key，没有注册，没有网络请求，全部本地执行。

八、接入知识库工作流

如果你也在用 RAG 知识库（比如 llm-wiki），可以把 AnyDoc 接到文档消化的第一步：

原始文件（PDF/DOCX/PPTX）
    ↓ anydoc.to_markdown()
干净 Markdown
    ↓ LLM 提取实体/关系/摘要
结构化知识
    ↓ 写入知识库
可检索的知识页面

之前这个流程的第一步用的是 markitdown，现在切换到 AnyDoc 后，论文表格不再被切碎，下游 LLM 拿到的上下文质量明显提升——尤其是超参数表、性能对比表这类结构化信息，能被完整保留并提取。

写在最后

AnyDoc 不是一个革命性的工具——它做的事情（文档转 Markdown）并不新，但它做对了一件关键的事：把表格当表格对待，而不是当空格对待。

对于做知识库的人来说，这一个点的改善就足以改变整条链路的输出质量。

如果你今天就想把一堆 Word 报告和 PDF 论文转成干净的 Markdown，AnyDoc 值得一试。

相关链接

• AnyDoc GitHub: firecrawl/anydoc
• markitdown GitHub: microsoft/markitdown
• AnyDoc 官方博客: firecrawl.dev/blog/anydoc-and-pdf-inspector

本文基于 AnyDoc v0.1.8 和 markitdown 最新版的真实文件测试。测试文件包括智慧育种报告（DOCX）、基因组选择演示文稿（PPTX）和玉米产量预测论文（PDF）。