【GitHub开源】给AI喂文档前,先用anydoc把14种格式转成Markdown

给 AI 应用喂文档，最磨人的一步就是文档转 Markdown。几百份 PDF、Word、PPT 要一份份处理干净，才能喂给模型。

GitHub 上刚火的 anydoc，把这件事压到了 4.4 毫秒。建议先收藏，后面讲怎么用。

这活儿坑比想象中多。每个库只覆盖一部分格式，markitdown 只跑通 6 种，pandoc 5 种，docling 4 种。

想全支持，就得把四五个库拼起来，各自的依赖、输出格式和失败方式都不一样。转完的风格还不统一，喂给模型效果打折。

速度也让人着急。LibreOffice 转一个文件要一秒钟以上，复杂表格容易乱码，合并单元格直接丢失。

更离谱的是，有人传过来的文件后缀写 .docx，内容其实是 PDF，解析程序当场崩溃。

anydoc 是 Firecrawl 开源的一个 Rust 库，把办公文档和 PDF 全部转成 GitHub Flavored Markdown。

复杂结构都在：标题带锚点、合并单元格表格、脚注、任务列表、演讲者备注。没 API key、没系统依赖，npm 包零依赖。

官方基准用了 100 个真实文档、14 种格式，再用 Claude 盲评打分。anydoc 的中位转换时间是 4.4 毫秒，比 LibreOffice 快了约 250 倍。

全场只有 anydoc 覆盖全部 14 种格式，质量分 81 也是最高，单项全拿第一。

anydoc 的设计思路是先统一再输出。每种格式先走自己的解析器，全部汇入同一个共享文档模型，再经同一个 Markdown 序列化器输出。

所以转义、表格、标题锚点这些行为，在所有格式下完全一致。一处修复，全格式生效，比如 docx 的表格转义修好，rtf、odt 自动跟着好。

还有个细节很实用。它按文件内容识别格式，压根不看扩展名。PDF 头、RTF 开放组、ZIP 的 mimetype，靠这些内容标记，后缀名造假的文件也能正常转换。

最省事的是 CLI，一行命令，Markdown 直接输出到终端：

Python 和 Node 也有官方包，装完几行代码就能转：

它还以 Agent Skill 形式发布，npx skills add firecrawl/anydoc 即可让 Claude Code、Cursor 等代理直接读文档。

值得一提，anydoc 就是 Firecrawl 自家 Parse 服务的底层引擎，托管版额外带 OCR，扫描件也能处理。

浏览器版用 WebAssembly 跑在本地，文件不离开你的机器，合同也能放心转。

说实话，这个项目上线不到两周就冲到 1 万星，不意外。它解决的正是 RAG 和 Agent 落地时最磨人的一环，把文档洗干净喂给模型。

如果你也在做文档处理流水线，去 GitHub 给它点个 Star 吧。

#anydoc #开源 #RAG #文档转换 #Markdown #AI工具 #LLM #效率工具 #Firecrawl #GitHub

 { 感谢阅读 }

如果本文对您有帮助，欢迎 “点赞“，点“推荐”