「开源项目anydoc」把乱七八糟的文档变成AI能看懂的文字,这个工具只花了4.4毫秒

“我模型调了两个月，结果卡在最基础的文档解析上。”

这个问题做AI的人都不陌生——大模型再聪明，喂进去的文档格式不对，出来的结果也是一团浆糊。市面上能解析文档的工具不少，但各有各的毛病：有的只支持PDF，有的处理不了老格式，有的解析一个文档要等好几秒。

最近GitHub上有个叫AnyDoc的项目，把这事儿变得简单了很多。

它到底是什么？

AnyDoc是Firecrawl团队开源的一个文档转换库，能把Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV和PDF统统转换成干净的Markdown格式。

Markdown是什么？就是AI最“爱吃”的那种纯文本格式——标题、列表、表格、代码块都有标准写法，没有乱七八糟的样式干扰，大模型读起来几乎不费劲。

项目在GitHub上开源没几个月，已经涨到了超过3700颗星。

它到底有多快？

官方公布了一组数据：在Ryzen 9 9950X3D上测试，100份真实文档的转换中位数只有4.4毫秒。

4.4毫秒是什么概念？你眨一下眼睛大概要100到150毫秒。AnyDoc转换一份文档的时间，比你眨眼快二三十倍。

对比一下同类工具：LibreOffice平均1129.5毫秒，Unstructured是572.9毫秒，微软官方的MarkItDown也要134.8毫秒。AnyDoc比第二快的工具快了一个数量级。

而且它是纯Rust写的，没有机器学习模型，不调用任何外部服务。这意味着它不需要联网，不需要API密钥，数据全程在本地处理。

AnyDoc支持14种格式，几乎覆盖了你日常工作能碰到的所有文档类型：

Word：.doc、.docx、.docm

PowerPoint：.ppt、.pps、.pot、.pptx、.pptm、.ppsx、.ppsm

Excel：.xls、.xlsx、.xlsm、.xlsb

OpenDocument：.odt、.ods、.odp

其他：.rtf、.epub、.csv、.pdf

最厉害的一点是：所有格式最终输出的是同一种Markdown。不管你是2003年的老.doc文件，还是昨天刚存的.pptx，出来的Markdown格式完全一致——标题带锚点、粗体斜体删除线保留、表格带合并单元格和表头、代码块语法高亮、脚注尾注、甚至演讲者备注都能提取出来。

公式也能转。Word和PPT里的OMML公式、OpenDocument和EPUB里的MathML公式、RTF里的公式，统统转成GitHub Flavored Markdown标准的$...$行内公式和$块级公式。

项目主页做了一个很硬核的对比评测：用Claude Sonnet 5做裁判，盲测AnyDoc和其他六个工具的转换质量，从完整性、结构、格式、整洁度四个维度打分。

结果AnyDoc在每一个被评测的格式上都拿了最高分：

格式	AnyDoc	LibreOffice	Unstructured	MarkItDown	Pandoc	Docling	Mammoth
docx	88	56	53	71	68	71	70
pptx	74	24	—	66	—	52	—
xlsx	72	30	66	55	—	47	—
pdf	72	—	58	—	—	—	—
epub	77	—	72	72	52	—	—

注意一个细节：AnyDoc是唯一覆盖全部14种格式的工具。Mammoth只支持docx一种，Pandoc支持5种，Docling只支持4种。覆盖面广、质量还高、速度还快——这三个维度同时做到，确实不容易。

官方提供了一个WebAssembly演示页面，打开就能用，文件在本地转换，不会上传到任何服务器。

几类人可能会特别感兴趣：

AI应用开发者：RAG系统、文档问答、知识库构建，需要把各种格式的文档统一转成AI好读的格式

数据工程师：批量处理海量文档，速度和稳定性是关键

内容创作者：把不同来源的文档统一转成Markdown格式管理

任何“文档格式太乱、想统一成一种格式”的人

项目采用MIT协议开源，GitHub上搜“firecrawl/anydoc”就能找到。

文档解析这件事，听起来不性感，但做AI应用的人都知道——这是最底层、最绕不开的一关。模型再强，喂进去的数据是乱的，出来的结果一定不行。

AnyDoc做的事情很简单：把一堆乱七八糟的文档格式，变成AI能一口吃下去的干净文本。快、准、全，而且免费。

它解决的不是“让AI更聪明”的问题，而是“让AI吃进去的东西更干净”的问题。有时候，后者比前者更重要。