开源 5 天 1.1 万 Star:把 PDF、Word、PPT、Excel 变成 AI 能读的 Markdown

你不是没有资料，而是把 PDF、Word、PPT、Excel 一股脑塞给 AI 了。

很多人搭知识库的第一步就错了：先买向量数据库、配模型、写复杂工作流，却没有解决一个更朴素的问题——AI 收到的到底是不是一份有结构、可引用、可追溯的文本。

一份 Word 里有标题、表格、批注；一份 PPT 的重点藏在每页结构和备注里；Excel 又有列、行、公式和图表。你直接把文件拖给 AI，它有时能读，有时读得支离破碎。于是你以为模型不够聪明，其实输入还没有准备好。

最近 Firecrawl 开源的 anydoc，做的事情很简单也很实用：把 Word、PPT、Excel、PDF、EPUB、CSV 等办公文件，统一转成 GitHub-Flavored Markdown。

截至 2026 年 8 月 8 日，它创建 5 天、GitHub 约 1.13 万 Star，MIT 许可。热度不是你该安装它的理由；真正值得看的是，它把“文件能不能被 Agent 稳定读取”变成了一个独立、可替换的步骤。

官方链接

• GitHub 官方仓库 / README：https://github.com/firecrawl/anydoc
• 官方安装与命令说明：https://github.com/firecrawl/anydoc#quick-start

先看它解决的真实问题

资料包：会议纪要.docx + 产品方案.pptx + 数据表.xlsx + 报告.pdf                         ↓                  anydoc 统一转换                         ↓           Markdown 文件 + 原始文件路径/来源                         ↓            Codex 做总结、对比、提取待办、建立索引

它不是替你做决定，也不是自动把资料变成“智能知识库”。它只是先把不同格式的文件，变成更适合 AI 处理的共同语言。

三步接进你的 Codex 工作流

第一步：先拿一份可公开的资料试

先别把客户资料、合同或私人文件丢进去。选一份自己写的会议纪要、公开白皮书，或者你自己的 PPT。你要先观察：标题有没有保留、表格有没有变形、列表与链接是否可读。

第二步：用一条命令转 Markdown

官方给出的最小 CLI 用法如下：

npx @firecrawl/anydoc report.docx -o report.md

它也支持 .pptx、.xlsx 与文本型 PDF。第一次通过 npx 运行会下载对应平台的预编译二进制；长期使用再考虑是否安装为固定命令。

第三步：把 Markdown 和任务一起交给 Codex

不要只说“帮我总结这个文件”。更好的任务是：

读取这份 Markdown。先列出原始文件中的章节、表格和不确定信息；再提取行动项，并给每一项保留对应标题；最后告诉我哪些地方需要回看原始文件确认。

这样做的好处是：输出不只是一个流畅摘要，而是能回到原资料位置的工作底稿。

它能转什么？又不能解决什么？

官方 README 列出的输入包括 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV 与文本型 PDF。项目使用统一的文档模型与 Markdown 序列化器，因此标题、列表、表格、脚注等结构会按同一套规则输出。

但这三件事要分开看：

这一点非常重要：Markdown 是资料进入 AI 工作流前的整理层，不是知识库终点。 原始文件必须保留；转换后的 Markdown 要带原文件名、日期、来源与权限标签。

我会把它放在哪？

如果后面将它接进 AI-Knowledge-OS，我会把它放在“资料进入长期知识库之前”：

原始资料（保留）  → anydoc 转换副本  → 人工快速检查结构/敏感信息  → 带来源的 Markdown  → Codex 检索、总结、写内容或生成任务

这样当 AI 的结论有问题时，我们仍能回到原始 PPT、Word 或 PDF，而不是只剩一段不知道从哪里来的摘要。

最后给你一个入库前检查表

• [ ] 文件是否允许进入当前项目？
• [ ] 原始文件是否保留、命名清楚？
• [ ] 转出的标题、表格、列表是否还可读？
• [ ] 扫描件是否需要 OCR，而不是硬转？
• [ ] 给 Codex 的任务是否要求它标出不确定信息与来源章节？

先把输入变干净，再谈 AI 能不能替你干活。这类工具的价值，不是多了一个命令，而是让你把“文件 → 可用知识”这一步变得可检查、可替换、可复用。

来源与说明

能力、格式范围、安装方式和基准数据来自官方链接：

• GitHub 官方仓库 / README：https://github.com/firecrawl/anydoc
• 官方安装与命令说明：https://github.com/firecrawl/anydoc#quick-start

README 的速度和质量对比是项目方基准，本文不把它当作唐伯猫本机性能实测；扫描型 PDF 的 OCR 需求以官方说明为准。