平时在使用 Claude Code、Codex 的时候，想让 AI 帮我们处理各种文件。
将里面的内容提取出来，每种格式的文件要用不同工具来处理，说实话效率很低。
而且质量还参差不齐，有时候表格丢了，有时候公式乱了，甚至会无法提取。
这种情况，对我们做知识库或训练大模型给它喂文档，会带来很严重的影响。
为了解决这些问题，Firecrawl 团队开源了 anydoc 工具，短短 10 天，狂揽 15000+ Star。
眼熟的朋友可能还记得，在昨天 ZCode 实测文章里，给它做了一个在线可用 Web 工具。
没想到不少朋友留言，能不能详细介绍一下 anydoc，那今天就跟大家讲讲。
Firecrawl 很多人都用它来抓取网页内容，转成大模型易读的 Markdown 文件。
这次他们再次开源 anydoc，在我看来，算是把本地文档这一块的处理也给补上。
它支持将 Word、PPT、Excel、PDF、EPUB等文件，一键转成干净的 Markdown。
覆盖 8 大类格式、14 种扩展名，就连 2003 年的老 .doc、.ppt 这些古老的文件都支持。
我看了下它的实现思路，不管什么格式文件，它都会先把文件读懂，整理成一份统一格式的中间稿。
而这份中间稿只记内容和结构，哪里是标题、哪里是表格、哪里是列表，全部标得清清楚楚。
最后再把中间稿转换成 Markdown 文件，这样做带来的好处，能让文档维护变得更加容易。
比如在转换成 Markdown 的时候，发现一个表格转换的 Bug 能直接跟着内容随手修好。
对于文件格式的识别压根不看扩展名，靠的是读文件字节里的特征标记，即便文件名标错也没事。
转换速度这块是它的强项，纯 Rust 实现，不依赖 ML 模型和外部服务，最快仅需要 4.4 毫秒。
官方实测，拿 100 份真实文档，与 libreoffice、markitdown、pandoc、docling 等同类工具横向对比测试。
结果 anydoc 是唯一能把 14 种文件格式全支持到，而且质量和速度方面均拿下第一名。
至于细节方面处理，像合并单元格的表格、脚注、代码块，甚至 PPT 里的备注都能保留。
文档若有图片，会以引用文本形式呈现，原始图片留在缓存目录上，需要的话可以自己取。
项目有多种使用方式，提供 Node、Python、Rust 等开发语言的依赖包，方便我们集成到项目。
也可以通过 Skill 方式，安装到我们常用的 Claude Code、Codex 等 Agent 工具使用。
npx skills add firecrawl/anydoc装完之后，就能直接让 Agent 更容易读懂任何格式的文件，也能转成 Markdown 文档。
另外还提供了在线网页版本，只需打开浏览器就能用，都在本地转换完成，不会上传到服务器。
偶尔转一两份文件，或者文档比较敏感不敢往在线工具传的朋友，用这个最合适。
目前 anydoc 还不完善，本地只能处理常规 PDF，对于扫描件纯图片的 PDF 读不出来。
但官方也提供了解决方案，可以用他们的托管 API，接上他家 OCR 模型就能处理。
另外对于加密和带密码保护的文档也转不了，会直接报错，这个我觉得正常。
昨天我已经实测过一轮，对于 docx、pptx、xlsx 这些常见格式的文件转换都没问题。
甚至连 rtf、odt、epub 这些比较小众且不常见的文件，都能转换成干净的 Markdown。
写在最后
这两年，身边不少朋友都在做 RAG 知识库，或开发 Agent 相关的应用。
在文档解析这块处理，最容易出问题而且不易发现，比如表格转丢一半，导致检索不准。
而 Firecrawl 团队先把网页转 Markdown 实现，现在又补上对本地文档的处理。
在我看来，这两个给 AI 喂数据比较重要的入口，都被 Firecrawl 占上了。
往后，它会不会像 ffmpeg 在音视频领域的地位一样，也成为 AI 数据管道里的默认底座。
还未可知，但从目前来看，大家的选择是，谁家工具做得又快又干净，就会用谁的。
GitHub 项目地址：https://github.com/firecrawl/anydoc
📖 相关推荐
资深互联网从业者，专注AI工具研究与实战应用。长期跟踪ChatGPT、Claude、Stable Diffusion等前沿AI技术，擅长将复杂的技术概念转化为通俗易懂的教程。运营颜资源小站，致力于为中文用户提供高质量的AI教程、开源项目推荐和数字资源整理。
评论(0)