你看到的内容可能由第三方 AI 基于小众软件文章提炼总结而成，可能与原文真实意图存在偏差。不代表小众软件观点和立场。请 点击链接阅读原文 细致比对和校验。
AI 处理文档这事，卡点往往不在模型，而在格式。PDF 里的扫描页、Word 里的表格、PPT 里的文本框……喂给大模型之前，得先变成它看得懂的 Markdown。最近 Firecrawl 开源了两个工具，专治这种“格式不服”。
先拆 PDF：不是所有页都值得 OCR
PDF Inspector 是个 Rust 写的分析库，思路挺聪明：先看 PDF 内部结构，再决定怎么处理。
- 有真实文字层 → 直接解析，不折腾
- 扫描件 / 纯图片 → 才交给 OCR
- 混合型 → 只对图片页动手
比如一份 40 页的文档，35 页是文本，5 页是图片，它就只 OCR 那 5 页，成本省一大截。
OCR 用的是 PP-OCRv6 本地模型（飞桨家的），完全离线，不烧 API 钱。
再来一个全家桶：AnyDoc 统一所有格式
如果说 PDF Inspector 是“专科医生”，AnyDoc 就是“全科门诊”。除了 PDF，它还能处理 Word、Excel、PPT、EPUB、CSV 等常见格式。
最大卖点是输出结构统一：
- 表格、标题、脚注、链接的格式完全一致
- 粗体、斜体、删除线、代码块、列表也都有统一规范
这太重要了——以前用不同工具转出来的 Markdown 五花八门，喂给 RAG 系统时还得清洗，现在一步到位。
PDF 支持就是靠上面的 PDF Inspector 实现的，两个项目配合默契。
我的看法：本地、免费、可折腾
这两个工具都是纯本地运行，不需要任何 API，对隐私敏感的场景特别友好。还支持 Agent skill，意味着 AI 可以自己调用它来预处理文档。
如果你经常让 AI 处理各种文档，先拿它过一遍，效率、准确性、钱包都能兼顾。
唯一的小门槛是 Rust 环境，但 GitHub 上有现成 release，下载即用。反正我打算拿它把积攒的 PDF 全转成 Markdown，再丢给本地知识库试试。
说实话，这类“格式转换器”看起来不起眼，但确实是 AI 落地的基础设施。Firecrawl 这波开源，挺良心。
评论 (0)