10 个把文档转成 Agent 可读文本的开源仓库,最高 18.9 万星
victor_explore · x · 2026-10-17
作者整理了 10 个将各类文档解析为 Agent 可读文本的开源 GitHub 仓库(星数截至 2026 年 10 月)：
- MarkItDown(微软，189K stars,MIT):一条命令把 Word/PPT/Excel/PDF/HTML 转 Markdown,读图片需插件和模型
- PaddleOCR(91K stars,Apache 2.0):100+ 语言的扫描件/照片识别,输出 Markdown 或 JSON,内置小型视觉模型处理难页
- MinerU(81K stars,自定义协议)：擅长表格、公式和亚洲语言,大企业商用需付费授权
- Docling(IBM 起点，69K stars,MIT):支持 PDF/Office/HTML/邮件/音频,可在 CPU 运行,自带 MCP server
- Marker(40K stars):快速 PDF 转 Markdown,支持数学公式
配图还列出 OpenDataLoader PDF(带页面坐标解析)、olmOCR(Allen AI)、Unstructured(RAG 分块)、LiteParse(无 GPU 轻量解析)、Xberg(Rust 引擎)等。
「编程与Agent」频道最新
- Pydantic Monty 推出 TypeScript 绑定:在 Node 里沙箱运行模型生成的 Python — samuelcolvin · 2026-10-17
- deepagents 框架接入 Google Gemini:支持 1M token 与视频理解 — hwchase17 · 2026-10-17
- 开发者实测T3 Code移动端：弃用codex与Claude remote control — rudrank · 2026-10-17
- Perplexity 本地决策模型 Flash 实测：准确率持平，速度快近一倍 — WolframRvnwlf · 2026-10-17
- EpochGo 开源：本地 LLM 编排加 Scikit-Learn 离线跑 AutoML — Grouchy-Excitement28 · 2026-10-17
- Celesto CI 实测:一半 CPU 快 23%,缓存命中 24 秒跑完任务 — aniketmaurya · 2026-10-17