MaximeRivest/attachments

解决的问题

attachments 是一个设计用于将各种文件格式（PDF、Excel、Word、PowerPoint、HTML、图片、音频，甚至整个 GitHub 仓库）转换为标准化、可供 LLM 使用的格式的库。它消除了为每种文件类型使用单独解析库的需求，提供单一函数（att()）和一致的输出结构，可直接插入多模态 LLM（如 Claude 或 OpenAI）的提示中。

运作方式

此库使用处理器系统来处理不同的文件类型。用户可以为特定格式安装可选依赖项（例如，pip install "attachments[pdf]"），或使用基于服务的备用模式。

主要功能包括：

• 通用输出：每个输入都会转换为「工件」（Artifacts）列表（包含文本、图片和元数据的字典）。
• DSL 语法：可以使用领域特定语言内联指定选项（例如，att("report.pdf[pages: 1-4]")）。
• 多模态交错：默认情况下，它会逐页交错文本和图片，确保模型能将视觉内容与对应文本关联起来。
• Token 估算：它根据 Claude 的 tokenization 逻辑提供文本和图片的粗略预算数字。
• 文件夹/仓库处理：它可以处理整个目录或 GitHub 仓库，根据 .gitignore 规则自动过滤掉机密和依赖项文件夹。

适用对象

正在构建 LLM 应用、RAG 管道或 AI 代理的开发者，这些应用需要处理各种非结构化数据源，而无需为每种文件格式编写自定义解析逻辑。

重点特色

• 单一入口点：一个函数（att()）处理从单个文件到 URL 和 GitHub 仓库的所有内容。
• 标准化接口：所有处理器都提供一致的输出结构（工件）。
• 可扩展格式支持：支持 PDF、XLSX、DOCX、PPTX、HTML、屏幕截图、OCR 和音频转录。
• LLM 专用辅助工具：内置方法，专门用于格式化输出以符合 Claude 和 OpenAI 消息。
• 智能过滤：处理文件夹时自动排除机密和生成的文件。