firecrawl/anydoc

它解決的問題

anydoc 是一個高效率的函式庫，專門用於將多種辦公室文件轉換為乾淨、符合 GitHub 風格的 Markdown。它解決了不同檔案格式之間解析不一致且速度緩慢的問題，提供單一且一致的輸出格式，非常適合用於 LLM 準備資料。

如何運作

此函式庫以純 Rust 寫成，以追求速度，且不依賴機器學習模型或外部服務。它採用多階段處理流程：

1. 格式偵測：根據內容標記（位元組）來識別檔案類型，而非依賴副檔名。
2. 格式解析器：每種支援的格式都有專屬的解析器，將文件轉換為共享的內部文件模型（包含區塊、內嵌元素、表格與資源）。
3. GFM 序列化器：此共享模型接著透過單一序列化器渲染成 Markdown，確保所有輸入格式中，如表格與註腳等元素的行為完全一致。
4. PDF 處理：文字型 PDF 會直接使用 pdf-inspector 轉換為 Markdown。

適用對象

• AI 開發者：正在建構 RAG 流程或 LLM 應用程式，需要處理多種辦公室文件的開發者。
• 智能工作流程：開發能透過提供的「代理技能」整合讀取與處理本機檔案的 AI 代理的工程師。
• 軟體工程師：任何需要快速、本地化且一致的文件轉 Markdown 工具的人，支援 Node.js、Python 和 Rust 繫結，或可透過 WebAssembly 在瀏覽器中執行。

主要特色

• 廣泛的格式支援：支援 14 種格式，包括 Word、PowerPoint、Excel、OpenDocument 和 PDF。
• 極速處理：每份文件的中位轉換時間低於 5ms。
• 一致的輸出：共享文件模型確保所有格式的格式化（如數學公式的 LaTeX 表達）保持一致。
• 本地處理：核心轉換無需外部 API 呼叫或機器學習模型，並提供 WebAssembly 版本以支援瀏覽器中的本地轉換。
• 代理就緒：可作為「代理技能」整合，讓 AI 代理輕鬆採用文件讀取功能。