想把PDF、Word、Excel一股脑喂给AI?微软这个开源小工具真省事

嗨，大家好，我是二毛！

前天晚上我在整理一堆项目资料。十几份 Word、几个 PDF，还有两张表格。我想把它们全丢进 Claude 里问问题。结果一复制粘贴，格式全糊了，表格变成一串乱码，标题层级也丢了。

我之前一直用手工粘。粘完还得自己一点点改成 Markdown。那天实在忍不了，去翻了翻有没有现成解法。然后就撞见了 MarkItDown。

MarkItDown 是微软在 GitHub 上开源的一个小工具，纯 Python 写的。2024 年 11 月 14 号第一次提交，到现在 309 次提交，最新版 0.1.6 是今年 5 月底刚发的。维护者名单里能看到 Adam Fourney 这种微软的人。

它只干一件事，把各种各样的文件，转成 Markdown。

为啥微软要搞这个？因为它本来就不是给普通读者准备的，是给 AI 管线准备的。大模型吃文本，最怕格式脏、结构丢。MarkItDown 就是把乱七八糟的源文件，规整成模型好消化的干净 Markdown。官方定位也写得很直白，注重保留结构，不追求高保真的人类阅读还原。

注意它转出来的 Markdown 主要是给大语言模型看的，不是给人精读排版的。它保的是结构，标题、列表、表格、链接这些，原样留着。这点得先说清楚，不然你拿它去还原一份精美海报，会失望。

它支持的格式挺广的。PDF、PPT、Word、Excel 这些办公三件套自不必说。图片也能支持，能读 EXIF 元数据，还能 OCR 把图里字抠出来。音频也行，能把语音转写成文字。HTML、CSV、JSON、XML 这种文本格式更不在话下。

连 ZIP 压缩包它都会自己解开遍历，YouTube 链接、EPub 电子书也支持。

我试了下把一份带表格的产品需求文档丢进去。出来的 .md 里表格还是表格，结构保持都一样。

这工具最大的价值，是给 AI 喂料，因为现在基本上办公都是AI，但是AI的幻觉有比较严重，干净的资料就是解决幻觉的最好方式。

如果你做 RAG、搭知识库，或者就想把一份合同丢给 GPT 问条款，都得先把文件变成模型能读的干净文本。以前这步要么手工来，要么上贵得要命的云 API。MarkItDown 一条命令搞定，还开源免费。

我算过一笔账，一份二十页的产品文档，手工粘进 Obsidian 再调格式，快则半小时，慢则一下午。换成它，敲一行命令，咖啡还没凉就好。

它不像有些工具追求把版面一分不差还原给你看。它要的是结构对、文字全、能喂模型。这个取舍，对搞 AI 的人来说刚刚好。

怎么上手，一行代码就能够解决，

pip install 'markitdown[all]'

只想转某几种格式，也能按需装，pip install 'markitdown[pdf, docx, pptx]'，别把用不上的依赖全拽下来。

转文件更简单，命令行敲，

markitdown 你的文件.pdf > 输出.md

不想写文件，管道也行，cat 文件.pdf | markitdown。

会 Python 的话，几行就能嵌进自己的脚本，

如果不会用代码的话，我这里还有windows的版本。

如果你是跟 AI 打交道、搞数据的，或者天天跟一堆格式乱七八糟的文档打交道想喂给模型，这玩意儿基本是刚需。我现在的流程就是资料丢进去，出来 .md 直接进 Obsidian 当素材。

反正微软开源的，不要钱，提交也一直没停过。你要常跟文档和 AI 打交道，值得顺手装一个。

觉得有用的话，别忘了点赞、在看、转发给身边需要的朋友！