一条命令，把 Word/PPT/Excel/PDF 全变成 Markdown：这个 1300+ Star 的 Rust 库，比 LibreOffice 快 200 倍

做 AI 应用的开发者，十有八九都栽过同一个坑：喂给大模型的文档，怎么都处理不干净。

Word 里的表格错位、PPT 的备注混进正文、PDF 复制出来全是乱码换行…… 你花半小时写解析脚本，结果换个格式又废了。RAG 管道的第一个瓶颈，从来不是模型，而是文档。

今天推荐一个刚火起来的开源库 anydoc（发布两天，1378 Star），它把 14 种办公文档格式统一转成干净的 GitHub 风格 Markdown，单份文档中位数耗时 4.7 毫秒——比 LibreOffice 快约 200 倍。

它是干什么的？

一句话：任何办公文档，进去，出来就是 Markdown。

支持格式全家桶：

包括 2003 年的老 .doc，也包括昨天的 .pptx。这是目前唯一一个全覆盖 14 种格式的开源转换器。

它来自 Firecrawl 团队（做网页抓取的知名开源项目），anydoc 同时也是他们托管版 API Firecrawl Parse 的底层引擎。

技术原理：为什么它又快又稳

anydoc 的核心设计是一个共享文档模型（shared document model）：

文档字节
  │
  ├─► 格式检测      → 看内容标记，不看扩展名
  │
  ├─► 格式解析器     → 每种格式一个（doc、docx、ppt、pptx、
  │                    xls、xlsx、odt/ods/odp、rtf、epub、csv）
  │         │
  │         └─► Document 模型 → 统一的 blocks、inlines、tables、
  │                            footnotes、assets 结构
  │               │
  │               └─► GFM 序列化器 → Markdown
  │
  └─► PDF → pdf-inspector → 直接输出 Markdown

关键点在于：所有格式都汇入同一个文档模型，再由同一个序列化器输出。这意味着修好 docx 的表格转义 bug，rtf、odt、pptx 自动一起修好——修复一次，处处生效。

几个值得说的设计细节：

使用演示：三行代码上手

方式一：CLI（最省事）

npx @firecrawl/anydoc report.docx               # Markdown 直接输出到终端
npx @firecrawl/anydoc slides.pptx -o slides.md  # 或者存到文件
npx @firecrawl/anydoc - --format csv < data.csv # 从 stdin 读

首次运行自动下载对应平台的预编译二进制，之后想要常驻命令就 npm install -g @firecrawl/anydoc。

方式二：Node.js

npm install @firecrawl/anydoc

import { toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

// 从文件路径
const markdown = await toMarkdown('report.docx');

// 从字节，格式自动检测
const fromBytes = await toMarkdownBytes(bytes);

// 无签名的格式（CSV）需要显式指定
const fromCsv = await toMarkdownBytes(bytes, 'csv');

方式三：Python

pip install firecrawl-anydoc

import anydoc

markdown = anydoc.to_markdown("report.docx")
markdown = anydoc.to_markdown_bytes(data)
document = anydoc.to_document(data)  # 还能拿到内嵌资源

方式四：直接给 AI Agent 用

anydoc 以 Agent Skill 的形式发布，AI 编程助手遇到文档直接自己调用：

npx skills add firecrawl/anydoc

支持 Claude Code、Codex、Cursor、OpenCode 等主流 Agent。

横向对比：和 Pandoc、MarkItDown 们比怎么样

作者在 100 份真实文档、14 种格式上，和 6 个主流转换器做了盲测对比（LLM 裁判评分，0-100）：

anydoc 是唯一覆盖全部 14 种格式的，在几乎所有单格式对比中都拿了最高分（只有 EPUB 略逊于 markitdown），速度比第二名快了一个数量级。

当然，这个对比是作者自己做的（裁判是 Claude Sonnet 5，每对结果交换顺序评两次消除位置偏差，共 479 次判定），方法论透明，但毕竟有自卖自夸的成分，参考即可。

局限性：诚实说几句

个人观点

值得关注吗？值得，而且理由很实在：

它解决的是 AI 应用的真实瓶颈。 RAG、Agent、文档问答，第一公里永远是"把文档变成模型能读的东西"。目前市面上的方案要么慢（LibreOffice 转换要一秒多）、要么格式覆盖不全（MarkItDown 只有 6 种）、要么是 Python 重型依赖。anydoc 用 Rust 把这条路走通了：快、全、干净、零外部服务。

"共享文档模型"的架构思路尤其值得学。 大多数转换工具是"每种格式一个解析器 + 各自输出"，维护成本随格式数量爆炸。anydoc 让所有格式汇入统一模型再统一输出，bug 修一处、处处生效——这是工程上很漂亮的取舍。

生态是最大变量。 它的成败取决于 Agent Skill 生态和 Firecrawl 的持续投入。目前看，Firecrawl 把它作为 Parse API 的底层引擎，有商业动力持续维护，这对开源版是好事。

如果你在做文档解析、RAG 管道或者 AI 办公工具，花五分钟 npx @firecrawl/anydoc 试试，大概率能省下你一个下午的解析脚本调试时间。

项目地址：https://github.com/firecrawl/anydoc （MIT 协议，1378 Star）

补充：anydoc 的托管版 Firecrawl Parse 额外提供扫描版 PDF 的 OCR 能力，需要处理扫描件的朋友可以关注。