你好，这里是郭震AI实验室！
我最近在 GitHub 看到一个刚创建三天的新项目：firecrawl/anydoc。
项目地址：https://github.com/firecrawl/anydoc
它只解决一件很具体的事：把 Word、PowerPoint、Excel、PDF、OpenDocument、RTF、EPUB 和 CSV，统一转换成适合 LLM 读取的 GitHub-Flavored Markdown。
▲ AnyDoc 官方浏览器演示：任意办公文档输入，统一输出 Markdown
我在 8 月 6 日核对时，项目已经拿到约 4,870 stars、213 forks，仓库创建于 8 月 3 日，采用 MIT 许可证。
▲ AnyDoc GitHub 仓库首页与当前项目数据
最新正式版本是 v0.1.6，8 月 5 日刚发布。项目同时提供 Rust、Node.js、Python、浏览器 WebAssembly、命令行和 Agent Skill。
先说结论
AnyDoc 最有价值的不是“又能提取文字了”，而是它用一套共享文档模型接住多种办公格式，让 Agent 不必为 Word、PPT、Excel 和 PDF 分别准备一套解析流程。
普通文本提取最容易丢掉的，恰恰是决定文档能不能被理解的部分：标题层级、列表嵌套、表头、合并单元格、脚注、链接和演讲者备注。
AnyDoc 会先识别格式，再交给对应解析器，最后都汇入同一个 Document 模型，由一套 Markdown 序列化器输出。
▲ AnyDoc 官方架构：格式检测、独立解析器、共享文档模型与统一 Markdown 输出
这样做的好处是，表格转义或脚注渲染只需要修一次，Word、RTF、OpenDocument 等格式都能一起受益。
官方列出的结构能力包括粗体、斜体、删除线、代码块、内部链接、嵌套列表、任务列表、合并单元格、脚注、尾注和 PPT 演讲者备注。
▲ GitHub README 的功能列表：文档结构、内嵌资源、内容识别与多语言绑定
当前支持的扩展名覆盖传统 Office 二进制格式和新式压缩格式，包括 .doc、.ppt、.xls、.docx、.pptx、.xlsx，也支持 ODT、ODS、ODP、RTF、EPUB、CSV 和 PDF。
▲ AnyDoc 官方支持格式表：Word、PPT、Excel、OpenDocument、RTF、EPUB、CSV 与 PDF
说白了，它不是把文件“拍扁成一段文字”，而是尽量把原文档的逻辑骨架翻译成 Markdown。
PART 02
不只是一条命令，它还直接做成了 Agent Skill
最短上手方式是运行 npx @firecrawl/anydoc report.docx，Markdown 会直接输出到终端；也可以用 -o 写入文件。
▲ AnyDoc 快速开始：Agent Skill、CLI、Node.js 等入口放在同一套项目中
如果你在 Claude Code、Codex、Cursor 或 OpenCode 里工作，还可以用 npx skills add firecrawl/anydoc 安装项目自带的 Skill。
▲ GitHub 中的 AnyDoc Agent Skill：教 Agent 判断格式、执行转换并处理结果
这意味着 Agent 遇到需求文档、财务表格或演示稿时，不必把整个办公套件塞进上下文，也不必先把文件上传到一个在线转换网站。
Python 接口可以从路径或字节读取，也能停在共享文档模型这一层，继续访问内嵌资源。
▲ AnyDoc Python 绑定：文件路径、字节输入与共享文档模型接口
浏览器版本则通过 WebAssembly 在本地页面里完成转换。官方演示明确写着：文件不会离开你的机器。
▲ AnyDoc 浏览器 WebAssembly 说明：相同 Rust 核心在网页本地运行
我在官方页面点击了内置的 RTF 样本，页面返回 258 个字符的 Markdown，并显示这次转换用时 44ms。
▲ AnyDoc 官方在线样本实测：RTF 的加粗、斜体和结构被转换成 Markdown
我检查的主分支提交是 8eecca5a，测试版本固定为 v0.1.6。
第一层是 CLI。我分别转换了项目自带的 DOCX、PPTX、XLSX、文本 PDF 和 CSV 样本，五次退出码都是 0。
DOCX 输出保留了表格、项目列表和内嵌对象说明；PPTX 输出保留了两页内容、嵌套列表、表格与演讲者备注；XLSX 和 CSV 被整理成 Markdown 表格。
实测说明｜文本 PDF 也能提取标题和正文，但列表、表格等结构明显没有原始 DOCX 稳定。这一点很重要：PDF 本身保存的是页面绘制结果，不一定保留完整的语义结构。
第二层是内容识别。我把一个真实 DOCX 文件故意改名为 wrong-extension.pdf，没有额外指定格式，AnyDoc 仍然从文件字节识别出 DOCX，并成功输出标题、列表、表格、脚注和链接。
▲ AnyDoc 的内容识别机制：优先读取文件标记，而不是只相信扩展名
第三层是异常输入。我运行了四个官方破坏性夹具。
ZIP 膨胀和超大内嵌图片都触发 max_entry_bytes；超过 256 层的 XML 触发深度限制；被截断的 DOCX 则返回 malformed document。四次都以退出码 1 停止，没有假装转换成功。
▲ AnyDoc 错误分类：不支持、损坏、加密、资源超限、缺少部件与读取错误
最后我用 Rust 1.97.1 执行完整 cargo test。182 项单元测试、1 项变异健壮性测试和 8 项快照/集成测试通过，共 191 项通过；另有 1 项需要本地未公开样本目录，因此按项目设置跳过。
▲ AnyDoc 开发说明：Rust、Node、Python、WASM 测试与变异、模糊测试入口
实测说明｜这次可以确认当前 Rust 核心、官方夹具和 v0.1.6 Windows 命令行都能工作，但我没有遍历所有 14 类格式，也没有复现官方 100 份真实文档的完整 benchmark。
PART 04
官方 4.4ms，为什么我看到的是 1 秒多
README 的官方对比覆盖 100 份真实文档和 14 种格式。
在官方表格里，AnyDoc 的中位转换时间是 4.4ms，综合得分 81；LibreOffice 是 1129.5ms，MarkItDown 是 134.8ms。
▲ AnyDoc 官方综合 benchmark：格式覆盖、转换中位时间与质量得分
但这组速度不能直接套到我执行的 npx 命令。
我这边五次完整命令耗时约 1.1–1.3 秒，其中包含启动 Node、启动 npx、加载本地包和进程退出。官方 4.4ms 测的是库已经加载后的单次转换，并明确排除了 Python 库的进程启动时间。
实测说明｜两组数字测的不是同一层，所以不能拿 4.4ms 承诺“用户敲下命令后 4.4ms 就能看到结果”。
分格式结果同样要谨慎看。官方报告 AnyDoc 在参与评测的 14 种格式上覆盖最全、每种得分最高，但不同工具支持的格式数量不同，综合平均分并不是完全同一批样本。
▲ 官方分格式质量表与评测方法：不同工具覆盖范围并不相同
官方还说明，质量分由 Claude Sonnet 5 对照文档前六页的渲染图进行盲评，每一对结果交换顺序判断两次，共 481 次裁决。
这是一套公开方法，但评测语料因为授权原因没有放进仓库，我这次无法独立复算全部结果。
AnyDoc 明确只处理文本型 PDF。扫描件或纯图片 PDF 需要 OCR，当前会返回 unsupported；官方托管的 Firecrawl Parse 是另外一条带 OCR 的服务路线。
它也不是版式复刻工具。转换目标是让 LLM 和程序读懂结构，不是把 PPT 的视觉位置、Excel 的公式计算环境或 Word 的分页效果原样搬进 Markdown。
图片和内嵌对象在 Markdown 中通常表现为替代文字；原始字节可以留在 Document 模型中，但如果后续流程只保存 Markdown，资源文件仍需要你自己管理。
最新 v0.1.6 主要给 Node 和 WASM 绑定补充错误代码，并同时提供 Windows、macOS、Linux 的 Node 二进制和 Python wheels。
▲ AnyDoc v0.1.6 正式发布页与跨平台构建资产
因此真正接进知识库或 Agent 前，至少要测四类自己的文件：复杂合并表格、带备注的 PPT、带脚注和图片的 Word，以及扫描版 PDF。
一句话判断
AnyDoc 值得需要批量摄取混合办公文档、构建知识库或让 Agent 读取附件的开发者试一轮。
最适合
输入文件格式很杂，但希望得到一套稳定 Markdown 结构，并且愿意本地部署 Rust、Node、Python 或 WASM 绑定的人。
需要注意
官方 4.4ms 是库内转换时间，不是完整命令耗时；扫描 PDF 不支持 OCR；Markdown 保留的是语义结构，不是原始页面版式。
全文约 2400 字，16 图。如果你觉得这篇文章对你有帮助，也欢迎给我一个三连击：点赞、转发和在看；如果可以，再帮我点一个⭐️。谢谢你看到这里，我们下篇再见。
