GitHub 趋势 · 第 114 期
把任意文件喂给大模型，微软这一个 Python 工具成了默认入口
#开源工具#文档解析#RAG#LLM基建
结论：markitdown 是微软开源的 Python 文档转 Markdown 工具，MIT 协议、可免费商用。它的价值不在转换得漂亮，而在于把几十种格式统一成一段纯文本，直接喂给大模型。凡是做检索增强、知识库、Agent 文档读取的人，几乎都绕不开它。
你的智能体要读一份 PDF、一份 Excel、一个网页，传统做法是给每种格式装一个解析库、各写一套预处理。格式一多，代码里全是判断分支和兼容坑。markitdown 把这件事收口成一次函数调用。
这个项目是什么
markitdown 来自微软，定位是把文件和办公文档转成 Markdown的 Python 工具。它不追求还原排版，目标是产出一段干净、机器好读的 Markdown，专门给文本分析工具消费。
它支持 PDF、PowerPoint、Word、Excel、图片（EXIF 元数据加 OCR）、音频（EXIF 加语音转写）、HTML、CSV / JSON / XML 等文本格式、ZIP（会遍历内容）、YouTube 链接、EPubs 等格式。
核心能力
| 能力 | 说明 |
|---|---|
| 统一入口 | 一行 convert() 处理本地文件、远程 URI、字节流 |
| 格式覆盖广 | PDF / Office / 图片 / 音频 / 网页 / 压缩包 / EPUB |
| 插件机制 | enable_plugins=True 可加载第三方扩展（如 OCR） |
| 可选依赖 | 用 [pdf] / [docx] 等 extras 按需装，或 [all] 一把装齐 |
| 窄接口 | convert_local() / convert_stream() / convert_response() 收紧权限面 |
上手：README 原文命令
安装（官方 README 原文）：
pip install 'markitdown[all]'
命令行（官方 README 原文）：
markitdown path-to-file.pdf > document.md
Python API（官方 README 原文）：
from markitdown import MarkItDown
md = MarkItDown(enable_plugins=False) # Set to True to enable plugins
result = md.convert("test.xlsx")
print(result.markdown)
我的判断
适合谁：做检索增强（RAG）、知识库、Agent 文档读取的开发者；需要把一批异构文档批量变成纯文本喂模型的人；以及想把读文件塞进工作流、又不想每种格式各写一套的人。
不适合谁：想要高保真排版还原、拿它当 Pandoc 替代品出漂亮文档的人。官方明确说输出meant to be consumed by text analysis tools，对人工阅读为主的场景不一定合适。
几个容易踩的点：① 只装 markitdown 本体，PDF / Office 会转换失败，必须带 [all] 或对应 extras；② 它按当前进程权限做 I/O，官方要求Sanitize your inputs，服务端调用优先用 convert_local()；③ 输出是机器向的纯文本，表格与版式会丢；④ 贡献需签微软 CLA，治理归微软。
数据脚注
仓库：github.com/microsoft/markitdown ｜ 协议：MIT（可商用）
抓取时间：2026-09-15（数据来自 GitHub Trending 与仓库 API 实时快照）
本文安装与命令示例均逐字取自官方 README；未做实测运行，性能与格式还原以官方文档为准。
互动与下期预告
你现在的 Agent 是怎么读文档的？是各自调库，还是统一走 markitdown？评论区聊聊。
下期我们蹲 AprilNEA/OpenLogi——一个用 Rust 写的、本地优先的 Logitech Options+ 开源替代，无账号、无遥测。
#开源工具#文档解析#RAG