IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
找到 2 个项目
清除筛选以下内容已由 AI 根据历史资料整理，供本地测试，未经人工复核。
microsoft/markitdown微软开源的轻量级多格式文档转 Markdown 工具，为 LLM 与 RAG 管道提供结构化文本提取。
MarkItDown 是微软 AutoGen 团队开发并维护的开源 Python 工具，采用 MIT 协议，当前 GitHub 星标超过 105k，最新版本为 v0.1.5（2026 年 2 月发布）。它支持 PDF、Word、PowerPoint、Excel、图片、音频、HTML、EPUB 等 15 种以上文件格式，将其转换为结构化的 Markdown 文本。其核心设计目标是让 LLM 和文本分析工具能以最高效的方式“阅读”非文本文件，输出为机器可消费的结构化文本，而非人类可读的高保真转换。工具采用可插拔的 Converter 架构，每种格式对应独立转换器，核心库仅依赖 Python 标准库，其他功能通过可选依赖按需安装。v0.1.0 之后支持流式处理，不创建临时文件。基础转换不依赖 LLM，但可选用 LLM 增强图片描述与 OCR 功能。此外，项目提供 MCP 服务器，便于 AI 客户端直接调用。
开源 PDF 解析与无障碍标注引擎，本地优先、AI 增强
OpenDataLoader PDF 是由韩国 Hancom 开发的 PDF 解析引擎，能将 PDF 转换为 AI 可消费的结构化数据（Markdown、JSON、HTML），同时是全球首个开源端到端 PDF 无障碍自动标注工具。它采用“本地确定性解析为主，AI 混合增强为辅”的核心思想：简单页面由本地 Java 引擎快速处理，复杂页面（如无边框表格、扫描件、公式、图表）路由到自托管的 AI 后端增强，全程数据不出机器。引擎提供阅读顺序识别（XY-Cut++）、边界框坐标、表格抽取、OCR（80+ 语言）、公式提取（LaTeX）、图表描述等功能，并内置 AI 安全过滤机制。项目采用 Apache-2.0 许可证，提供 Python、Node.js、Java SDK 及 CLI，支持 LangChain 集成。报告指出其基准测试成绩为开源第一（Hybrid 模式总分 0.907），但基准由 Hancom 内部测试，缺乏第三方独立验证。