AnyDoc Skill：把任意办公文档毫秒转 Markdown 的 Rust 神器

AnyDoc Skill：把任意办公文档毫秒转 Markdown 的 Rust 神器

AnyDoc 是 Firecrawl 于 2026 年 8 月初发布的一款纯 Rust 文档转换库，能将 Word、PowerPoint、Excel、PDF 等 14 种办公格式统一转为干净的 GitHub-Flavored Markdown（GFM），中位转换耗时仅 4.7ms，首周狂揽近 1.2 万 star，成为 2026 年 8 月增长最快的开发者工具之一。

功能与原则

AnyDoc 解决的是一个工程上长期被忽视的痛点：RAG 流水线的入口质量。向量数据库和 reranker 被反复调优，但文档解析器一旦把财务表格里的合并单元格弄成一团乱码，所有上游优化全部白费。

设计原则有三：① 格式全覆盖（14 种格式统一进同一 Document 模型）；② 极速本地（纯 Rust、无外部依赖、无 ML 模型）；③ 一处修复全局生效（所有格式共用同一个 serializer，表格转义修复一次，所有格式都受益）。

认可度

• GitHub Star：约 19.4K（截至 2026-09-01，首周破 1.2 万，发布 4 天破万 star）
• 下载量：npm 周下载量持续攀升，Python pip 依赖数 6+ 直接依赖、10+ 间接依赖
• 社媒热度：8 月上旬 GitHub Trending 霸榜，dev.to / deepseek.club / byteiota 等技术社区集中报道
• Trending 经历：2026-08 上旬登顶 GitHub Trending 多语言分类

链接

GitHub：https://github.com/firecrawl/anydoc

原作者

由 Firecrawl 团队开发维护（母公司为 Mendable）。Firecrawl 此前主打网页爬取 AI 化，AnyDoc 是其文档处理工具链的核心新品。Firecrawl 同时提供云端 OCR 能力（Firecrawl Parse API），与本地解析形成互补。

介绍

AnyDoc 起源于一个被反复验证的真实需求：团队在搭建 RAG 流水线时，文档解析环节长期是短板。Cloud 方案（LlamaParse、Unstructured）按页收费，千份文档成本迅速失控；本地替代品（如 Docling）覆盖格式不全（仅 4/14 种）且单文档耗时 513ms。AnyDoc 瞄准这个”干净数字文件”的 80% 场景，用纯 Rust 实现零外部依赖、中位耗时 4.7ms 的极速解析。

核心架构为：文件字节 → 格式检测（读 magic bytes 而非信任扩展名，.docx 改名为 .pdf 仍能正确解析）→ 各格式专属解析器 → 统一 Document 模型（blocks、inlines、tables、footnotes、assets）→ GFM 序列化器输出 Markdown。由于所有格式都经由同一模型和序列化器，修复一处 bug 自动修复全格式。

支持格式包括：DOCX、PPTX、XLSX、ODP、ODT、ODS、RTF、EPUB、CSV，以及文本型 PDF（通过 pdf-inspector 内置解析；扫描版/纯图片 PDF 对接 Firecrawl Parse API 完成 OCR）。

特点

• 14 种格式全覆盖，统一 GFM 输出，下游 RAG/Agent 无需适配多格式
• 中位转换耗时 4.7ms，比同类本地方案快 100 倍以上（Docling 513ms）
• 纯 Rust 实现，零外部依赖，无需 ML 模型，敏感文档不上传服务器
• WASM 构建支持浏览器本地转换（文件永不离开机器）
• 多语言 SDK：Node.js（非阻塞 libuv 线程池）、Python（释放 GIL）、Rust、CLI（npx @firecrawl/anydoc）、Claude Code / Codex / Cursor Agent Skill
• 基于内容检测格式而非信任文件扩展名，防止伪装文件绕过
• 完整文档结构：标题、列表、合并单元格表格、脚注、代码块、嵌入资源（图片/媒体原始字节 + MIME 类型）
• MIT 许可证，可商用

使用方法

安装

# CLI（无需安装）
npx @firecrawl/anydoc report.docx

# Node.js
npm install @firecrawl/anydoc

# Python
pip install firecrawl-anydoc

# Rust
cargo add anydoc

基本调用

# Python
from anydoc import convert
md = convert("report.docx")
print(md)

// Node.js
import { toMarkdown } from '@firecrawl/anydoc';
const markdown = await toMarkdown('slides.pptx');
console.log(markdown);

# CLI 输出到控制台
npx @firecrawl/anydoc report.docx

# 保存为 md 文件
npx @firecrawl/anydoc slides.pptx -o slides.md

# 标准输入读取 CSV
npx @firecrawl/anydoc - --format csv < data.csv

Agent Skill 集成

npx skills add firecrawl/anydoc

装好后直接对 Agent 说”请把这份季度报告转为 Markdown”，Agent 自动调用 Skill 完成转换。

使用场景与人群

适用场景：
– RAG / LLM 文档预处理流水线（将 PDF/Word/Excel 统一清洗为 Markdown）
– AI 工程师搭建本地文档处理流程（无需付费 API，敏感文件不离机器）
– 科研人员批量将期刊 PDF 和实验数据 Excel 整理为统一笔记格式
– Agent 工作流集成（Claude Code / Codex / Cursor / OpenCode 的文档处理 Skill）

目标用户：
– AI/RAG 工程师、数据工程师
– 需要本地处理敏感文档的团队
– 在 AI 编码工具中处理各种格式文档的开发者
– 任何需要批量将办公文档转为纯文本/Markdown 的场景

输入与输出案例

案例 1：Word 转 Markdown

输入：report.docx（含多级标题、合并单元格表格、脚注）

输出：

## Q3 Financial Summary

| Region    | Revenue | YoY Growth |
|-----------|---------|------------|
| APAC      | $12.4M  | +23%       |
| EMEA      | $8.1M   | +15%       |

> ¹ Data sourced from internal BI system, audited 2026-08-15

案例 2：Excel 多 Sheet 转 Markdown 表格

输入：sales_data.xlsx（含多个工作表、合并单元格、数值列）

输出：每个 Sheet 分别转为独立 Markdown 表格，标题行自动识别，数值格式化保留，缺失值处理为空字符串。

AnyDoc 把”文档格式壁垒”这件事做到了极致简洁：一次解析、14 种格式、统一输出、工程级稳定。对任何在搭建 LLM 流水线或让 AI Agent 处理办公文档的团队，它都是当前最值得加入工具箱的开源组件之一。

GitHub: https://github.com/firecrawl/anydoc