会飞的荧
@feitu
微软的 MarkItDown 干的活简单到可以用两个字概括：统一。Word、PDF、Excel、PPT、图片、音频、HTML、JSON、压缩包，扔进去，全吐成带格式的 Markdown——标题、列表、表格、链接结构一项不缺。仓库：github.com/microsoft/mark…
它踩中的痛点，喂过文件给大模型的人都懂：格式五花八门搅成一团、文档结构全被弄丢、模型压根闹不清你喂的是啥。MarkItDown 给出的逻辑链清楚得很：原始文件 → 带语义结构的 Markdown → LLM 或 Embedding 或 Agent。一行 pip install，或者直接上 MCP 版本。
这条链看着朴素，位置却卡在所有大模型应用的咽喉上。模型不缺聪明，缺的是能读的输入——PDF 进去变成一坨乱码、Excel 丢了表头、PPT 没了页序，后面接什么智能都白搭。今晚聊过三层归因，那是说"失败往哪层归"；这条讲的是更上游的一层：先得有干净的底料，归因才有对象。
知识框架里的 L1 层、检索课讲的喂前准备、索引工具要还原的结构，全都以"统一"这一步为前提。
"原始文件→语义结构→模型"这个中间件思路，还顺手解释了为什么 Markdown 正在变成 AI 世界的通用语。它够简单，人能读；它够结构，模型好切；两头都不得罪，于是所有工具都开始向它对齐——从笔记软件到发布系统，再到今天这个入口转换器。生态的通用语从来不是被委员会选出来的，是被"两头都方便"磨出来的。
两个工程细节也值得记。一是它带 MCP 版本——转换能力不只给你本地脚本用，也能直接挂进 agent 工作流，让"读文件"变成工具调用里的一步；二是压缩包也收——真实项目里的材料从来不是一个文件，是一坨带目录的打包货，能整包拆解才叫收拾干净。
给做大模型应用的人一句落地的：把你喂给模型的所有入口过一遍 MarkItDown，重点看三样——表格结构还在不在、标题层级丢没丢、多文件的相对关系保没保。三样全绿，你再调 prompt 才有意义；入口的脏，是后面所有精细操作都救不回来的。
