🔧 AI 知识库
🧠 RAG / 知识库2026-06-30

微软开源！14.1万 Star！一键把所有文件秒变 LLM 完美 Markdown

原文链接

微软开源！14.1万 Star！一键把所有文件秒变 LLM 完美 Markdown

原文链接：https://mp.weixin.qq.com/s/iFprBWat8aNv-h1BeilHpg?scene=1 作者：开源星探 发布时间：2026年6月3日

摘要

微软 AutoGen 团队开源的 MarkItDown（14.1 万 Star），把 PDF/Word/PPT/Excel/JSON/HTML/图片/音频/YouTube 链接等几乎所有格式一键转成干净 Markdown。不走人类视觉还原路线，专门为 LLM 和 RAG 系统优化——Token 效率极高（HTML <h1> 23 token → MD # 3 token）、大模型天生理解、结构语义完整保留。支持 CLI/Python API/Docker 三种用法，可接 LLM 做图片智能描述、接 Azure 做企业级文档解析。

为什么选 Markdown 作为输出格式

1. Token 效率极高

HTML <h1 class="title-large">My Title</h1> = 23 token，Markdown # My Title = 3 token。放大到几千份文档，省下的 token 费用可观。

2. 大模型天生懂 Markdown

GPT、Claude 训练数据里大量 Markdown。标题层级、列表、表格、代码块这些结构让 RAG 系统分块更智能，检索更精准，幻觉更少。

核心亮点

1. 超强文件支持

类别格式
文档PDF、Word(DOCX)、EPub
演示PowerPoint(PPTX)
表格Excel(XLSX/XLS)、CSV
数据JSON、XML、HTML
多媒体图片（EXIF 元数据 + OCR）、音频（语音转文字）
其他ZIP 压缩包（自动遍历）、YouTube 视频链接（自动取字幕）

2. 结构极致保留

  • Word 用 mammoth 库先转 HTML 再清洗成规范 Markdown，标题层级/粗体斜体/链接准确还原
  • Excel 多工作表转多张 Markdown 表格，对齐工整
  • 设计哲学：专注为 AI 服务，不追求人类视觉完美还原

安装与使用

方式一：CLI

pip install 'markitdown[all]'
markitdown 报告.pdf > 报告.md
markitdown 报告.pdf -o 报告.md      # 指定输出文件
cat 报告.pdf | markitdown           # 管道操作

方式二：Python API

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("季度报告.xlsx")
print(result.text_content)

方式三：Docker

docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < 文档.pdf > 输出.md

进阶功能

LLM 加持的智能图像描述

接 OpenAI 兼容客户端，图片不仅提取文字，还能获得 AI 生成的场景描述：

from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("产品截图.jpg")

Azure 企业级集成

  • Azure Document Intelligence：云端高精度文档解析，适合扫描件 PDF、复杂表格
  • Azure Content Understanding（v0.1.6 新增）：支持音视频多模态转换，自定义分析器提取结构化字段（发票金额、合同条款），以 YAML frontmatter 输出

实际应用场景

  1. RAG 知识库搭建：企业内部 PDF/Word 规章制度批量转 Markdown → 向量数据库 → 精准知识问答
  2. 自动化文档分析：金融研报批量转换 → LLM 自动提取关键指标、生成摘要、对比分析
  3. 多语言内容处理：各国分公司 Excel 报表统一转结构化 Markdown → LLM 翻译 + 数据标准化

为什么能火

  • 切中真实痛点：文档格式转换是 AI 落地第一道门槛，几乎每个 LLM 开发者都会遇到
  • 微软背书 + AutoGen 生态：官方团队维护，能融入 AutoGen 多智能体工作流
  • 设计理念清晰：从一开始就明确为 AI 服务，不追求人类视觉完美，专注保留语义结构

GitHub：https://github.com/microsoft/markitdown