Github 趋势榜第一！开源 Agent 开发神器，任意文档转 JSON、MD

文章预览

越来越多人发现，完整 AGI 的构建之路有一个离不开的基石：文档处理 大家好，我是含萧。 前段时间，DeepSeek-V3 的发布在国内外掀起一波盛赞，很多朋友都在讨论如何将其用于深度企业级搜索、Agent 开发和 RAG（Retrieval Augmented Generation）等场景。 笔者自然也想好好体验一把，但在实际测试中，我会发现， “文档处理” 是摆在我眼前的一道坎： 为什么文档处理如此重要？ 在构建 Agent/RAG/LLM 应用的过程中，我们往往会面临以下痛点： 文档格式不统一 企业内部、外部知识库以及互联网公开资料中，可能同时存在 PDF、DOCX、PPTX、扫描图像等多种格式。LLM 需要的是可以被统一解析、结构化后的文本或特定语义切分，而原始文档格式差异过大，直接传给 LLM 识别往往得不到理想结果。 排版复杂 / 各种异常情况 可能遇到双栏、多栏排版；标题、页眉页脚穿 ………………………………