大家好，我是何三，独立开发者
做过 RAG 的人都知道这个痛
如果你搭过 RAG（检索增强生成）系统，一定踩过同一个坑——把 PDF 丢给 AI，然后看着它一本正经地胡说八道。
这不是 AI 的问题，是"食物"的问题。PDF 里面充满了复杂的排版信息、嵌套表格、多列布局，LLM 吃下去以后跟人啃带骨头的鸡差不多，不是噎着就是吐骨头。Hacker News 上有个哥们说得更直白："PDF 是给人类看的，不是给机器读的。"
解决办法其实很简单：先把文档转成 Markdown，再喂给 AI。
道理谁都懂，但做起来嘛……PDF 转换 SDK 一大堆，每个配置都不一样，Office 文件又得用另一套库，表格、图片、音频、视频全要处理——光是写这个预处理 pipeline 就能搞一整天。
微软的 AutoGen 团队估计也受够了这个事，直接搞了个开源工具，一行命令搞定所有格式的转换。
它叫 MarkItDown，GitHub 上已经快 10 万 Star 了。
一行命令能干嘛？
先看支持的格式清单：
PDF、Word、Excel、PPT 这"Office 四大天王"是基本盘。除此之外，图片（OCR 识别）、音频（语音转文字）、HTML 网页、EPUB 电子书、CSV/JSON/XML 数据文件，甚至 ZIP 压缩包和 YouTube 视频链接——全都能一键转成 Markdown。
你没看错，把一个 YouTube 视频链接扔进去，它能把字幕文本给你扒出来。这个覆盖面说实话有点离谱。
核心用法就一条命令：
markitdown path-to-file.pdf > document.md
或者指定输出文件：
markitdown path-to-file.pdf -o document.md
还能通过管道直接喂内容：
cat path-to-file.pdf | markitdown
就这么简单。不需要配置文件，不需要各种 SDK，装好就能用。
为什么 AI 更喜欢 Markdown？
这里有个很多人忽略的事实：主流 LLM 几乎都是用海量的 Markdown 文本训练出来的。 GPT-4o 经常在你没要求的情况下就主动用 Markdown 格式回复，这不是巧合——它"母语"就是这个。
跟 PDF 比起来，Markdown 有几个天然优势：
- Token 效率高。没有乱七八糟的排版标记，纯粹的结构化文本，同样的内容消耗的 Token 大概能省 30% 左右。
- 结构清晰。标题层级、列表、表格、链接这些信息在 Markdown 里有明确标记，AI 读起来就是"一目了然"，而不是在一堆乱码里猜。
- 幻觉更少。信息越干净，AI 编造就越少。这是做 RAG 的人用血泪换出来的经验。
说白了，GPT 这些模型就是用 Markdown 喂大的，你给它吃 PDF 就像给中国人喂法式大餐——能吃，但消化不良。
上手试试
安装
MarkItDown 是个 Python 包，安装很简单：
pip install 'markitdown[all]'
[all] 会把所有格式的依赖都装上。如果你只需要处理特定格式，可以按需安装：
pip install 'markitdown[pdf, docx, xlsx]'
只需要 PDF、Word 和 Excel 的话，这样装就够了，省空间。
Python API 用法
除了命令行，在代码里调用也很方便：
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("report.pdf")
print(result.text_content)
转换 Excel 表格：
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("financial_data.xlsx")
print(result.text_content)
用 AI 增强图片描述
MarkItDown 还支持调用 LLM 来生成图片的描述文本。比如转换 PPT 的时候，里面嵌入的图片不是简单跳过，而是让 AI 帮你写一段文字描述：
from markitdown import MarkItDown
from openai import OpenAI
client = OpenAI()
md = MarkItDown(
llm_client=client,
llm_model="gpt-4o"
)
result = md.convert("presentation.pptx")
print(result.text_content)
这个设计挺聪明的。PPT 里面大量信息是靠图片和图表传达的，纯文本转换会丢失这些信息，用 Vision 模型补充描述，内容完整度一下子就上去了。
Azure Document Intelligence 增强
如果你有 Azure 账号，可以用 Document Intelligence 服务来获得更好的 PDF 转换效果，尤其是处理扫描件和复杂排版的 PDF：
markitdown path-to-file.pdf -o document.md -d -e "<your_endpoint>"
这个是付费服务，但对商业级文档处理确实提升明显。
Docker 部署
不想装 Python 环境？直接用 Docker：
docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md
MCP Server 集成
最近 MarkItDown 还加了 MCP（Model Context Protocol）支持。这意味着你可以在 Claude Desktop 这类 AI 应用里直接调用它，让 AI 帮你处理文档转换的事：
# 安装 MCP 包
pip install markitdown-mcp
然后在 Claude Desktop 的配置里加上对应的 MCP server 配置就行。Reddit 上已经有不少人在折腾这个集成了，虽然配置过程偶尔有点坑，但一旦跑通体验还是不错的。
插件系统
MarkItDown 还有个插件机制，第三方可以扩展它的能力。
比如 markitdown-ocr 插件，能对 PDF、DOCX、PPTX、XLSX 里面嵌入的图片做 OCR 识别：
pip install markitdown-ocr
pip install openai
from markitdown import MarkItDown
from openai import OpenAI
md = MarkItDown(
enable_plugins=True,
llm_client=OpenAI(),
llm_model="gpt-4o",
)
result = md.convert("document_with_images.pdf")
print(result.text_content)
插件默认是关闭的，需要手动启用。想看装了哪些插件：
markitdown --list-plugins
谁适合用这个？
老实说，MarkItDown 的目标受众很明确：
- 做 RAG 的开发者——这是最核心的使用场景。文档预处理是 RAG pipeline 的第一关，MarkItDown 直接帮你把这个最烦人的环节一条龙解决了。
- 需要批量处理文档的团队——比如把历史积累的大量 Word/PPT 归档转成 Markdown，方便搜索和检索。
- 给 AI 喂资料的研究人员——与其手动复制粘贴，不如直接转换后整个丢给 AI。
- 内容创作者——把 PDF/Word 转成 Markdown 后，在任何支持 Markdown 的编辑器里都能愉快编辑。
一句话总结
MarkItDown 就是文档到 AI 之间的"翻译官"——你丢什么文件进去，它都能吐出干净的 Markdown，让 AI 准确理解你的文档内容。近 10 万 Star 不是白拿的，微软这次确实干了个实用活。
安装只需一行 pip install 'markitdown[all]'，下次再给 AI 喂文档的时候，记得先让它过一遍 MarkItDown。
关注公众号“何三笔记” 回复 “python” 获取python“不传秘籍”
本文使用 MGO 编辑并发布
关注"何三笔记"，回复"mgo" 免费下载使用
