工具集

读取与提取 PDF 文本和表格，合并、拆分、旋转页面，加水印、填写表单，并能对扫描件做 OCR。驱动 Claude 文档能力的 Anthropic 官方技能，源码可见但非开源。

把存款、在职、收入、退休证明等签证材料照片 OCR 识别后译成英文，生成原件与译文对照的双语 PDF。需要本地 Python（pillow、reportlab）和 OCR 工具（macOS Vision、EasyOCR 或 Tesseract）。译文页自带「认证翻译」字样但并非正式认证：姓名、金额、日期须人工核对，正式递交可能仍需有资质的翻译机构出具。

百度飞桨官方的 OCR 与文档解析工具：paddleocr 命令可识别图片文字，并把 PDF、扫描件解析成 Markdown 或 JSON，支持中文等 100 多种语言，模型可在本地运行。

飞桨 PaddleOCR 官方 MCP：对图片和 PDF 做文字识别与版面解析（PP-OCR、PP-StructureV3、PaddleOCR-VL），输出文本或 Markdown；可本地推理，也可调用官方 API、千帆或自建服务。

OpenDataLab 出品的文档解析工具，把 PDF、图片与 Office 文档转成 Markdown 或 JSON，擅长表格、公式与复杂版面，支持 agent 按页续读与引用定位。默认本地解析，需要 Python 3.10 以上。

读取杂乱的发票和收据（PDF、扫描件、截图），提取商家、日期、金额，按统一格式重命名并按供应商、类别或年份归档，保留原件，可汇总成 CSV 交给会计；需在 Claude Code 等能读写本地文件的 agent 里用，无需账号，税务结论需会计复核。

经典开源 OCR 引擎与命令行工具，识别图片中的文字并输出纯文本、hOCR、可搜索 PDF 或 TSV，支持 100 多种语言；中文等语言需安装对应的语言数据。

解析 PDF、DOCX、PPTX、XLSX、HTML、图片与音频等格式，还原版面、阅读顺序、表格与公式，导出 Markdown、HTML 或无损 JSON。IBM Research 发起，现由 LF AI & Data 基金会托管，可完全本地运行。

免费开源的离线 OCR 桌面软件，支持截图、批量图片、PDF 扫描件与二维码识别，可通过 umi-ocr 命令行或 HTTP 接口调用（命令行依赖软件内的本地 HTTP 服务，默认开启）。仅支持 Windows 与 Linux。

把 PDF、图片、PPTX、DOCX、XLSX、EPUB 等文档转换为 Markdown、JSON 或 HTML，能还原表格、公式与版面结构，可选接入大模型提升精度。需 Python 3.10+ 与 PyTorch；模型权重大规模商用需付费授权。

给扫描版 PDF 加上可搜索、可复制的文字层，可自动纠偏、旋转并优化体积，默认输出 PDF/A。基于 Tesseract，支持 100 多种语言，完全本地运行。

Anthropic 官方小微企业技能，帮老板或会计处理应付账单：从邮箱、PDF 或手机照片读出供应商、金额和到期日，去重、按科目编码、核对采购单后拟定付款计划；入账和付款各需一次确认，绝不自动付款。可接 QuickBooks、Xero、NetSuite，不接也能导出文件，结果需会计复核。

在本机持续记录屏幕与音频，提取界面文字并做语音转写，agent 可以检索你看过的网页、文档和开过的会，按时间汇总当天工作与对话，录制数据默认存在本机。需先安装并运行 screenpipe：源码版限个人非商业免费使用，桌面版按月订阅。

AI2 出品的 PDF 与扫描件转 Markdown 工具，基于视觉大模型，能处理公式、表格、手写和多栏排版，适合批量数字化论文和档案。本地运行需 12GB 显存以上的 NVIDIA 显卡；没有显卡可接入兼容 OpenAI 接口的远程推理服务（需 API Key，按量付费）。

把 PaddleOCR 模型转成 ONNX 的轻量 OCR，默认识别中英文，纯 CPU 即可运行；命令行 rapidocr 能识别截图、拍照件和扫描页图片中的文字，适合把纸质材料、票据图片转成文本。需 Python 环境，首次运行联网下载模型，之后可离线使用；PDF 需先转成图片。

把含数学公式、表格的图片或整份 PDF（含扫描件）识别成 Markdown 与 LaTeX，中英文效果好，支持 80 多种语言，适合教师把试卷、讲义数字化，学生整理笔记。开源的 Mathpix 替代品，在本机运行，需要 Python 环境。

从 PDF 发票中按 YAML/JSON 模板抽取开票方、金额、日期、票号等字段，导出 CSV、JSON 或 XML；内置多种文本抽取后端，支持扫描件 OCR 与可选的 AI 兜底。

在本机把 PDF、Word、PPT、Excel、EPUB、网页和图片转成干净的 Markdown，保留页码锚点、表格与双栏阅读顺序，并能跨文件夹全文搜索，便于核对合同、卷宗与论文原文。原名 pdf-reader-mcp；文件不上传、无需 API Key，本机需 Node.js 18+，扫描件 OCR 需另装 tesseract。

用自然语言描述就能得到排好版的 PDF：把手写笔记或扫描教材转成 LaTeX 讲义和速查表，出带答案的试卷，写论文、学位论文、学术海报、简历与信函，内置 27 个模板及图表、批量套打脚本。需安装 TeX Live 等依赖（附一键安装脚本）。

Docling 项目官方 MCP：把 PDF、Word、PPT 等文件转成结构化文档，识别版面与表格、对扫描件做 OCR，也能让 agent 逐段生成新文档并导出 Markdown。本地模式需 Python 与 uv，首次运行会下载版面识别模型；也可改连自建的 Docling Serve 服务。

连接自建或托管的 Nextcloud，让 agent 管理网盘文件、日历、联系人、笔记、Deck 看板和邮件，读取 PDF、Word 文档内容（扫描件识别需另行开启），适合重视数据自主的团队。需 Nextcloud 账号与应用专用密码，本机装好 uv。

在本机处理图片的 MCP：裁剪、缩放、旋转、加文字与水印、打码、去背景，识别图中物体并用 OCR 提取文字，图片不上传任何服务器，适合整理照片、扫描件与课件配图。需 Python 3.10 与 pipx，首次安装会下载识别模型。

MinerU 官方 MCP：调用 mineru.net 云端接口把 PDF、Word、PPT 与图片解析为 Markdown，保留表格与公式；免 Key 的 Flash 模式可直接使用，配置 Token 可解锁更高额度与更多格式。

科大讯飞官方技能合集：机器翻译、视频翻译配音、公文校对、PDF/图片与发票识别、语音转写与合成，另有合同智能审核（结果须由律师或法务复核）。需在讯飞开放平台开通对应服务并配置 AppID 与密钥，合同审核另需配置 OCR 与大模型接口。