工具集

把 PDF、Word、Excel、PPT、HTML、图片、音频等文件转成保留标题、列表与表格结构的 Markdown，供大模型读取与分析。微软官方维护，需要 Python 3.10 以上。

微软官方出品：把 PDF、Word、Excel、PPT、HTML 等文件或网址转换为 Markdown，便于 agent 阅读与检索；只有一个 convert_to_markdown 工具，支持 STDIO 与本地 HTTP。

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。

从 PDF、Word、网页等资料生成原生可编辑的 PPTX，输出原生形状、数据图表与母版版式，也可套用自有模板填充内容、为成品添加动画与旁白；需要 Python 3.10+ 并安装依赖。

K-Dense 维护的 166 个科研技能合集（原 Claude Scientific Skills）：覆盖生物信息、化学信息、临床研究、材料与物理等领域，含统一查询 PubChem、UniProt 等 78 个公共数据库的技能。

Nous Research 出品的自我改进型 Agent：内置记忆与从经验中自动生成技能的学习循环，可接任意模型供应商；hermes 命令提供终端界面，也能经网关接入 Telegram、Slack 等渠道并定时执行任务。

Browser Use 官方内置的本地 MCP 服务：让 agent 导航、点击、输入、提取网页内容，或把多步任务交给内置浏览器 agent 自主完成。需自备 OpenAI 或 Anthropic API Key。

自适应 Python 爬虫框架 Scrapling 内置的 MCP 服务：支持普通 HTTP 请求、浏览器渲染与隐身抓取，可用 CSS 选择器只把目标内容交给 AI，节省 token 并过滤提示注入内容。

自适应网页抓取框架：scrapling extract 一条命令即可把网页抓成 Markdown、纯文本或 HTML，支持 CSS 选择器与浏览器渲染动态页面，另有 MCP 服务（需装 ai 扩展）。需 Python 3.10+，首次使用需安装浏览器。

高吞吐的大模型推理与服务引擎：vllm serve 一条命令启动兼容 OpenAI 与 Anthropic 接口的服务，支持 Hugging Face 上 200 多种模型架构、量化与分布式推理。主要面向 NVIDIA、AMD 等 GPU 环境。

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。

为 agent 提供当前时间查询与 IANA 时区换算，自动识别系统时区，无需 API Key。MCP 官方参考服务器，Python 实现。

开源的 LLM 友好网页爬虫，把网页转成干净的 Markdown 供 RAG 与 agent 使用；自带 crwl 命令行，支持深度爬取与按问题抽取数据（抽取需配置大模型 Key）。可免费自托管。

OpenBB 开源投资研究平台的命令行版，在终端查询股票行情、财报、宏观经济等金融数据，可用 Routine 脚本批量自动取数。官方维护，部分数据源需自备 API Key。

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。

引导 agent 为科研数据选对统计方法：t 检验、方差分析、卡方、回归与贝叶斯分析，检查前提假设、计算效应量与统计功效，并按 APA 格式写出结果。基于 Python（pingouin、statsmodels），K-Dense 维护。

教 agent 用 Scanpy 完成单细胞 RNA-seq 标准分析：质控、归一化、PCA/UMAP 降维、聚类、差异表达与可视化，附可直接运行的流程脚本，并指导把 Seurat 等 R 对象转成 h5ad。需 Python 3.12+，K-Dense 维护。

港大 HKUDS 出品的超轻量自托管个人 AI agent 框架（Python）：自带网页界面与终端，可接 Telegram、Discord、Slack、微信、飞书、邮件等聊天渠道，内置长期记忆、定时任务、MCP 与多 agent 委派，能读 PDF、Word、Excel、PPT。接 OpenAI 兼容接口或本地模型，需要 Python 3.11 以上。

由 chatgpt-on-wechat 改名而来的开源个人 AI 助手与 Agent Harness：规划任务、调用工具与技能，三层记忆与知识库会自我进化，可组多 agent 团队；接微信、企业微信、公众号、飞书、钉钉、QQ、Telegram、Slack 等渠道，模型支持 Claude、GPT、DeepSeek、通义千问等。一行脚本安装，自带网页控制台（端口 9899），也有桌面客户端。

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。

基于 faster-whisper 的快速语音转写，提供词级时间戳与说话人分离，适合会议纪要与字幕制作；说话人分离需 Hugging Face Token，GPU 加速需 CUDA。

阿里 ModelScope 开源的工业级语音识别工具包，自带面向 agent 的 funasr 命令：一条命令把音频转成文本、JSON 或 SRT 字幕，支持说话人分离与时间戳，中文识别效果好。需先安装 PyTorch。

非官方 Python 库与 CLI，让 agent 操控 Google NotebookLM（现更名 Gemini Notebook）：批量导入资料、基于来源带引用问答，生成播客、视频、幻灯片、测验与闪卡并批量下载，自带 agent skill。依赖未公开接口，需登录 Google 账号。