工具集

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。

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。

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。

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。

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）。

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）。

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。

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。