工具集

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。

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。

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。

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。

支持上千个站点的音视频下载命令行工具，可选择格式与清晰度、下载字幕与元数据，并配合 FFmpeg 合并与转码；youtube-dl 的活跃分支。

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。

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。

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。

一条命令去除图片背景：支持单张、整个文件夹批处理和监听目录，可只输出蒙版、切换 U2Net、SAM 等模型，也能启动 HTTP 服务或配合 FFmpeg 处理视频帧。默认模型在本地推理。

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。

从众多图片站与社交平台批量下载图集和作品的命令行工具，文件命名与配置灵活，可调用 yt-dlp 下载视频。主开发已迁至 Codeberg，GitHub 仓库仍同步更新。

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。

用 YAML 编写简历，命令行渲染成排版规范的 PDF：多套主题，页边距、配色、字体可细调，字段严格校验并支持多语言；另提供配套 agent skill。需要 Python 3.12+。

多语言 git hook 管理框架：在 .pre-commit-config.yaml 里声明格式化、lint、密钥扫描等钩子，提交前自动运行，也可用 pre-commit run --all-files 让 agent 提交前自检。

把 60 多个全栈专家技能打包成一个插件：Python、TypeScript、Go、Rust、Java 等 12 种语言专家，以及 React、Django、Spring Boot 等框架专家，按请求自动激活；另含对接 Jira / Confluence 的项目工作流命令（需 Atlassian MCP）。

把 Twitch、YouTube、B 站、抖音、虎牙、斗鱼等平台的直播流交给本地播放器观看，或用 --output / --record 直接保存成视频文件，便于留存自家或合作方的直播回放、做二次剪辑。macOS 可用 Homebrew 安装，观看需另装 VLC 等播放器；请只录制有权使用的内容。

精确读取电子版 PDF 中每个字符、线条和表格框的位置：命令行可导出保留版面的文字或 CSV / JSON 明细，Python 接口还能抽取表格和表单字段，适合从发票、对账单、报表里取数。需 Python 环境，本地运行；不适合扫描件，需先 OCR。