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。

开源浏览器 agent 项目，提供 browser-use 命令行，让 Claude Code、Codex 等 agent 用 Python 片段操控本机已登录的 Chrome，也可连接云端浏览器；同时提供 Python agent 库。云浏览器需 API Key。

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。

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。

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。

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。

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。

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。

browser-use 团队出品的浏览器控制工具：通过一条可编辑的 CDP 连接让 agent 直接操作你正在用的 Chrome，缺少的辅助函数由 agent 边做边写并留存复用；另提供 MCP 服务。首次使用需在 Chrome 中允许远程调试。

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+。

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。

用 HTML 与 CSS 排版并导出 PDF 的渲染引擎，支持分页等打印样式标准，适合批量生成统计报告、发票与票据。Python 实现，依赖系统的 Pango 库。

网易开源的跨平台 UI 自动化测试框架：基于图像识别定位元素，无需侵入代码即可自动化 Android/iOS/Windows 上的游戏与 App；airtest run 执行用例，airtest report 生成 HTML 报告。

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。

在 Apple Silicon Mac 上离线运行的语音工具：命令行把文字合成语音（支持中文与声音克隆）、把录音转写成文字，可为课件和讲解视频配音、整理讲座与访谈录音，数据不出本机。需要 M 系列芯片 Mac 与 Python 3.10+，导出 MP3 需装 ffmpeg，首次运行会下载模型。

社区维护的 Jira 与 Confluence MCP：用 JQL/CQL 搜索，创建和更新工单、页面与评论，同时支持云版与 Server/Data Center 私有部署；需要 API Token 或个人访问令牌。

借助 Obsidian 的 Local REST API 社区插件，让 agent 列出、读取、搜索、追加和删除笔记，并能按标题、块引用或 frontmatter 局部插入内容；需先安装该插件并配置其 API Key。

无需安装 Microsoft Excel 即可创建、读取和修改 xlsx 工作簿：支持公式、格式与条件格式、图表、透视表和表格，可本地 stdio 运行，也可作为远程 HTTP 服务。