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。

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。

Astral 出品的 Python 包与项目管理器，用 Rust 编写、速度极快，可替代 pip、pipx、poetry、pyenv 等；支持锁文件与多版本 Python，uvx 可免安装直接运行 Python 工具。

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。

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。

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。

为 Claude Code 接入 Pyright 语言服务器，给 Python 代码提供静态类型检查与代码智能。需先用 npm、pip 或 pipx 安装 pyright。Anthropic 官方插件。

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。

像 Git 管代码一样管理数据集和模型的版本：数据存放在 S3、GCS 等远端存储，版本信息记在 Git 仓库里。还提供可复现的流水线和本地实验追踪，改动后只重跑受影响的步骤。

带智能补全与语法高亮的 MySQL 终端客户端，兼容 MariaDB、TiDB 等；支持 --execute 与批处理模式，可按 CSV 或表格格式输出查询结果，便于 agent 直接执行 SQL。

把 SQLite 数据库发布成可以浏览、可以查询的网页和 JSON API，支持 SQL 查询、元数据和插件扩展，也能用 datasette publish 部署到 Cloud Run 等平台。适合数据探索和数据新闻，需要 Python 3.10 及以上版本。

用 Presidio Analyzer 扫描文件与目录中的个人敏感信息（姓名、邮箱、信用卡号等），可配置实体类型、置信度阈值与忽略规则。需要 Python 3.10+ 与 spaCy 语言模型。

让 agent 写代码获取 A 股及相关市场数据：行情 K 线、研报、资金流、龙虎榜、公告、宏观利率、期货与可转债等，整合 34 个公开数据源，除 iwencai 外无需密钥；需要安装 Python 依赖。

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。

支持二十多种 SQL 方言的 linter 与格式化工具，可自动修复大部分问题，兼容 Jinja 模板与 dbt 项目（dbt 需装插件），适合在数仓代码评审和 CI 中使用。

终端里的表格数据浏览与整理工具，能打开 CSV、JSON、Excel、SQLite 等数十种格式，做筛选、排序、透视和频次统计；--batch 模式可无界面回放操作或转换文件格式。

把 dig、ps、ls、ifconfig 等上百种命令的输出及常见文件格式转换成 JSON，便于 agent 用 jq 或脚本可靠解析；也可作为 Python 库使用。

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。

Python 编写的网页正文提取库与命令行：抓取网页，可跟随站点地图与 RSS 批量采集，去除页眉页脚等噪声，输出 TXT、Markdown、JSON、XML 等格式并附元数据，也能离线处理已下载的 HTML。

老牌 CSV 命令行工具集：in2csv 把 Excel、JSON 转成 CSV，csvcut、csvgrep、csvsort 筛选排序，csvstat 做统计，csvsql 直接对 CSV 跑 SQL。

用文本文件记录复式记账交易的记账语言与工具集：bean-check 校验账本、bean-format 统一格式，配合 Fava、beanquery 出报表与查询；账本是纯文本，便于 agent 生成和版本管理。