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。

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。

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。

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。

新一代标记式排版系统，可替代 LaTeX 撰写论文、报告与简历；增量编译速度快，一条 typst compile 命令即可输出 PDF，watch 模式可自动重新编译。

免费开源的离线 OCR 桌面软件，支持截图、批量图片、PDF 扫描件与二维码识别，可通过 umi-ocr 命令行或 HTTP 接口调用（命令行依赖软件内的本地 HTTP 服务，默认开启）。仅支持 Windows 与 Linux。

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。

保留公式、图表与排版的 PDF 论文全文翻译工具（命令 pdf2zh），输出单语与双语对照 PDF；默认使用谷歌翻译，可切换 DeepL、OpenAI 等服务，也能以 MCP 模式运行。

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。

把技术书、文档目录或论文集（PDF、EPUB、DOCX、Markdown 等）提炼成 agent 技能：核心框架、按需加载的章节文件、术语表与速查表，工作中随时调用查阅。抽取脚本需本机 Python，PDF 可选装 poppler 或 docling。

Anthropic 官方插件：在本地交互式查看器里打开 PDF，由 Claude 分批提议高亮、批注与审批印章，逐项引导填写表单、放置签名图片并导出标注副本。需要 Node.js 18+，签名不是数字证书签名。

开源电子书管理软件，自带 ebook-convert、ebook-meta、calibredb 等命令行工具，可在 EPUB、MOBI、AZW3、PDF、DOCX 等格式间批量转换并管理书库元数据。安装命令仅适用于 Linux，macOS 与 Windows 需下载安装包。

Firecrawl 出品，在本地把 Word、PPT、Excel、PDF、EPUB、RTF 等文档毫秒级转成干净的 Markdown，保留标题、表格、脚注与公式，方便 agent 读合同、讲义、报表等附件。需安装 Node.js；扫描件可选用 Firecrawl 云端 OCR（会上传整份文件）。

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 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+。

面向科研论文的 PDF 翻译命令行，尽量保留公式与版式，输出双语对照或纯译文 PDF。需配置 OpenAI 兼容接口（也可接本地 Ollama），目前以英译中为主。

开源的 NotebookLM 播客功能替代品，把网页、PDF、图片、YouTube 视频或文字转成两人对话式播客音频，适合老师把讲义、作者把文章做成音频节目。默认需要 Gemini 与 OpenAI API Key，也可用本地模型加免费的 Edge 语音。

自包含的现代 TeX/LaTeX 引擎（基于 XeTeX 与 TeX Live），首次编译时自动下载并缓存所需支持文件，一条命令把 .tex 编译成 PDF，无需安装完整 TeX 发行版。

把含数学公式、表格的图片或整份 PDF（含扫描件）识别成 Markdown 与 LaTeX，中英文效果好，支持 80 多种语言，适合教师把试卷、讲义数字化，学生整理笔记。开源的 Mathpix 替代品，在本机运行，需要 Python 环境。

PDFMathTranslate 的 2.x 新版（命令 pdf2zh_next），基于 BabelDOC 翻译论文等 PDF，保留公式、图表、目录与批注，输出译文版和双语对照版；默认走免费的硅基流动翻译通道，也可换用 OpenAI、DeepSeek 等服务的 API Key。适合教师、研究者读外文文献。

把 PDF、Word、Excel、PPT、图片、音频、网页和 YouTube 字幕转成 Markdown，方便 agent 阅读和引用。基于微软 MarkItDown；Docker 镜像不含音频转写和图片识别，完整功能需要本地构建。