anydoc: kho mã nguồn mở biến Word, PowerPoint, Excel, PDF thành Markdown sạch, hơn 18.000 sao chỉ sau chưa đầy một tháng
Một kho mã nguồn mở ra đời ngày 3/8 năm nay, tới giờ đã hơn 18.000 sao trên GitHub.
Tên nó là anydoc, do đội Firecrawl làm.
Việc nó làm rất gọn: bạn đưa vào một file tài liệu, nó trả ra Markdown (định dạng chữ thuần, nhẹ, có cấu trúc rõ ràng - thứ mà AI đọc dễ nhất) đã dọn sạch sẽ.
Nhận được các định dạng: Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV và PDF.
Vài điểm đáng chú ý theo mô tả của chính kho mã:
1/ Một đầu ra duy nhất cho mọi định dạng. Mọi file đều đi qua cùng một bộ dựng Markdown, nên bảng biểu, tiêu đề, chú thích ra giống nhau dù đầu vào là file .doc đời cũ hay .pptx mới tinh.
2/ Giữ được cấu trúc thật của tài liệu. Tiêu đề, danh sách lồng nhau, bảng có ô gộp, chú thích cuối trang, ghi chú người thuyết trình. Công thức toán trong tài liệu được đổi sang dạng công thức LaTeX mà GitHub hiển thị được.
3/ Nhanh. Viết bằng Rust, việc chuyển đổi chạy ngay tại máy, không dùng mô hình AI. Kho ghi thời gian chuyển đổi trung vị dưới 5 mili giây một tài liệu.
4/ Cắm thẳng vào agent. Kho có sẵn dạng Agent Skill, chạy một dòng lệnh là agent của bạn đọc được tài liệu văn phòng. Ngoài ra có bản cho Node.js, Python, Rust và cả trình duyệt qua WebAssembly.
Một chỗ cần nói rõ để khỏi kỳ vọng nhầm: anydoc không tự nhận dạng chữ trong ảnh. PDF dạng chữ thì nó đọc ngay tại máy bạn, còn PDF là bản scan (ảnh chụp trang giấy) thì nó báo lỗi, muốn xử lý phải chủ động bật tùy chọn gửi lên dịch vụ Firecrawl Parse.
Trang demo của kho chạy ngay trong trình duyệt, và theo mô tả thì file được chuyển đổi tại máy, không rời khỏi máy bạn.
Nếu bạn đang xây trợ lý AI mà suốt ngày vướng ở khâu "làm sao cho nó đọc được đống file của mình", đây là thứ đáng vào xem.
إرسال تعليق