微软开源 MarkItDown：万能格式转换神器，15+ 格式统一转 Markdown，狂揽 140K+ Star！

标签: MarkItDown / 微软开源 / 文件格式转换 / Markdown / RAG / LLM / OCR / PDF / Office
原文: 微信公众号「AI有道」https://mp.weixin.qq.com/s/gS0lgFsPdoDeLyrcbfAJfA
GitHub: https://github.com/microsoft/markitdown

核心亮点

MarkItDown 是微软 AutoGen 团队开源的文件格式转换工具，将 15+ 种常见文件格式统一转成 Markdown，包括 PDF、Office 全家桶、图片、音频、视频、HTML、YouTube 链接。GitHub 140K+ Stars，一行命令搞定。

痛点：LLM 读不懂你的文件

LLM 应用的落地速度远超预期，但现实中资料都是 PDF、Word、PPT、Excel 这些格式。想让 AI 读懂，得先转成纯文本。

常见困境

• ❌ 一个项目里既有合同 PDF、产品文档 Word、数据表格 Excel
• ❌ 格式五花八门，每种都得写个解析器
• ❌ 这恰恰是 RAG 系统和 AI Agent 开发最头疼的环节

MarkItDown 是什么？

把现实中五花八门的文件，用一套统一的管道转成 LLM 最擅长理解的 Markdown。

核心数据

• ⭐ GitHub Stars: 140,000+
• 🏢 出品: 微软 AutoGen 团队
• 📄 支持格式: 15+
• 📝 输出格式: Markdown（LLM 优化）

设计哲学

围绕"让 LLM 更好理解"这个核心目标。输出的 Markdown 是专门为 LLM 优化的，GPT-4o 这类模型天生就"说"Markdown，Token 效率比 JSON、XML 高得多。

支持格式：15+ 种全覆盖

📄 文档类

🖼️ 富媒体类

🌐 Web 类

📊 数据类

📦 打包类 & 邮件

核心能力

1. 插件系统

支持第三方扩展：

• markitdown-ocr 插件：用 GPT-4o Vision 能力给 PDF、Word、PPT 里的图片做 OCR
• 不需要额外装 Tesseract 等重量级依赖

2. Azure AI 集成

• 对接 Azure Document Intelligence 和 Content Understanding
• 处理扫描版 PDF、复杂表格、多页文档
• 从视频、音频里提取结构化字段
• 质量比本地转换高一个档次

3. LLM 图片描述

如果文件里有图片，能接入 GPT-4o 自动生成图片描述，让 LLM 也能"看懂"图表和截图。

上手方式

安装

# 环境要求：Python 3.10+
pip install markitdown

命令行使用

基础用法：

markitdown file.pdf > output.md

启用插件：

markitdown --plugins markitdown-ocr file.pdf

Azure AI 增强：

markitdown --azure-content-understanding file.pdf

Python API

基础用法：

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("file.pdf")
print(result.text_content)

带 LLM 图片描述：

md = MarkItDown(llm_client=llm_client)
result = md.convert("file.pdf")

启用 OCR 插件：

md = MarkItDown()
md.enable_plugins(["markitdown-ocr"])
result = md.convert("file.pdf")

Docker 使用

docker run markitdown --help

效果展示

PDF 合同转换

转换前：10 页扫描版合同 PDF，文字都在图片里。

使用 MarkItDown + OCR 插件后：得到完整 Markdown 文档，所有条款、表格、签名区都提取出来，LLM 可以直接分析合同风险点。

音频转录

30 分钟会议录音，直接转成文字记录。

性能测试

MacBook Pro (M1 芯片) 测试结果：

除了音频转录稍慢，其他格式基本都是秒级响应，完全能用在实时场景。

集成到 RAG 系统

MarkItDown 最典型的应用场景就是构建 RAG 知识库：

1. 批量转换各种格式文档为 Markdown
2. 将 Markdown 文本向量化存储
3. 通过 LLM 进行知识检索和问答

可选依赖

MarkItDown 采用按需安装设计，可以只装需要的格式支持。

写在最后

它没有试图重新发明文档格式，而是把现实中五花八门的文件，用一套统一的管道转成 LLM 最擅长理解的 Markdown，让开发者专注业务逻辑，而不是陷入格式解析的泥潭。

核心价值

✅ 15+ 格式统一转换 —— PDF、Office、图片、音频、视频、HTML、YouTube
✅ 为 LLM 优化输出 —— Markdown 格式，Token 效率高
✅ OCR + 语音转录 + Azure AI —— 扫描版 PDF 也能处理
✅ 插件系统 —— 可扩展，支持第三方插件
✅ 一行命令 —— pip install + markitdown 即可使用
✅ RAG 集成 —— 完美配合知识库构建

适合谁？

• 构建 RAG 系统和 AI Agent 的开发者
• 需要批量处理多格式文档的团队
• 想让 LLM 读懂 PDF/Office/多媒体文件的项目

相关链接

• GitHub: https://github.com/microsoft/markitdown
• PyPI: https://pypi.org/project/markitdown/
• 出品团队: 微软 AutoGen

Keywords: MarkItDown, 微软开源, 文件格式转换, Markdown, RAG, LLM, OCR, PDF, Word, Excel, PowerPoint, 知识库, AI Agent, Azure AI