anydoc: Biến Word, PPT, PDF thành Markdown sạch cho AI trong vài mili-giây

Repo này là gì

anydoc là thư viện Rust của Firecrawl (21.841★) chuyển đổi tài liệu văn phòng — Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV và PDF — thành Markdown chuẩn GitHub (GitHub-Flavored Markdown). Điểm đặc biệt: đầu vào 100 kiểu định dạng khác nhau, đầu ra luôn là một chuẩn Markdown duy nhất, quán quán. Repo: https://github.com/firecrawl/anydoc · demo chạy ngay trên trình duyệt: https://firecrawl.github.io/anydoc/ · dự án phát triển bởi đội ngũ Firecrawl (firecrawl.dev).

Vì sao nó đột phá

Tốc độ “single-digit milliseconds” — chuyển đổi tài liệu trong khoảng mili-giây, nhờ Rust.
Một chuẩn đầu ra cho mọi định dạng — không còn cảnh mỗi file lại parse ra một kiểu lộn xộn; LLM ăn Markdown sạch thay vì đống nhị phân vô nghĩa.
Chạy được ở mọi nơi: bindings cho Node.js, Python và WebAssembly (chạy ngay trong trình duyệt) — file được xử lý ngay trên máy người dùng, không hề rời khỏi thiết bị.
Nó làm nền cho Firecrawl Parse — sản phẩm hosted của Firecrawl, kèm mô hình OCR cho các trang quét mà bản local không đọc được.

Đây chính là “bước đệm” cho các pipeline RAG / agent đọc tài liệu doanh nghiệp — nơi mà dữ liệu không bao giờ là Markdown sẵn.

Bắt đầu nhanh

Cài qua npm:

npm install @firecrawl/anydoc

Python:

pip install firecrawl-anydoc

Chuyển đổi trên command line (không cần code):

npx @firecrawl/anydoc report.docx               # Markdown ra stdout
npx @firecrawl/anydoc slides.pptx -o slides.md  # hoặc ra file
npx @firecrawl/anydoc - --format csv < data.csv # đọc từ stdin
npx @firecrawl/anydoc scan.pdf --ocr hosted     # trang quét qua Firecrawl Parse

Còn dành cho agent: anydoc có sẵn dạng Agent Skill (theo chuẩn agentskills.io) — chỉ cần npx skills add firecrawl/anydoc, agent của bạn tự biết đọc mọi tài liệu gặp phải.

Ứng dụng thực tế

Pipeline RAG cho doanh nghiệp: tự động hoá việc ăn hàng trăm bộ tài liệu Word/PPT/PDF thành corpus sạch.
Agent đọc file đính kèm: email, hỗ trợ khách hàng, chatbot nội bộ — Agent Skill biến file bất kỳ thành context dùng được.
Web app “không gửi dữ liệu đi đâu”: nhờ bản WebAssembly, làm UI upload file xử lý local 100% riêng tư.

Kết luận và takeaways

anydoc giải quyết đúng bài toán đau nhất của AI trên dữ liệu văn phòng: biến file nhị phân thành Markdown sạch, nhanh.
Có 3 cách dùng tuỳ nhu cầu: CLI (npx @firecrawl/anydoc), thư viện (npm/pip), hay Agent Skill.
Yêu cầu OCR cho trang quét thì dùng hosted Firecrawl Parse; dữ liệu nhạy cảm thì giữ bản local/WASM.

Repo tăng gần 22.000 sao chỉ trong khoảng 1 tháng — tín hiệu rõ ràng rằng “document → Markdown cho AI” là hạ tầng mà cả cộng đồng đang cần.