giteahh/llm_wiki

Fork 0

Files

T

giteahh 407a9213bf feat(vault): Phase 3 tools + batch citation/relation enrichment

2026-07-01 15:20:40 +08:00

2.7 KiB

Raw Permalink Blame History

categories, tags, created, source, type, aliases, confidence, status, last_reviewed, review_interval_days

MarkItDown

概述

MarkItDown 是微软开源的 Python 工具，用于将各种文件格式转换为 Markdown，特别适合 LLM 和文本分析场景。

支持格式

类别	格式
文档	PDF, Word (.docx), Excel (.xlsx), PowerPoint (.pptx)
媒体	图片 (EXIF + OCR), 音频 (EXIF + 转录)
网页	HTML
数据	CSV, JSON, XML
其他	EPUB, ZIP, YouTube, Jupyter Notebooks

安装

# 创建虚拟环境
python3 -m venv ~/.venv/markitdown
source ~/.venv/markitdown/bin/activate

# 安装（所有依赖）
pip install 'markitdown[all]'

# 或按需安装
pip install 'markitdown[pdf, docx, pptx]'

使用方式

命令行

# 基本用法
markitdown file.pdf -o output.md

# 从stdin读取
cat file.pdf | markitdown

# 使用Azure Document Intelligence
markitdown file.pdf -d -e "<endpoint>"

Python API

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("document.xlsx")
print(result.text_content)

结合LLM进行图片描述

from markitdown import MarkItDown
from openai import OpenAI

md = MarkItDown(
    llm_client=OpenAI(),
    llm_model="gpt-4o"
)
result = md.convert("image.jpg")

可选依赖组

依赖组	说明
`[all]`	安装所有可选依赖
`[pdf]`	PDF文件支持
`[docx]`	Word文件支持
`[xlsx]`	Excel文件支持
`[pptx]`	PowerPoint支持
`[audio-transcription]`	音频转录
`[youtube-transcription]`	YouTube字幕
`[az-doc-intel]`	Azure文档智能

MCP服务器

MarkItDown 提供 MCP (Model Context Protocol) 服务器，可与 Claude Desktop 等应用集成。

详见: packages/markitdown-mcp

Wiki集成

MarkItDown已集成到LLM Wiki工作流：

脚本：~/.openclaw/workspace/04-Tools/wiki-ingest.sh
说明：~/.openclaw/wiki/markitdown-wiki-integration.md

使用场景

文档索引: 将Office文档转为Markdown便于搜索
RAG系统: 为LLM准备格式化文本输入
内容提取: 从PDF/图片中提取可编辑文本
数据分析: 将Excel表格转为结构化文本

2.7 KiB Raw Permalink Blame History