MarkItDown：把世界上的文件变成 LLM 爱读的 Markdown

LLM 很擅长读文本，但真实世界的知识从来不只存在于文本文件里。企业资料可能在 Word、PDF、PPT、Excel、HTML、图片、音频、压缩包和网页链接里；个人知识库也常常混着扫描件、会议录音、表格和研究报告。很多 AI 应用卡住的第一步，不是模型不会推理，而是资料根本没有以模型友好的形态进入系统。

microsoft/markitdown解决的就是这一步。它是一个轻量 Python 工具，用来把多种文件转换成 Markdown，服务于 LLM、RAG 和文本分析流水线。它不追求高保真排版复刻，而是尽量保留机器理解所需的结构：标题、列表、表格、链接、段落、元数据。这种取舍非常明确，也正是它适合 AI 应用的原因。

为什么是 Markdown

Markdown 介于纯文本和富文档之间。它足够简单，token 成本低；又能表达标题、列表、代码块、表格、链接和引用这些基本结构。对 LLM 来说，Markdown 是一种非常自然的输入形态，很多主流模型也会在输出中主动使用 Markdown。

这让 MarkItDown 的定位和传统文档转换器不同。传统转换器可能关心“这个 PDF 转成 Word 后页面是不是一样”，而 MarkItDown 更关心“这个文档转成文本后，模型还能不能看懂章节关系、表格内容和关键链接”。如果目标是让人继续精修排版，它未必是最佳选择；如果目标是让模型读取、检索、总结、问答，它就非常合适。

它支持哪些输入

README 中列出的支持范围很广：PDF、PowerPoint、Word、Excel、图片、音频、HTML、CSV、JSON、XML、ZIP、YouTube URL、EPub 等。图片可以提取 EXIF 和 OCR，音频可以提取元数据和转写内容，ZIP 可以遍历内部文件。

这意味着