deepdoctection
文档 AI 分析工具库，支持文档图像分析、版面分析、OCR 识别和文档理解，适用于 RAG 系统的文档预处理环节。
🎯适用场景：RAG 系统中文档的版面分析、OCR 识别和信息抽取
📥 收录于 2026/6/3
📊 仓库数据
✅ 优点
- •一站式文档分析
- •支持多种文档格式
- •适用于 RAG 预处理
⚠️ 限制
- •配置较为复杂
- •对扫描件效果有限
- •维护活跃度一般
🔗 相关工具
unstract
github.com/Zipstack/unstract
LLM 驱动的非结构化数据提取工具，面向 API 部署和 ETL 管道工作流。支持从 PDF、发票、合同等文档中自动提取结构化数据，适合企业级文档处理场景。6.6K+ stars。
🎯企业文档自动处理、发票/合同信息提取、RAG 数据管道构建
retain-pdf
github.com/wxyhgk/retain-pdf
在保留版面、公式与结构的前提下进行 PDF 翻译，适用于科研论文与技术文档的高质量翻译场景
🎯科研论文翻译、技术文档本地化、PDF 格式保留翻译
MarkItDown
github.com/microsoft/markitdown
微软开源的通用文件转 Markdown 工具，支持 PDF、Word、PPT、Excel、HTML、音频、图片 OCR 等数十种格式转换，专为 LLM 和 RAG 数据预处理设计，插件系统可扩展，MIT 协议
🎯多模态内容理解与生成
Firecrawl
github.com/firecrawl/firecrawl
AI 友好的网页抓取 API，支持 URL → Markdown/结构化数据，110K+ stars。专为 LLM 应用设计，自动处理 JS 渲染、分页、反爬，是 RAG 系统的理想数据源
🎯网页自动化与数据采集
RAGFlow
github.com/infiniflow/ragflow
开源 RAG 引擎，78,566+ stars。深度融合检索与 LLM 能力，支持 PDF/Word/PPT 等多格式文档解析、智能分块、混合检索和引用溯源，是企业知识库问答的优选方案
🎯企业知识库问答与 RAG 检索、非结构化文档解析与提取
LobeHub
github.com/lobehub/lobe-chat
AI Agent 协作平台，75,393+ stars。提供现代化的聊天界面，支持多模型切换、插件系统、Agent 团队协作、知识库管理，是个人 AI 工作台的优秀选择
🎯企业知识库问答与 RAG 检索