retain-pdf

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

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。

🎯RAG 系统中文档的版面分析、OCR 识别和信息抽取

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

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

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

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