你是否曾为让大模型“读懂”PDF 报告、扫描件、带公式的学术论文或含图表的 PPT 而发愁？doc7 是一款开源的本地化文档智能解析工具，它不依赖云端 OCR 或 SaaS 服务，而是利用你自己的多模态大模型（如 Qwen-VL、LLaVA、Phi-3-vision），直接将 PDF、Word、Excel、PPT、截图、手写扫描件甚至复杂图表和数学公式，精准还原为语义清晰、层级完整、AI 友好的 Markdown 文档——保留标题结构、列表、表格、代码块、数学公式（LaTeX）、图像描述与上下文关联，真正实现“文档输入，AI-ready 输出”。
核心功能
- 全格式兼容：原生支持 PDF、DOCX、PPTX、XLSX、PNG/JPEG（含截图、扫描件、白板照片），无需预处理或手动切图
- 视觉语言联合理解：调用本地部署的多模态模型，自动识别图表类型（柱状图/流程图/架构图）、解析数学公式（输出 LaTeX）、理解示意图逻辑关系
- 零 OCR 依赖：告别 Tesseract、PaddleOCR 等传统 OCR 工具链，避免字体缺失、版式错乱、公式识别失败等问题，由 VLM 直接端到端理解
- 结构化 Markdown 输出：生成带正确 heading 层级、语义化表格、内联图片描述（alt text）、公式块、引用标注的 Markdown，可直接喂给 RAG 系统或本地 LLM 进行检索与推理
- 完全离线 & 隐私优先：所有文档处理均在本地完成，敏感合同、内部报告、科研数据无需上传任何第三方服务器
- 轻量易集成：提供命令行 CLI、API 服务（HTTP 接口）及 Go SDK，轻松嵌入知识库构建流水线、文档自动化工作流或笔记应用
适合哪些人用
科研人员可快速将 arXiv 论文 PDF 转为带公式和图表描述的 Markdown，用于文献综述辅助；企业法务/咨询顾问能批量解析扫描版合同与财报，构建可检索的合规知识库；教师与学生可用它把教材截图、板书照片转化为结构化学习笔记；开发者则能将其作为 RAG 系统的前置文档理解模块，替代笨重的 OCR+Layout Parser 组合方案。只要你在本地运行过 Ollama 或 LM Studio，就能立刻上手——无需 GPU 专家经验，也无需训练模型。
快速上手
macOS/Linux 用户只需一条命令安装：
curl -fsSL https://raw.githubusercontent.com/magicrew/doc7/main/scripts/install.sh | bash
Windows 用户打开 PowerShell 运行：
irm https://raw.githubusercontent.com/magicrew/doc7/main/scripts/install.ps1 | iex
接着，在 Ollama 中拉取一个支持视觉的模型（例如：ollama run llava 或 ollama run qwen2-vl:7b），然后执行转换命令：
doc7 convert --model llava document.pdf
几秒后即可获得结构清晰、AI 可直接处理的 Markdown 文件。支持批量转换、自定义输出路径、保留原始图像链接等实用选项，详细参数见项目文档。
项目信息
Turn documents into AI-ready Markdown with visual understanding
604
Stars
14
Forks
Go
MIT
编程语言：Go｜Star 数：604｜开源协议：MIT｜GitHub 项目地址
如果你厌倦了文档解析的黑盒服务、OCR 失败的挫败感，以及 AI“看不见”图表和公式的无力感——doc7 就是你等待已久的、真正属于开发者与知识工作者的本地化文档智能中枢。
