document-parsing

将 PDF 或图像文件转换为 AI 可用的结构化数据。轻量且功能强大的 OCR 工具套件，桥接图像/PDF 与 LLM，支持超过 100 种语言。

让你的文档为生成式 AI 做好准备

PDF 解析器，将数据转为 AI 可用格式。自动化 PDF 可访问性。开源。

将文件轻松转换为结构化数据。Unstructured 是开源 ETL 解决方案，可将复杂文档转换为干净的结构化格式供语言模型使用。访问我们网站了解企业级平台产品，支持生产级工作流、分割、增强、切块与嵌入。

云端中的知识代理与管理

LandingAI 的 Agentic Document Extraction (ADE) 官方 CLI——从终端解析文档并提取符合架构的数据

ExtractThinker 是一个针对 LLM 的文档智能库，提供 ORM 风格的交互以实现灵活且强大的文档工作流程。

通过智能结构化数据提取与先进 OCR 技术，从任何文件、图片、PDF、Word 文件、PPT 或网址中提取并将数据转换为多种格式（Markdown、JSON、CSV、HTML）。

OpenOCR：一个用于通用 OCR 研究与应用的开源工具包，整合了统一的训练与评估基准、商业级 OCR 与文档解析系统，以及对多篇学术论文核心实现的忠实重现。

TurboOCR，>200 img/s OmnidocBench。TensorRT FP16、PP-OCRv6、HTTP + gRPC

用于本地与自托管文件搜索的 Agentic RAG：基于嵌入式 LanceDB 的混合检索、重排序与多模态 RAG，并整合 Docling 解析与 MCP 服务器

ParseBench - 用于 AI Agent 的文档解析基准测试。

Hybrid RAG system combining vector search, knowledge graph (LightRAG), and cross-encoder reranking — with Docling document parsing, visual intelligence (image/table captioning), agentic streaming chat, and inline citations. Powered by Gemini or local Ollama models.