doc7

在处理 PDF、扫描件或复杂图表时，传统的 OCR 工具往往只能提取零散的文字，丢失了版面结构、公式逻辑和图表关系。doc7 提供了一种全新的思路：它不依赖专用的 OCR 技术栈，而是通过你配置的 OpenAI 兼容多模态模型（如 Qwen2.5-VL、LLaVA 等），像人类一样“看”懂整页内容，并将其重构为结构化、可检索的 Markdown。

无论是纯图片 PDF、复杂的学术论文，还是带有公式和流程图的报告，doc7 都能将其转化为 AI 能够直接理解的知识库素材。最重要的是，这一切都在本地运行，没有按页计费，数据完全私有。

核心亮点：视觉理解取代文本提取

• 👁️ 整页视觉重建：doc7 将页面渲染为图像，交给多模态模型进行整体理解。它能识别正文、表格、LaTeX 公式、图表趋势以及流程图中的逻辑关系，而不仅仅是字符。
• 🚫 零云端依赖：不需要上传文档到第三方 API。你可以使用 LM Studio、Ollama 或私有部署的视觉模型，边际成本仅为电力和硬件损耗。
• 📊 极致的准确率：在针对《Attention Is All You Need》论文页面的基准测试中，doc7 (配合 qwen3.5-9b) 恢复了 15/15 项视觉事实，远超 MarkItDown + OCR (9/15) 和 Docling (3/15)。
• 🛠️ 灵活的恢复机制：支持断点续传和指定页重跑。如果某几页转换失败，只需修复后重新处理这几页，无需重跑整个文档。

快速上手

1. 安装

doc7 是一个独立的二进制文件，无需管理员权限即可安装。

• macOS / Linux:

  curl -fsSL https://raw.githubusercontent.com/magicrew/doc7/main/scripts/install.sh | bash
  

• Windows (PowerShell):

  irm https://raw.githubusercontent.com/magicrew/doc7/main/scripts/install.ps1 | iex
  

2. 配置本地模型

启动你的本地视觉模型服务（如 LM Studio 或 Ollama），然后运行：

doc7 setup

doc7 会自动检测正在运行的本地接口，验证模型的视觉能力，并保存配置。

3. 开始转换

# 转换单个文件
doc7 报告.pdf

# 批量处理目录
doc7 read ./documents -o ./knowledge

# 转换为标准输出
doc7 read report.pdf --stdout > report.md

高级功能：CLI、Agent 与 HTTP 服务

• 💬 交互式 Chat Agent：
  运行 doc7 chat 进入对话模式。你可以让它帮你选择文件、检查配置，甚至直接调用 convert_document 工具处理文档。它支持受限的文件系统操作（如 ls, find），确保安全性。
• 🌐 异步 HTTP 服务：
  通过 doc7 serve 启动本地服务器，提供 REST API 供其他应用调用。支持任务队列、状态轮询和断点恢复，适合集成到大型知识库系统中。

  doc7 serve --addr 127.0.0.1:8787
  

• 🔧 MCP 与 Go SDK：
  原生支持 Model Context Protocol (MCP)，可被 Claude Desktop 等客户端直接调用；同时提供 Go SDK，方便开发者嵌入自有工作流。

为什么选择 doc7？