把 Office 文件喂给 AI 之前,先看看 Markdown 丢了什么
我把一个 Excel 样本转成 Markdown,工具正常退出,没有报错,速度也很快。
但结果里有一处很安静的变化:
Excel 显示:15.5%
Markdown 输出:0.155数字没丢,值也没有算错。做计算、排序或结构化抽取时,0.155 甚至更合适;做搜索、问答或面向人的报表摘要时,15.5% 又更直观。真正的风险不是保留了原始值,而是单位、显示规则和来源坐标没有一起交给下游。
这类问题比转换失败麻烦。失败会报警,语义退化往往只会继续流进系统。
不过,损失不一定是 Markdown 自己造成的。它可能发生在四层:解析器没有读出信息,中间模型没有承载,Markdown 序列化时选择不输出,或者下游只接收一份 Markdown,主动忽略了 assets、页级结果和 warnings。Markdown 本身完全能写 15.5% 和图片引用;这里讨论的是一条具体转换链做了哪些取舍。
一个很快的文档转换器
这次测试的是 GitHub 上的 firecrawl/anydoc(下文简称 anydoc),8 月初刚开源。它用 Rust 编写,可以在本地把 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV 和文本型 PDF 转成 Markdown,也提供 Node.js、Python 和浏览器 WASM 入口。
它的主体设计很顺:除 PDF 外,Office、OpenDocument、RTF、EPUB 和 CSV 等格式先进入一套共享 document model,再由统一的 Markdown 渲染器输出。表格转义或脚注渲染修一次,走这条路径的格式都能复用。PDF 是例外:v0.1.8 由 pdf-inspector 直接生成 Markdown。
我在 macOS arm64 上固定到 v0.1.8 对应的源码提交,从头构建并跑了仓库测试。208 个单元测试、robustness 测试和 8 个非忽略的集成/快照测试通过;另有一个依赖未公开本地语料的测试被忽略。
随后我转换了仓库自带的五个小型测试文件。在这台机器上,它们都在毫秒级完成。
这只能说明它处理这些小型测试文件确实很快,不能外推到一份几百页、图片很多的真实报告,也不能证明冷启动、内存或并发表现。不过,“可以在本地运行、格式覆盖广”不是只写在 README 里的口号。
成功转换,不代表完整保留
再看开头的 Excel。
单元格底层保存的是 0.155,格式规则让人看到 15.5%。当前版本读取了底层值,却没有恢复显示格式;货币符号和千分位也有类似问题。项目里已经有一个修复 PR,但在我测试时还没有合并。
这不是简单的“排版不够漂亮”。对财务、运营和数据报表来说,显示格式本身就是语义的一部分。
它还可能改变下游的判断方式。用户搜索“增长率 15.5%”时,纯文本检索未必能命中 0.155;模型做摘要时,也可能把同一列里的比例、金额和普通小数当成同一种数值。本文没有做检索或问答的对照实验,这里说的是需要验证的风险,不是已经观察到的失败。更稳妥的转换结果…