doc7 评测：用视觉理解重新定义文档转 Markdown

一句话介绍

doc7 是由 magicrew 团队开源的新一代文档转 Markdown 工具，它不依赖传统 OCR，而是直接调用本地或远程的 OpenAI 兼容多模态模型（如 Qwen、LLaVA 等），将 PDF、Office 文件、扫描件、截图、图表、公式等全部转换为 AI 可直接搜索、引用和推理的结构化 Markdown。

它是什么？

在 AI 应用开发中，将各类文档转化为 AI 可理解的 Markdown 是构建 RAG 知识库、智能问答和文档分析的前置步骤。然而，传统方案大多依赖 OCR（如 Tesseract）或格式特定的解析器（如 pandoc），面对扫描件、复杂表格、图表和公式时往往效果不佳。

doc7 走了一条不同的路：它把每一页文档渲染成图片，直接交给视觉语言模型（VLM）进行”看图理解”，输出包含文本、表格、公式、图表描述的完整 Markdown。这意味着即使文档完全没有文本层（纯扫描件），doc7 也能”读懂”内容。

项目于 2026 年 8 月 2 日创建，上线不到两周已收获 近 900 Stars，采用 MIT 许可证，主语言为 Go，并提供了 CLI、Go SDK、MCP Server 和异步 HTTP 服务四种调用方式。

GitHub: https://github.com/magicrew/doc7
Stars:  ~900
语言:   Go
许可证: MIT
最新release: v0.1.2 (2026-08-07)

核心功能

1. 真正的视觉理解，无需 OCR

doc7 的核心创新在于它绕过了传统 OCR 流程。每一页文档被渲染为图片后，直接发送给视觉语言模型（VLM）进行端到端理解。这意味着：

扫描版 PDF 可以像正常文档一样被处理
复杂表格、图表、流程图可以被”看懂”并以结构化文本输出
公式可以直接输出为 LaTeX 格式
截图中的 UI 状态（错误提示、按钮文字）也能被提取

2. 广泛的格式支持

doc7 支持几乎所有主流文档格式，全部走同一条视觉理解流水线：

类别	格式
文档	PDF, DOC/DOCX/DOCM, ODT, RTF
演示	PPT/PPTX, ODP
表格	XLS/XLSX, ODS
电子书	EPUB
邮件	EML, MHTML, Outlook MSG
笔记本	Jupyter (IPYNB)
图片	PNG, JPEG, GIF, WebP, BMP, TIFF, SVG
网页	HTML, HTTP/HTTPS URL, ZIP 归档

3. 本地推理，零边际成本

doc7 不向用户收取任何文档处理费用。你可以：

在本地运行 LM Studio 或 Ollama，加载一个视觉模型（如 qwen3.5-9b），然后零成本处理任意数量的文档
也可以使用远程 OpenAI 兼容 API（如 Azure、Cloudflare AI、Self-hosted vLLM 等）
配置一次后，API Key 保存在系统密钥链中，不会出现在仓库或发布包中

对于大规模文档处理需求，本地部署是成本最优的选择——只需考虑电力和硬件开销。

4. MCP Server 与 AI 工具集成

doc7 内置了 MCP（Model Context Protocol）服务器，提供一个类型为 convert_to_markdown 的工具。在 Claude Desktop、Cursor、Windsurf 等支持 MCP 的工具中，只需配置 JSON 即可让 AI 直接调用 doc7 转换文档：

{
  "mcpServers": {
    "doc7": {
      "command": "/absolute/path/to/doc7",
      "args": ["mcp"],
      "env": {
        "DOC7_BASE_URL": "http://127.0.0.1:1234/v1",
        "DOC7_MODEL": "qwen3.5-0.8b"
      }
    }
  }
}

5. 开放基准测试，结果公开透明

doc7 在公开基准测试中表现亮眼。使用相同的 qwen3.5-9b 模型和同一本地端点，在包含 15 个可视化事实的测试中：

工具	正确恢复事实数
doc7	¹⁵⁄₁₅ ✅
MarkItDown + OCR	⁹⁄₁₅
Docling (标准管道)	³⁄₁₅

所有基准测试的原始输出、SHA-256 摘要和评分规则均已提交到仓库，可供审查。

6. 丰富的工程特性

增量处理：--resume 参数可从中断处继续，已成功处理的页面不会被重新调用模型
文本锚定：--text-grounding 模式可验证 PDF 嵌入文本层中的精确数值和代码
并发控制：--file-workers 和 --workers 分别控制文件和页面级别并发
异步 HTTP 服务：doc7 serve 启动本地服务，支持文件上传和任务轮询
Docker 支持：官方镜像 ghcr.io/magicrew/doc7:latest 内置 LibreOffice、MuPDF、Chromium 和 CJK 字体
Go SDK：github.com/magicrew/doc7 包可直接嵌入 Go 项目

适用人群

AI 应用开发者：需要构建文档问答、智能摘要、RAG 知识库的应用
研究者和分析师：需要将学术论文、报告、可视化图表转为结构化 Markdown
隐私敏感用户：希望本地运行、文档不出机器的安全需求
开发者工具爱好者：喜欢尝试基于视觉语言模型的新方案
企业 IT 团队：需要批量处理大量文档但又不想支付云 API 按页计费的团队

与同类工具对比

|| 工具 | 核心方法 | 扫描文档支持 | 成本模型 | 调用方式 | 备注 | |——|——|———-|———-|———-|——| | doc7 | 视觉语言模型端到端理解 | ✅ 原生支持 | 免费（本地模型） | CLI / MCP / Go SDK / HTTP | 无需 OCR，Benchmark ¹⁵⁄₁₅ | | anydoc | 格式解析器（Rust） | ❌ 不支持 OCR | 免费开源 | CLI / npm / pip / WASM | 速度快但纯扫描 PDF 无法处理 | | MarkItDown | 格式解析 + OCR 插件 | ⚠️ 需额外配置 OCR | 免费开源 | Python SDK | Benchmark ⁹⁄₁₅ | | Docling | 专用文档 AI 管道 | ⚠️ 需配置模型 | 免费开源 | CLI / Python | Benchmark 3/15，输出文件极大 | | AWS Textract | 云服务 | ✅ | 按页计费 | REST API | 商业服务，数据出云 | | MinerU | 专用文档 AI | ✅ | 免费开源 | Python SDK | 重量级，依赖多 |

doc7 的核心优势：用视觉理解替代传统 OCR 流水线，对扫描文档、复杂排版、图表公式的处理能力远超纯解析方案。同时，它不绑定任何特定云服务商，所有模型端点由用户自主选择。

如何使用

安装

# macOS 或 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

方式一：基础文档转换

首先启动 LM Studio 或 Ollama，加载一个视觉模型（如 qwen3.5-9b），然后：

# 转换单个 PDF
doc7 report.pdf

# 转换图片
doc7 screenshot.png

# 转换整个目录
doc7 read ./documents -o ./knowledge

# 输出到标准输出（可管道传给其他工具）
doc7 report.pdf --stdout > report.md

首次运行时，doc7 会自动检测系统中运行的本地模型服务器，列出可用模型供选择，并进行视觉理解验证测试。

方式二：配置远程端点

doc7 setup config \
  --base-url https://your-api-endpoint/v1 \
  --model qwen3.5-9b

如需 API Key，可通过环境变量或标准输入设置：

DOC7_API_KEY=sk-xxx doc7 report.pdf
# 或交互式输入
doc7 setup config --api-key-stdin

方式三：使用 MCP 集成到 AI 工具

在 Claude Desktop 或 Cursor 的 MCP 配置中添加 doc7，AI 即可在对话中直接请求转换文档：

{
  "mcpServers": {
    "doc7": {
      "command": "/usr/local/bin/doc7",
      "args": ["mcp"],
      "env": {
        "DOC7_BASE_URL": "http://127.0.0.1:1234/v1",
        "DOC7_MODEL": "qwen3.5-9b"
      }
    }
  }
}

配置完成后，AI 可以：

用户: 帮我转换这个 PDF 为 Markdown
AI: （自动调用 doc7 MCP 工具转换文档）

方式四：启动异步 HTTP 服务

# 启动本地服务
doc7 serve --addr 127.0.0.1:8787 --data-dir ./doc7-server

# 提交转换任务
curl -F file=@report.pdf http://127.0.0.1:8787/v1/jobs

# 轮询状态并下载结果
curl http://127.0.0.1:8787/v1/jobs/<job-id>
curl -o report.md http://127.0.0.1:8787/v1/jobs/<job-id>/markdown

方式五：Docker 部署

export DOC7_MODEL=qwen3.5-0.8b
export DOC7_SERVER_TOKEN=replace-me
docker compose pull
docker compose up --no-build

Docker 镜像内置了 LibreOffice、MuPDF、Chromium 和 CJK 字体，开箱即用。

高级用法

# 只处理指定页面
doc7 read report.pdf -o report-partial --pages 5,7,10-12

# 从中断处恢复
doc7 read report.pdf -o report-doc7 --resume

# 验证文本层精确值（适用于含文本的 PDF）
doc7 read report.pdf --text-grounding

# 检查本地模型连接
doc7 doctor --check-model

# 查看可用模型
doc7 models --base-url http://localhost:8000/v1

# 使用自定义 prompt 文件
doc7 read ./reports --prompt-file ./prompt.md

总结

doc7 代表了文档转 Markdown 工具的一个新思路：与其用复杂的 OCR + 解析器流水线，不如直接把页面交给视觉语言模型”看懂”。这种方法在扫描文档、复杂排版和图表处理上具有天然优势。

优点： - 视觉理解原生支持扫描件和复杂排版，Benchmark 表现优异（15/15） - 无需传统 OCR 依赖，配置简单（一条命令即可开始） - 本地推理零边际成本，大规模处理无费用焦虑 - 多调用方式：CLI、MCP、Go SDK、HTTP 服务、Docker 全覆盖 - MIT 开源，代码和基准测试完全可审计

不足： - 依赖视觉模型质量，小模型（<3B）对复杂图表的处理效果有限 - 转换速度受模型推理速度制约，不如任何doc这类纯解析工具快 - 项目较新（2026年8月发布），社区生态和文档丰富度仍在积累中 - Windows 版的 Apple Developer ID 签名和公证尚未完成（计划中）

推荐指数：⭐⭐⭐⭐☆（4.5/5）

如果你正在构建需要处理各类文档的 AI 应用，或者需要批量转换扫描件、图表密集的 PDF 为可搜索 Markdown，doc7 是目前最值得尝试的工具之一。特别是对于有本地 GPU 或已部署视觉语言模型的用户，它提供了一个零额外成本的文档处理方案。

原文链接：https://github.com/magicrew/doc7 基准测试：https://github.com/magicrew/doc7/tree/main/benchmarks