doc7

做知识库、RAG、或者让大模型读论文/报告时，最头疼的往往不是模型本身，而是文档进不来。

扫描版 PDF、带复杂公式的论文、流程图、截图、Office 文件……传统 OCR 只能抠文字，版面乱、表格丢、公式糊、图表关系没了。云端文档解析服务又贵，还要把内容上传出去。

最近 GitHub 上出现的开源项目 doc7试图换一条路： 任意文档进 → 用你自己的多模态模型理解整页 → 输出 AI 可检索、可引用的 Markdown。

doc7 网站截图

它和传统 OCR 有什么不同？

doc7 不依赖一套固定的 OCR + 版面 + 表格 + 公式模型栈。它把页面交给你配置的 OpenAI 兼容多模态模型（本地 LM Studio、Ollama，或私有部署都行），让模型直接“看懂”整页内容。

官方举了个典型例子：一张纯光栅的 Attention Is All You Need 论文页，没有文字层。doc7 能恢复论文身份、Figure 2、公式、缩放说明、脚注，以及两个注意力图内部的有序关系，并整理成可搜索的 Markdown。

在他们的对比测试中（同样用本地 qwen3.5-9b），针对 15 个可机器检查的视觉事实：

• doc7 恢复了 15/15
• MarkItDown + OCR 插件约 9/15
• Docling 标准流程约 3/15

说明它在复杂视觉元素上确实有优势。

支持什么？怎么用？

输入几乎覆盖日常文档：PDF、Office、扫描件、截图、图表、公式、流程图等，统一走同一套页面理解管线，输出一份结构化 Markdown。

安装很轻量：

# 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

然后本地起一个视觉模型（LM Studio 或 Ollama），直接：

doc7 report.pdf

首次运行会自动发现本地模型端点并保存配置。也支持远程 OpenAI 兼容接口，但会明确提示内容会离开本机。

同一个二进制还提供交互式 CLI、批量处理、MCP、Go SDK 和异步 HTTP 服务，扩展性不错。

成本与隐私上的优势

doc7 本身不按页收费，也不绑定任何文档处理服务。你用自己的硬件跑量化多模态模型，边际成本主要是电费和机器时间。适合大批量、重复处理，或者对隐私敏感的场景（本地/私有端点即可）。

适合谁？

• 想把论文、报告、扫描件喂给 RAG / 知识库的人
• 需要保留公式、图表关系、UI 状态的复杂文档处理
• 希望尽量本地化、少付云端文档解析费用的团队
• 已经在用 Ollama / LM Studio，想顺便把文档能力补上的开发者

项目目前还比较早期（v0.1.x），但方向清晰：用视觉大模型统一处理“看文档”这件事，而不是堆一堆专用小模型。MIT 协议，可放心试用。