AI 已经能自己搞科研了,几百轮实验全程不用人盯着。
流程说起来不复杂:提假设、改代码、跑实验、看结果,有用就留下,没用就扔掉。
这个方向叫 Auto-research,名字来自 Karpathy 的 autoresearch 项目。
Papers with Code 上已经收录了 166 篇相关论文。
其中 IdeaScientist 用的是 27B 开源模型,成绩比 Claude Code SDK 和 Codex SDK 最多高出 5.9%。
链接: https://paperswithcode.co/tasks/auto-research
流程说起来不复杂:提假设、改代码、跑实验、看结果,有用就留下,没用就扔掉。
这个方向叫 Auto-research,名字来自 Karpathy 的 autoresearch 项目。
Papers with Code 上已经收录了 166 篇相关论文。
其中 IdeaScientist 用的是 27B 开源模型,成绩比 Claude Code SDK 和 Codex SDK 最多高出 5.9%。
链接: https://paperswithcode.co/tasks/auto-research
给孩子辅导古诗,生字要查拼音,多音字还得核对课本。背了几遍说会了,遮住原文又接不上下一句。
「吟诗」是一个开源的古诗词阅读网页,内置 72 首小学必背古诗,每个字上面标好带声调的拼音,打开浏览器就能读。
支持横排、竖排、田字格 3 种版式,课本读音默认校正,某个字想改读音也能直接点。还能遮字背诵、填空默写、听朗读。
GitHub:https://github.com/TTNAN/yinshi
我喜欢它能把几首诗排成一份学习列表,家长、老师发个链接,孩子就能按朗读、跟读、背诵、默写的步骤练习。
另有 8 位诗人的足迹地图,点开李白、杜甫等人的停留地,就能看看那段时间写过哪些诗,地名和作品放在一起读更有意思。
手机、电脑都能用,无需账号,学习记录留在自己的浏览器里。也能打印成 A4,按需带上拼音、译文和注释。
「吟诗」是一个开源的古诗词阅读网页,内置 72 首小学必背古诗,每个字上面标好带声调的拼音,打开浏览器就能读。
支持横排、竖排、田字格 3 种版式,课本读音默认校正,某个字想改读音也能直接点。还能遮字背诵、填空默写、听朗读。
GitHub:https://github.com/TTNAN/yinshi
我喜欢它能把几首诗排成一份学习列表,家长、老师发个链接,孩子就能按朗读、跟读、背诵、默写的步骤练习。
另有 8 位诗人的足迹地图,点开李白、杜甫等人的停留地,就能看看那段时间写过哪些诗,地名和作品放在一起读更有意思。
手机、电脑都能用,无需账号,学习记录留在自己的浏览器里。也能打印成 A4,按需带上拼音、译文和注释。
收到女友一句不冷不热的回复,盯着聊天记录反复看,越分析越拿不准。
「狗头军师」把恋爱关系分析做成了一个开源 Codex Skill,可以提供聊天截图、文字记录或事情经过,让 AI 帮忙整理关系和回复思路。
它会先分清哪些是事实,哪些只是猜测,再根据双方的互动、投入和现实情况,给出一句回复、一次邀约或后续观察的建议。
GitHub:https://github.com/shengjidaguai-china/goutoujunshi
我比较赞同它不凭一句猜对方心思,聊天、电、线下见面这些素材会分开看,不会只盯着某个词下结论。
配套知识库整理了 135 条参考资料,包含沟通、关系心理学等内容,也有对演练,可以先练练怎么表达自己的想法。
允许保存本地精简档案后,下次能接着之前的背景聊。装成 Skill 就能用,碰到想不明白的相处问,多一个梳理思路的办法。
「狗头军师」把恋爱关系分析做成了一个开源 Codex Skill,可以提供聊天截图、文字记录或事情经过,让 AI 帮忙整理关系和回复思路。
它会先分清哪些是事实,哪些只是猜测,再根据双方的互动、投入和现实情况,给出一句回复、一次邀约或后续观察的建议。
GitHub:https://github.com/shengjidaguai-china/goutoujunshi
我比较赞同它不凭一句猜对方心思,聊天、电、线下见面这些素材会分开看,不会只盯着某个词下结论。
配套知识库整理了 135 条参考资料,包含沟通、关系心理学等内容,也有对演练,可以先练练怎么表达自己的想法。
允许保存本地精简档案后,下次能接着之前的背景聊。装成 Skill 就能用,碰到想不明白的相处问,多一个梳理思路的办法。
👍1
GitHub 这个月最火的 10 个免费仓库,前三名全是为 AI 编程助手准备的
1、skills(284K)
工程师日常在用的一套技能,体积小、改起来顺手,什么模型都能接。
🔗 https://github.com/mattpocock/skills
2、ECC(276K)
给 Claude Code、Codex 和 Cursor 补上技能、记忆和安全能力。
🔗 https://github.com/affaan-m/ECC
3、andrej-karpathy-skills(218K)
一个文件四条规则,专管模型瞎编。
🔗 https://github.com/multica-ai/andrej-karpathy-skills
4、paperclip(99K)
开源的智能体公司。一群 AI 智能体被编进组织架构,目标和成本都在一个面板里管。
🔗 https://github.com/paperclipai/paperclip
5、claude-mem(99K)
把智能体干过的事存下来,下次开新会直接接着干。
🔗 https://github.com/thedotmack/claude-mem
6、REA(65K)
看中别的 app 某个功能,它能帮你拆清楚怎么实现的,不用翻源码。
装起来就一行:npx rea-agents setup
🔗
7、ppt-master(59K)
丢个 PDF 或 Word 进去,还你一份能直接编辑的原生 PowerPoint。
🔗
8、VoiceStudio(57K)
能克隆声音、给视频配音,转录支持 646 种语言,全程在自己电脑上跑。
🔗
9、gods-eye-view(50K)
浏览器里用卫星视角看地球,飞机、船只、地震和公开摄像头都能实时看。
2026 年 8 月冲上过 GitHub Trending 日榜和周榜第一。
不填 API key 也能先跑起来。
🔗
10、diagram-design(49K)
一句说要什么图,它就按你的品牌配色画出来。
支持 45 种图,最后生成一个 HTML 文件,双击就能开。
🔗
天天用 AI 写代码的,前三个可以先装。剩下的按需挑。
先收藏
1、skills(284K)
工程师日常在用的一套技能,体积小、改起来顺手,什么模型都能接。
🔗 https://github.com/mattpocock/skills
2、ECC(276K)
给 Claude Code、Codex 和 Cursor 补上技能、记忆和安全能力。
🔗 https://github.com/affaan-m/ECC
3、andrej-karpathy-skills(218K)
一个文件四条规则,专管模型瞎编。
🔗 https://github.com/multica-ai/andrej-karpathy-skills
4、paperclip(99K)
开源的智能体公司。一群 AI 智能体被编进组织架构,目标和成本都在一个面板里管。
🔗 https://github.com/paperclipai/paperclip
5、claude-mem(99K)
把智能体干过的事存下来,下次开新会直接接着干。
🔗 https://github.com/thedotmack/claude-mem
6、REA(65K)
看中别的 app 某个功能,它能帮你拆清楚怎么实现的,不用翻源码。
装起来就一行:npx rea-agents setup
🔗
7、ppt-master(59K)
丢个 PDF 或 Word 进去,还你一份能直接编辑的原生 PowerPoint。
🔗
8、VoiceStudio(57K)
能克隆声音、给视频配音,转录支持 646 种语言,全程在自己电脑上跑。
🔗
9、gods-eye-view(50K)
浏览器里用卫星视角看地球,飞机、船只、地震和公开摄像头都能实时看。
2026 年 8 月冲上过 GitHub Trending 日榜和周榜第一。
不填 API key 也能先跑起来。
🔗
10、diagram-design(49K)
一句说要什么图,它就按你的品牌配色画出来。
支持 45 种图,最后生成一个 HTML 文件,双击就能开。
🔗
天天用 AI 写代码的,前三个可以先装。剩下的按需挑。
先收藏
👍1
Grok Bot 没有官方浏览器插件?开源项目 Grok Bot Clipper 给出了一个第三方解决方案。
支持 Chrome、Edge 和 Firefox(140+),登录自己的 Grok Bot 账号,就能在浏览网页时直接收集内容并发送给 BOT。
几个实用功能:
网页采集: 提取正文、图片、表格和原始链接。
截图处理: 支持框选、长截图、打码和标注。
多平台分享: 可从 X、小红书、抖音等页面直接发送内容。
材料篮: 网页、截图和本地文件先集中收集,再合并发送。
侧栏对: 不离开当前网页,也能查看和追问 BOT 回复。
项目采用 MIT 协议,但目前只提供源码,需要 Node.js 22.13+ 自行构建,暂时没有打包好的安装版本。
适合经常用 Grok Bot 整理网页资料的人。
🔗 :https://github.com/RongleCat/grok-bot-clipper
支持 Chrome、Edge 和 Firefox(140+),登录自己的 Grok Bot 账号,就能在浏览网页时直接收集内容并发送给 BOT。
几个实用功能:
网页采集: 提取正文、图片、表格和原始链接。
截图处理: 支持框选、长截图、打码和标注。
多平台分享: 可从 X、小红书、抖音等页面直接发送内容。
材料篮: 网页、截图和本地文件先集中收集,再合并发送。
侧栏对: 不离开当前网页,也能查看和追问 BOT 回复。
项目采用 MIT 协议,但目前只提供源码,需要 Node.js 22.13+ 自行构建,暂时没有打包好的安装版本。
适合经常用 Grok Bot 整理网页资料的人。
🔗 :https://github.com/RongleCat/grok-bot-clipper
👍1
Claude、Codex 各开几个任务,窗口越开越多,刚才让谁查资料、谁还在改文件,切来切去很容易忘。
OpenMausBot 把这些 Agent 做成了聊天软件里的联系人,每个可以选不同的模型、设定角色,打开对就能继续交代事情。
背后运行的是本机已有的 Claude、Codex 等工具,沿用原来的登录和订阅,对记录和密钥保存在自己的电脑上。
GitHub:https://github.com/milind-soni/OpenMausBot
我觉得把确认操作也放进聊天里挺直观,执行命令、修改文件时会出现操作卡片,可以当场允许或拒绝。
还能给 Agent 连接云端桌面或隔离的本地虚拟机,在旁边看它怎么操作,需要时接手。通过 Composio 可接 Gmail、Notion 等 500 多个应用。
项目已超过 1 万 Star,提供 Mac、Windows、Ubuntu 安装包。想把几个编码 Agent 集中到同一个界面里,可以试试。
OpenMausBot 把这些 Agent 做成了聊天软件里的联系人,每个可以选不同的模型、设定角色,打开对就能继续交代事情。
背后运行的是本机已有的 Claude、Codex 等工具,沿用原来的登录和订阅,对记录和密钥保存在自己的电脑上。
GitHub:https://github.com/milind-soni/OpenMausBot
我觉得把确认操作也放进聊天里挺直观,执行命令、修改文件时会出现操作卡片,可以当场允许或拒绝。
还能给 Agent 连接云端桌面或隔离的本地虚拟机,在旁边看它怎么操作,需要时接手。通过 Composio 可接 Gmail、Notion 等 500 多个应用。
项目已超过 1 万 Star,提供 Mac、Windows、Ubuntu 安装包。想把几个编码 Agent 集中到同一个界面里,可以试试。
👍1
Win11 里那些关不掉的 AI 和广告,有人用一个开源脚本全给清了。
GitHub 上这个项目叫 Win11Debloat,已经攒了 5.8 万多颗星。
它就是一个 PowerShell 脚本,不用安装。
打开终端,粘一行命令就能跑。
先说 AI 这块,下手最重。
Copilot、Recall、Click to Do 可以直接禁用并移除。
后台那个 AI 服务 WSAIFabricSvc,也能拦住不让它自己启动。
Edge、Chrome、画图、记事本里的 AI 功能,同样能关。
广告和追踪也照顾到了。
遥测、诊断数据、活动历史、定向广告都能关掉,锁屏和 Edge 上那些推荐、小贴士也能一并清掉。
Windows 搜索里的 Bing 网页结果和 Copilot 集成,也能去掉。
预装软件可以批量卸载。
用惯 Win10 的人,还能把老式右键菜单找回来。
经常装机的人会更喜欢它。
设置可以导出再导入,几台电脑用同一套配置。
还有 Sysprep 模式,之后新建的用户会自动带上这些设置。
改错了也能补救。
所有改动都能还原,大部分应用也能从微软商店重新装回来。
作者自己也提醒了,使用风险自担,跑之前把每一步提示看清楚。
MIT 协议,免费用。
链接:https://github.com/Raphire/Win11Debloat
GitHub 上这个项目叫 Win11Debloat,已经攒了 5.8 万多颗星。
它就是一个 PowerShell 脚本,不用安装。
打开终端,粘一行命令就能跑。
先说 AI 这块,下手最重。
Copilot、Recall、Click to Do 可以直接禁用并移除。
后台那个 AI 服务 WSAIFabricSvc,也能拦住不让它自己启动。
Edge、Chrome、画图、记事本里的 AI 功能,同样能关。
广告和追踪也照顾到了。
遥测、诊断数据、活动历史、定向广告都能关掉,锁屏和 Edge 上那些推荐、小贴士也能一并清掉。
Windows 搜索里的 Bing 网页结果和 Copilot 集成,也能去掉。
预装软件可以批量卸载。
用惯 Win10 的人,还能把老式右键菜单找回来。
经常装机的人会更喜欢它。
设置可以导出再导入,几台电脑用同一套配置。
还有 Sysprep 模式,之后新建的用户会自动带上这些设置。
改错了也能补救。
所有改动都能还原,大部分应用也能从微软商店重新装回来。
作者自己也提醒了,使用风险自担,跑之前把每一步提示看清楚。
MIT 协议,免费用。
链接:https://github.com/Raphire/Win11Debloat
收藏夹里那 20 个网站,90% 的人看了都会存下来。
修图、办公、做内容、写代码全沾边,挑自己用得上的留着。
先看处理图片和文件这一类,需求最集中。
免费 PDF、图片、文件工具箱
🔗 https://tinywow.com/
网页版 PS,不用装软件
🔗 https://www.photopea.com/
一键去掉图片背景
🔗 https://remove.photos/
一键擦掉图里多余的物体
🔗 https://cleanup.pictures/
免费版导出最高 720px,想要高清得开 Pro,5 美元一个月,按年买 36 美元。
图片放大、提升清晰度
🔗 https://letsenhance.io/
免费 PDF 工具大全
🔗
开会、做视频、搞内容,下面这几个能省不少手工活。
会议录音转文字、出纪要
🔗
像改文字一样剪音视频
🔗
快速录屏,做演示和反馈
🔗
免费图片、视频、音乐素材
🔗
免费视频、音乐、模板素材
🔗
日常上网防坑,这几个建议常备。
临时邮箱,不暴露真实邮箱
🔗
永久保存网页快照
🔗
找各种软件的替代品
🔗
查亚马逊商品历史价格
🔗
重复的活丢给自动化,想清楚的事画出来。
自动处理重复工作
🔗
自己搭自动化工作流
🔗
快速画流程图和草图
🔗
最后两个留给写代码的朋友。
程序员学习路线图
🔗
各种开发文档一处查
🔗
修图、办公、做内容、写代码全沾边,挑自己用得上的留着。
先看处理图片和文件这一类,需求最集中。
免费 PDF、图片、文件工具箱
🔗 https://tinywow.com/
网页版 PS,不用装软件
🔗 https://www.photopea.com/
一键去掉图片背景
🔗 https://remove.photos/
一键擦掉图里多余的物体
🔗 https://cleanup.pictures/
免费版导出最高 720px,想要高清得开 Pro,5 美元一个月,按年买 36 美元。
图片放大、提升清晰度
🔗 https://letsenhance.io/
免费 PDF 工具大全
🔗
开会、做视频、搞内容,下面这几个能省不少手工活。
会议录音转文字、出纪要
🔗
像改文字一样剪音视频
🔗
快速录屏,做演示和反馈
🔗
免费图片、视频、音乐素材
🔗
免费视频、音乐、模板素材
🔗
日常上网防坑,这几个建议常备。
临时邮箱,不暴露真实邮箱
🔗
永久保存网页快照
🔗
找各种软件的替代品
🔗
查亚马逊商品历史价格
🔗
重复的活丢给自动化,想清楚的事画出来。
自动处理重复工作
🔗
自己搭自动化工作流
🔗
快速画流程图和草图
🔗
最后两个留给写代码的朋友。
程序员学习路线图
🔗
各种开发文档一处查
🔗
论文里的公式看着不复杂,真要敲进 LaTeX,分式、上下标、矩阵一个个写,没多久就被括号绕晕。
OpenMathpix 是一款 Windows 公式截图工具,框选公式,或者粘贴、拖入图片,就能在本机识别成 LaTeX,并预览结果。
第一次使用下载约 120MB 的模型,之后可以离线识别,普通 CPU 就能跑,无需显卡,也不用另外安装 Python。
GitHub:https://github.com/JhuoW/OpenMathpix
我觉得识别后自动复制这个细节挺方便,截完就能回到文档里粘贴。历史记录有缩略图和搜索,之前截过的公式也能再找出来。
结果可以在 LaTeX、Markdown、纯文本和原图之间切换。需要识别正文、表格和整页排版时,还能另接 PaddleOCR 服务。
有便携安装包,界面能切换简体中文。写论文、整理数学笔记时,可以少花点时间手敲公式。
OpenMathpix 是一款 Windows 公式截图工具,框选公式,或者粘贴、拖入图片,就能在本机识别成 LaTeX,并预览结果。
第一次使用下载约 120MB 的模型,之后可以离线识别,普通 CPU 就能跑,无需显卡,也不用另外安装 Python。
GitHub:https://github.com/JhuoW/OpenMathpix
我觉得识别后自动复制这个细节挺方便,截完就能回到文档里粘贴。历史记录有缩略图和搜索,之前截过的公式也能再找出来。
结果可以在 LaTeX、Markdown、纯文本和原图之间切换。需要识别正文、表格和整页排版时,还能另接 PaddleOCR 服务。
有便携安装包,界面能切换简体中文。写论文、整理数学笔记时,可以少花点时间手敲公式。
让 AI 写代码前先查 GitHub,可能比反复试错更省钱。
开源工具 XERJ 会先下载与任务相关的代码仓库、建立索引,再让 AI 参考真实源码实现,减少凭记忆猜接口的情况。
项目方测试了 8 个任务、4 种语言:
只靠模型记忆:通过 11/16,花费 $11.18
grep 搜索源码:通过 16/16,输出 26,477 tokens
使用 XERJ:通过 16/16,输出 9,982 tokens,花费 $1.58
在这组测试中,XERJ 全部通过,输出 token 比 grep 少约 62%。
它更适合模型不熟悉的私有、小众或较新的代码库;热门开源项目未必能带来提升。
工具用 Rust 编写,本地运行,支持 Claude Code、Cursor 等 MCP 客户端,采用 Apache-2.0 协议。
🔗 https://github.com/xerj-org/xerj
开源工具 XERJ 会先下载与任务相关的代码仓库、建立索引,再让 AI 参考真实源码实现,减少凭记忆猜接口的情况。
项目方测试了 8 个任务、4 种语言:
只靠模型记忆:通过 11/16,花费 $11.18
grep 搜索源码:通过 16/16,输出 26,477 tokens
使用 XERJ:通过 16/16,输出 9,982 tokens,花费 $1.58
在这组测试中,XERJ 全部通过,输出 token 比 grep 少约 62%。
它更适合模型不熟悉的私有、小众或较新的代码库;热门开源项目未必能带来提升。
工具用 Rust 编写,本地运行,支持 Claude Code、Cursor 等 MCP 客户端,采用 Apache-2.0 协议。
🔗 https://github.com/xerj-org/xerj
Google Research 开源了 Harness²,让 Agent 自己去改外面那层配置,跑一轮下来在 WorkBuddy-Bench 上最多涨了 11.5 分。
它把模型外围拆成 8 个能改的部件:系统提示词、护栏、记忆、工具说明、子 Agent、Skill、脚本和插件。
做法是先提出几种改法,在同一个任务上各跑一遍,再根据几次执行的差异拼出更好的配置。整个过程不需要标准答案。
每个任务跑完,最后采用的配置和有证据支撑的经验都会存下来,后面的任务接着用。
测试模型是 GLM-5 和 Gemini 3.5 Flash。JobBench 最多提升 4.5 分,LAB 部分通过率最多提升 11.8 个百分点。
上手前提醒一句:执行器默认不限制联网。评测前最好先锁网,免得 Agent 直接搜到评分标准。
🔗 https://github.com/google-research/harness2
它把模型外围拆成 8 个能改的部件:系统提示词、护栏、记忆、工具说明、子 Agent、Skill、脚本和插件。
做法是先提出几种改法,在同一个任务上各跑一遍,再根据几次执行的差异拼出更好的配置。整个过程不需要标准答案。
每个任务跑完,最后采用的配置和有证据支撑的经验都会存下来,后面的任务接着用。
测试模型是 GLM-5 和 Gemini 3.5 Flash。JobBench 最多提升 4.5 分,LAB 部分通过率最多提升 11.8 个百分点。
上手前提醒一句:执行器默认不限制联网。评测前最好先锁网,免得 Agent 直接搜到评分标准。
🔗 https://github.com/google-research/harness2
用 DeepSeek Harness 跑 Agent 的,上下文里塞了什么,如今能一眼看清了。
插件叫 dsh-context,DSH 团队成员推荐过,还点了星。
装上之后能看 7 天的 token 和费用,另有 8 周活跃热力图。
每次请求由什么拼起来也能看:系统提示词、工具 schema、工具结果,都能展开看原文。
DSH 走的是插件化,这类工具才长得出得出来。
🔗 https://github.com/bowenliang123/dsh-context
插件叫 dsh-context,DSH 团队成员推荐过,还点了星。
装上之后能看 7 天的 token 和费用,另有 8 周活跃热力图。
每次请求由什么拼起来也能看:系统提示词、工具 schema、工具结果,都能展开看原文。
DSH 走的是插件化,这类工具才长得出得出来。
🔗 https://github.com/bowenliang123/dsh-context
安卓电视的桌面,现在能换成苹果 tvOS 26 那副样子了。
Tigris 走的是开源路线,液态玻璃 Dock、毛玻璃控制中心都有,连预装 App 也能删。
不太会装的,把仓库发给 Claude Code,让它照着说明帮你装。
🔗 https://github.com/lesnolie/Tigris
Tigris 走的是开源路线,液态玻璃 Dock、毛玻璃控制中心都有,连预装 App 也能删。
不太会装的,把仓库发给 Claude Code,让它照着说明帮你装。
🔗 https://github.com/lesnolie/Tigris
背英语单词不一定非要买厚厚的词汇书,这个开源项目把大量英语词库整理到了 GitHub。
English 收录了从中小学到研究生、博士阶段的词汇资料,涵盖中考、高考、四六级、考研,以及雅思、托福、GRE、商务英语、新概念等,号称整理了 190 多本词书。
每套词库都配有中文释义和 IPA 国际音标,还能导入 Anki、Quizlet、欧路、有道等背词工具,方便按自己的习惯制定复习计划。
备考、日常积累词汇都能用得上。不过,词库的版本和完整度建议自行核对,不能完全替代教材及官方考试大纲。
🔗 :https://github.com/lilinji/English
English 收录了从中小学到研究生、博士阶段的词汇资料,涵盖中考、高考、四六级、考研,以及雅思、托福、GRE、商务英语、新概念等,号称整理了 190 多本词书。
每套词库都配有中文释义和 IPA 国际音标,还能导入 Anki、Quizlet、欧路、有道等背词工具,方便按自己的习惯制定复习计划。
备考、日常积累词汇都能用得上。不过,词库的版本和完整度建议自行核对,不能完全替代教材及官方考试大纲。
🔗 :https://github.com/lilinji/English
OpenDataLoader PDF 把 PDF 转成 Markdown 的速度,能做到一页 0.015 秒,纯 CPU 跑得动,还开源免费。
项目走 Apache-2.0 协议,默认模式全在本地转,普通的电子版 PDF 用它正合适。
一旦遇上复杂表格、扫描件、公式这些硬骨头,就切到 hybrid 模式。
拿 200 份真实 PDF 测下来,这个模式综合得分 0.907,表格 0.928,直接排到第一。
几个常用工具拉出来比比:
docling 综合 0.882,每页 0.762 秒。
marker 综合 0.861,每页得耗 53.9 秒。
pymupdf4llm 每页 0.091 秒是快,可表格分只有 0.401。
输出上,Markdown、带坐标的 JSON、HTML 它都给,做 RAG 分块、标引用出处都省事。
扫描件 OCR 能认 80 多种语言。
另外它还有一手:把没有标签的 PDF 自动转成读屏软件能用的 Tagged PDF。
同样的事人工做一份,成本得 50 到 200 美元。
跑之前记得先装 Java 11 以上版本。
🔗 https://github.com/opendataloader-project/opendataloader-pdf
项目走 Apache-2.0 协议,默认模式全在本地转,普通的电子版 PDF 用它正合适。
一旦遇上复杂表格、扫描件、公式这些硬骨头,就切到 hybrid 模式。
拿 200 份真实 PDF 测下来,这个模式综合得分 0.907,表格 0.928,直接排到第一。
几个常用工具拉出来比比:
docling 综合 0.882,每页 0.762 秒。
marker 综合 0.861,每页得耗 53.9 秒。
pymupdf4llm 每页 0.091 秒是快,可表格分只有 0.401。
输出上,Markdown、带坐标的 JSON、HTML 它都给,做 RAG 分块、标引用出处都省事。
扫描件 OCR 能认 80 多种语言。
另外它还有一手:把没有标签的 PDF 自动转成读屏软件能用的 Tagged PDF。
同样的事人工做一份,成本得 50 到 200 美元。
跑之前记得先装 Java 11 以上版本。
🔗 https://github.com/opendataloader-project/opendataloader-pdf