Anydoc от Firecrawl: конвертирует документы в Markdown за 4 миллисекунды

Anydoc - опенсорсная библиотека на Rust от команды Firecrawl, которая переводит Word, PDF, презентации, таблицы и ещё несколько офисных форматов в чистый Markdown. Медиана конверсии - 4.4 миллисекунды на документ, всё крутится локально, без внешних API и ML-моделей. Лицензия MIT, 4 300+ звёзд на GitHub за первые двое суток после релиза. Основной сценарий - подготовить документы, чтобы скормить их нейросети: RAG, агенты, кастомные пайплайны обучения.

Что делает anydoc и зачем он вообще нужен

Любая работа с документами через LLM упирается в одну задачу: превратить .pdf / .docx / .pptx в текст, который модель поймёт без потерь. Готовые обёртки типа LangChain-парсеров либо дорогие, либо теряют структуру: заголовки становятся обычным абзацем, таблицы плывут, footnotes пропадают.

Anydoc решает это одним бинарником. На входе - файл или байты, на выходе - GitHub-Flavored Markdown с сохранённой структурой: заголовки с якорями, жирный/курсив, инлайн-код, ссылки, вложенные списки с оригинальной нумерацией, таблицы с объединёнными ячейками, сноски, комментарии докладчика в презентациях. Картинки внутри документа сохраняются как alt-текст, а сырые байты доступны через объектную модель - если понадобится, можно достать и отдельно.

Сайд-эффект: он быстрый настолько, что его не жалко звать хоть в цикле. Медианное время - 4.4 мс, это на порядок быстрее ближайшего конкурента.

Какие форматы поддерживает anydoc

Восемь семейств, 14 расширений - весь мейнстрим офисной документации:

Важный нюанс про PDF: anydoc парсит только текстовые PDF - те, где текст живёт в файле как текст. Отсканированные страницы, где картинка вместо букв, он не тянет: для них нужен OCR. У Firecrawl для этого есть платный хостед-сервис Firecrawl Parse, но это уже другая история.

Формат определяется не по расширению, а по содержимому - по сигнатурам внутри байтов (PDF-хедер, RTF open group, ZIP mimetype). То есть если файл называется "report.txt", но внутри реально .docx - anydoc всё равно поймёт.

Как установить и запустить anydoc за минуту

Самый быстрый способ - через npx, без глобальной установки:

npx @firecrawl/anydoc report.docx               # markdown в stdout
npx @firecrawl/anydoc slides.pptx -o slides.md  # или в файл
npx @firecrawl/anydoc - --format csv < data.csv # чтение из stdin

На первом запуске npx скачает бинарник под твою платформу и закеширует. Если хочешь постоянную команду anydoc в системе:

npm install -g @firecrawl/anydoc

Есть биндинги под Node.js, Python и Rust. Пример на Node.js:

import { toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

const markdown = await toMarkdown('report.docx');
const fromBytes = await toMarkdownBytes(bytes);

На Python:

import anydoc
markdown = anydoc.to_markdown("report.docx")

Если лень что-то ставить - открывай firecrawl.github.io/anydoc, там WASM-версия прямо в браузере. Файл никуда не улетает, всё считается локально в твоей вкладке. Я туда закинул скачанный PDF на 60 страниц с таблицами и списками - результат вставился в буфер за секунду, таблицы и заголовки на месте.

Как быстро на самом деле - бенчмарк против других конвертеров

Авторы прогнали anydoc против шести известных парсеров на 100 реальных документах и 14 форматах. Судья - LLM (Claude Sonnet 5) сравнивал вывод вслепую с эталонным рендером страниц. Итоговый балл усредняется по всем поддерживаемым форматам:

Цифра "медиана мс" - время одной тёплой конверсии на Ryzen 9 9950X3D. Разница между anydoc и вторым местом по скорости (mammoth) - на порядок, между anydoc и libreoffice - в 256 раз. По качеству anydoc обошёл всех на каждом формате, где сравнение было корректным.

Самооценка бенчмарка через LLM-судью - не идеальная методика, но фейковый выигрыш в 15+ баллов на одном формате всё равно бы не проехал. И плюс мой личный тест на WASM: у markitdown таблицы в моём .docx поехали, у anydoc - стоят как в оригинале.

Как подключить anydoc как навык к Claude Code, Cursor или Codex

Авторы выкатили anydoc сразу как Agent Skill - формат, который понимают Claude Code, Codex, Cursor, OpenCode. Одна команда - и агент сам знает, как читать любой офисный документ:

npx skills add firecrawl/anydoc

После этого агент понимает: "если пришёл .docx / .pdf / .pptx - вызови CLI anydoc, получи Markdown, работай с текстом". Тебе не надо руками писать в промпте, чем открывать файл.

Если пишешь агента с нуля через SDK - самый простой путь: попросить Claude Code сгенерить обёртку.

В Claude Code вставь запрос:

Добавь в мой агент функцию parseDocument(filepath), которая:
1. Запускает `npx @firecrawl/anydoc <filepath>` через child_process
2. Возвращает stdout как строку markdown
3. Кидает ошибку, если формат не поддерживается (список форматов - в docs anydoc)
4. Обрабатывает stdin-вариант для in-memory байтов
5. Пишет юнит-тест с одним sample.docx в /fixtures

Дальше вставляешь эту функцию в свой RAG или пайплайн - и получаешь готовый корм для эмбеддингов из любого офисного мусора.

Когда anydoc - в самый раз, а когда - overkill

Бери anydoc, если:

• Нужен локальный конвертер без API и без пересылки файлов наружу (компливэнс, чувствительные данные).
• В пайплайне текстовые документы разных форматов, нужен единый Markdown на выходе.
• Скорость критична: обрабатываешь тысячи файлов, надо укладываться в минуты, а не часы.
• Ты собираешь RAG или дообучение и не хочешь платить за парсинг.

Не бери anydoc, если:

• Нужен OCR - твои PDF это сканы, а не текст. Тут либо Firecrawl Parse платно, либо связка Tesseract → anydoc.
• Тебе нужны 3-5 файлов в неделю руками - открой firecrawl.github.io/anydoc и не парься.
• Работаешь с .doc из 1997 года с макросами и полями - тесты на них у авторов есть, но покрытие не идеальное, лучше проверить на своих файлах.

FAQ

Anydoc бесплатный? Да, MIT-лицензия. Можно использовать в коммерческих проектах, форкнуть, вкорячить в свой продукт - никаких ограничений. Отдельно платный хостед-сервис Firecrawl Parse - но он опционален, для случаев с OCR.

Умеет ли anydoc в OCR отсканированных PDF? Нет, только текстовые PDF. Для сканов нужен внешний OCR, и его результат уже можно передать в anydoc или обработать отдельно. Хостед-версия у Firecrawl OCR включает.

Работает ли anydoc на Windows / Mac / Linux? Да, кроссплатформенно. npx автоматически подтянет бинарник под твою систему на первом запуске. Rust-бинарники собраны под все три платформы.

Как anydoc сравнивается с markitdown от Microsoft? По бенчмарку авторов - anydoc в 30 раз быстрее (4.4 мс против 134.8 мс медианы) и на 17 баллов выше по качеству (81 против 64). Markitdown покрывает 6 форматов из 14, anydoc - все 14. Судья - Claude Sonnet 5, вслепую.

Куда девать вывод anydoc, чтобы нейросеть его "поняла"? Markdown из anydoc - готовый корм. Разбивай на чанки по заголовкам (H1/H2), считай эмбеддинги, клади в векторную базу. Или отдавай агенту как context напрямую - модели типа Claude или GPT читают Markdown лучше, чем сырой HTML или PDF-текст.

Вывод

Anydoc - тот редкий случай, когда опенсорс не догоняет коммерческие решения, а обгоняет их и по скорости, и по качеству. Локально, бесплатно, MIT, 8 форматов из коробки, встраивается за минуту в любой пайплайн через CLI или биндинги.

Если ты собираешь что-то на нейросетях и работаешь с документами - выкидывай костыли, ставь anydoc. Если только присматриваешься - открой WASM-демо и брось туда свой самый уродский .pptx, всё сразу станет понятно.

Что дальше

Если хочешь собрать такую систему у себя - у меня есть курс по вайбкодингу и работе с нейросетями в клубе Мандарин Лаб: mandarinedu.ru. Первые уроки открыты бесплатно.

Если нужно внедрить ИИ в бизнес - процессы, агентов, автоматизацию под вашу задачу - пишите мне напрямую: t.me/Philigranchik. Разберу задачу и скажу, что реально автоматизируется, а что нет.