Документы через AI-агента: MarkItDown, docx и PDF

Новые скиллы для Word, PDF и таблиц я публикую в Telegram-канале. Там же отвечаю на вопросы о конвертации в комментариях.

Агент читает текст, а документы приходят в двоичных форматах. Файл docx внутри устроен как архив с XML, в PDF текст разбит на куски с координатами, скан содержит только картинку. Поэтому задачи делятся на три: перевести документ в Markdown, распознать текст на изображении и собрать готовый файл обратно. Четыре инструмента каталога ниже покрывают все три задачи.

Перевести документ в Markdown

MarkItDown, 187,7 тыс. ★ репозитория, переводит в Markdown PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, EPub, архивы ZIP и ссылки на YouTube. Таблицы, заголовки и списки сохраняются разметкой, поэтому агент видит структуру документа. Утилите нужен Python от 3.10 до 3.14.

pip install 'markitdown[all]'

После установки документ переводится одной командой markitdown отчет.pdf -o отчет.md. Этого хватает, если вы готовите файлы заранее. Чтобы агент конвертировал документы сам, по ходу задачи, поставьте MCP-сервер из того же репозитория. Он дает агенту один инструмент convert_to_markdown, который принимает путь к файлу, ссылку http или https и данные в формате data:.

pip install markitdown-mcp

Автоматической установки у инструмента пока нет, конфигурация для Claude Desktop и Docker лежит в карточке. В Claude Code сервер подключается командой claude mcp add markitdown -- markitdown-mcp.

Риск средний. MarkItDown читает файлы и скачивает ссылки с правами вашего процесса, а в тексте документа может прятаться внедренная инструкция для агента. В режиме HTTP сервер по умолчанию слушает только адрес 127.0.0.1 (в примере из README порт 3001), и Microsoft предупреждает, что открывать его в сеть нельзя.

Прочитать и собрать DOCX, PDF, XLSX и PPTX

В наборе Скиллы Anthropic, 179 тыс. ★ репозитория, 19 скиллов, и четыре из них работают с документами: docx, pdf, xlsx и pptx. На них построено создание файлов в Claude. Скилл pdf извлекает текст и таблицы, склеивает и режет файлы, заполняет формы и распознает сканы. Скилл docx правит документ Word с исправлениями и комментариями, xlsx пересчитывает формулы и строит графики.

MarkItDown только читает документ, скиллы Anthropic еще и меняют его. Если нужно заполнить договор по шаблону или добавить столбец в отчет, берите скиллы. Если нужно, чтобы агент прочитал сорок PDF и ответил на вопрос, хватит MarkItDown.

В Claude Code документные скиллы ставятся плагином из маркетплейса Anthropic:

/plugin marketplace add anthropics/skills

/plugin install document-skills@anthropic-agent-skills

Для Codex и других агентов весь набор ставит CLI SkillFoxx командой npx skillfoxx add skills/skills. Риск у набора средний, потому что скиллы запускают скрипты на Python для обработки файлов. Код четырех документных скиллов открыт для чтения, но лицензия у них закрытая. Большая часть остальных выходит под Apache 2.0.

Распознать скан или фото

Скиллы PaddleOCR, 90,5 тыс. ★ репозитория, распознают текст там, где MarkItDown видит только картинку. В наборе два скилла. paddleocr-text-recognition достает текст построчно с координатами и степенью уверенности из скриншотов, фото, сканов и PDF. paddleocr-doc-parsing разбирает сложную верстку: таблицы, формулы в LaTeX, печати, многоколоночный текст, и отдает Markdown или JSON.

Оба скилла отправляют файлы в облачный API PaddleOCR. Нужны Python 3.9 или новее, пакет paddleocr версии 3.7.0 или новее и токен PADDLEOCR_ACCESS_TOKEN из Baidu AI Studio, на облачный API действуют квоты. Доступность AI Studio из России мы не проверяли. Ставьте только нужный скилл, например разбор документов:

npx skills add PaddlePaddle/PaddleOCR -g --skill paddleocr-doc-parsing -y

У MarkItDown есть свой путь к распознаванию, плагин markitdown-ocr. Он читает картинки внутри PDF, DOCX, PPTX и XLSX через модель с компьютерным зрением и тоже требует ключ провайдера. Оба варианта отправляют документ во внешний сервис, поэтому договоры и сканы паспортов через них пропускают только с согласия владельца данных. Если файлы нельзя выпускать с машины, скилл pdf из набора Anthropic распознает сканированные PDF локально через pytesseract, для этого нужна установленная программа Tesseract.

Собрать презентацию из документа

PPT Master, 57,1 тыс. ★ репозитория, собирает презентацию PPTX из PDF, DOCX, ссылки или Markdown. Слайды состоят из настоящих фигур и текстовых блоков PowerPoint, поэтому их можно править вручную. Скилл умеет заполнять ваш шаблон .pptx, добавлять анимации и озвучку по заметкам докладчика.

Нужен Python 3.10 или новее, зависимости ставятся командой pip install -r requirements.txt в папке скилла, для старых форматов .doc и .odt нужен еще Pandoc. Риск средний. Скилл запускает локальные скрипты, а картинки для слайдов может генерировать через сторонние сервисы по ключам из .env. Конвертер PDF опирается на PyMuPDF с лицензией AGPL-3.0, это важно, если вы встраиваете скилл в коммерческий продукт.

npx skillfoxx add skills/ppt-master

Что поставить под задачу

• Прочитать Word, PDF или Excel и ответить на вопрос по ним: MarkItDown, как утилита или MCP-сервер.
• Заполнить, отредактировать или создать DOCX, XLSX и PDF: скиллы Anthropic.
• Распознать скан, фото или таблицу на картинке: скиллы PaddleOCR.
• Сделать презентацию из отчета или статьи: PPT Master.

Все четыре инструмента читают ваши файлы, поэтому начинайте с копий документов в отдельной папке. Другие скиллы для работы с файлами собраны в разделе скиллов, а под свою задачу их подберет Foxx AI.