Firecrawl｜OCR It开源：把扫成图的PDF快速喂给模型

文档进大模型前，最烦的往往不是模型本身，而是「扫成图的PDF没法复制」。Firecrawl团队开源OCR It，联合创始人兼CTO Nicolas Camara公开称，可在约20ms量级把不可复制PDF中的文字提炼并转为Markdown；支持以打包的Tesseract实现离线运行，并提供Chrome/Firefox浏览器扩展形态。公开对比称，在质量与Docling相当的前提下，速度约快近300倍；演示口径还提到约3秒可处理约200份PDF量级的吞吐叙事。对做RAG与Agent的人来说，这是把「喂文档」前置成本往下砸一截。

Firecrawl以网页抓取与内容抽取能力为开发者所知，OCR It可看作其把「非结构化文档变可计算文本」能力开源外放的一环。产品形态不只是命令行：扩展侧强调框选区域后循环「截图—OCR—翻页」，并在识别到重复页、翻页失败、OCR失败或约300页上限时自动停止，避免在末页空转。仓库材料强调默认不索取广泛网站权限，也不强制API Key——本地优先叙事很明确。

公开能力与边界：

1. 速度叙事：约20ms级单份提炼；对比Docling称约快近300倍（项目方口径）
2. 输出：转为Markdown，便于模型直接消化
3. 离线：打包Tesseract，宣称可100% offline
4. 形态：浏览器扩展 + 开源仓库
5. 局限：复杂混排标题、脚注、表格与公式仍弱于简单清晰版式

所谓OCR，白话是光学字符识别——把图上的字认出成可编辑文本；所谓转Markdown，白话是保留基本标题与段落结构，让大模型更好分段理解；所谓离线，白话是敏感扫描件不必先上传云端。速度数字很吸睛，但工程上真正决定能不能进流水线的，往往是表格还原率、双栏杂志版式与扫描倾斜矫正——这些正是项目方主动承认的短板。

放在Agent与知识库上下文里，文档解析是隐形基础设施：解析慢，整条RAG链路都慢；解析要上网，合规团队会拦。OCR It用开源与本地路线抢的是「隐私敏感 + 高通量」交集。竞品与开源替代很多，社区会用真实扫描件投票；若复杂版式进步够快，它有机会成为个人与小团队的默认前置组件，企业级则还要看权限、审计与批量调度。

产业影响上，这类工具会继续压低「文档进模型」的门槛，也会倒逼云端文档解析服务把价格与隐私方案讲得更清楚。开发者可以把简单合同、书籍扫描先走本地，把复杂财报表格仍交给更强版式引擎——分层策略会更常见。

需要把边界读清楚：速度与对比口径来自项目方公开表述，复杂版式准确率仍待社区复现；吞吐演示受硬件与页面复杂度影响。下一观察点是表格/公式支持进度、是否出现企业批量插件，以及与主流RAG框架的默认集成程度。