Firecrawl AnyDoc im Test: 14 Formate zu Markdown für KI-Agenten

Firecrawl AnyDoc ist eine schnelle lokale Bibliothek, die gemischte Office-Dateien zu Markdown konvertiert, aber keine vollständige Plattform für Dokumentenintelligenz. Das Open-Source-Projekt in Rust führt Word, PowerPoint, Excel, OpenDocument, RTF, EPUB und CSV durch ein gemeinsames Dokumentmodell. Textbasierte PDFs werden an pdf-inspector übergeben. Für RAG-Ingestion, Datei-Uploads in KI-Produkten oder interne Wissensimporte ist das Versprechen klar: eine Abhängigkeit, einheitliches Markdown und kein API-Aufruf für normale Dateien.

Unser Urteil nach Prüfung von Code, Benchmark-Methode und Alternativen am 10. August 2026: AnyDoc verdient einen Pilot mit deinem eigenen Dokumentkorpus, wenn Office-Dateien dominieren und lokale Verarbeitung zählt. Bei Scans, Handschrift, visuellen Layouts oder typisierter Feldextraktion ist es kein guter Standard. Dieser Test beantwortet gezielt die Kaufentscheidung AnyDoc gegen Docling, MarkItDown oder einen verwalteten Parser. PDF- und OCR-Routing bleibt bewusst bei unserem eigenen pdf-inspector-Beitrag.

Was ist Firecrawl AnyDoc?

AnyDoc wandelt Dokument-Bytes in ein gemeinsames Strukturmodell um und serialisiert dieses Modell als GitHub-Flavored Markdown. Das offizielle Repository mit API-Referenz dokumentiert Schnittstellen für Rust, Node.js, Python, CLI und Browser-WebAssembly. Die Formaterkennung liest Marker im Dateiinhalt, statt nur der Endung zu vertrauen. CSV ist die Ausnahme, weil dieses Format keine eigene Signatur besitzt.

Die Grenze ist geschäftlich wichtiger als die Formatliste. Eingebettete Assets bleiben als Bytes im Dokumentmodell erhalten, während Markdown sie über Alternativtext oder Verweise abbildet. AnyDoc führt keine OCR aus, interpretiert keine Diagramme, erkennt keine Rechnungsfelder, zerlegt Text nicht für Embeddings und bewertet keine Retrieval-Qualität. Es löst die Konvertierung vor diesen Schritten.

Was belegt der Benchmark mit 4,4 ms wirklich?

Firecrawl nennt für AnyDoc einen Median von 4,4 ms pro Dokument und einen Qualitätswert von 81 über 14 getestete Formate. Die offizielle Veröffentlichung mit Benchmark-Erklärung beschreibt 100 reale Dokumente und sechs Alternativen. AnyDoc war im Herstellertest das einzige Werkzeug, das alle 14 Formate abdeckte.

Behandle das als glaubwürdige Herstellerangabe, nicht als universellen Geschwindigkeitsrekord. Fixiere AnyDoc-Version, Hardware, Warm-up und Stichprobe. Miss p50, p95, akzeptierte Struktur, fehlenden Inhalt, Korrekturminuten und Fehlversuche. Ein Parser, der in Millisekunden fertig ist und eine Finanz-Tabelle beschädigt, ist wirtschaftlich nicht schnell.

AnyDoc, Docling, MarkItDown oder Firecrawl Parse?

Die aktuelle Formatdokumentation von Docling nennt PDF, Office, OpenDocument, EPUB, Bilder, HTML, Markup, Audio und Video. Weitere Teile des Toolkits bieten OCR und strukturierte Exporte. Diese Breite macht Docling für layoutreiche oder multimodale Korpora interessant, aber nicht automatisch zum besseren schlanken Office-Konverter.

Die offizielle MarkItDown-Dokumentation von Microsoft beschreibt optionale Format-Abhängigkeiten, OCR über ein Plugin und kostenpflichtige Azure-Pfade für besseres Layout oder strukturierte Extraktion. Das passt zu Python-Produkten mit Bedarf an Erweiterbarkeit. AnyDoc passt besser, wenn du eine enge lokale Bibliothek mit mehreren Sprach-Bindings und einheitlicher Office-Ausgabe willst.

Firecrawls Dokumentation für den verwalteten Parse-Endpunkt ergänzt OCR-Modi, Zusammenfassungen und JSON nach Schema. Wähle diesen Weg, wenn verwaltete Ausnahmebehandlung mehr wert ist als die Verarbeitung aller Bytes in deiner Umgebung. Lokale Bibliothek und gehostete API sind unterschiedliche Produkte, auch wenn AnyDoc einen Teil des API-Pfads antreibt.

Wie gehört AnyDoc in eine KI-Agenten- oder RAG-Pipeline?

1. Eng annehmen: Erlaube nur benötigte Formate, begrenze Datei- und entpackte Größe, ersetze Dateinamen und verschiebe Uploads in Quarantäne.
2. Aus Bytes erkennen: Vergleiche die angegebene Endung mit AnyDocs Inhaltserkennung. Ein Widerspruch braucht Ablehnung oder einen expliziten Recovery-Pfad.
3. Isoliert parsen: Begrenze CPU, Arbeitsspeicher, Verschachtelung und Laufzeit. Öffentliche Uploads gehören nicht in den Webprozess oder neben Credentials.
4. Herkunft erhalten: Speichere Hash, Originalformat, Parser-Version, Zeitpunkt, Überschriften, Tabellen und Asset-Verweise.
5. Markdown validieren: Prüfe Pflichtabschnitte, Zeichenqualität, Zeilenanzahl, Summen, Links und leere Ausgabe vor der Indexierung.
6. Ausnahmen routen: Reine Bild-PDFs und eingebettete Scans gehen an einen freigegebenen OCR- oder Vision-Pfad. Verschlüsselte oder kaputte Dateien landen kontrolliert in Review oder Ablehnung.
7. Erst nach Abnahme chunken: Parsing erzeugt Quelltext. Metadaten, Rechte, Embeddings, Retrieval und Antwortzitate bleiben eigene Aufgaben.
8. Akzeptierte Dokumente messen: Zähle Gesamtkosten und Prüfzeit, nicht nur Parser-Millisekunden.

Für PDFs nutze unseren Test zu pdf-inspector und OCR-Routing. Dort gehören native Texterkennung, gemischte Seiten und die Grenze zur OCR hin. Nach akzeptiertem Markdown übernimmt die RAG-Produktionscheckliste für EU-Unternehmen die Themen Rechte, Retrieval-Evaluation und Antwortzitate. Diese klare Zuständigkeit verhindert Keyword-Kannibalisierung.

Node.js-Schnellstart mit Produktionsgrenze

import { toMarkdownBytes } from "@firecrawl/anydoc"

export async function parseAcceptedUpload(file) {
  enforceUploadLimits(file)
  const bytes = new Uint8Array(await file.arrayBuffer())
  const markdown = await toMarkdownBytes(bytes, file.name)
  const result = validateDocument(markdown)

  if (!result.accepted) {
    return routeForReview(file, result.reasons)
  }

  return {
    markdown,
    sha256: await hash(bytes),
    parser: "anydoc@PINNED_VERSION",
    sourceName: safeDisplayName(file.name)
  }
}

enforceUploadLimits, validateDocument, routeForReview, hash und safeDisplayName sind Anwendungscode, keine AnyDoc-APIs. Halte diese Grenze in Aufwandsschätzungen sichtbar. Die Installation des Parsers ist der kleinste Teil einer zuverlässigen Ingestion-Funktion.

Wann passt AnyDoc nicht?

• Scans und Fotos: AnyDoc besitzt kein OCR-Modell. Textbasierte PDF-Unterstützung ändert diese Grenze nicht.
• Visuelle Bedeutung: Diagramme, Unterschriften, handschriftliche Änderungen und räumliche Formulare brauchen Vision oder Dokumentenverständnis.
• Typisierte Geschäftsfelder: Eine Rechnung in Markdown umzuwandeln validiert noch keine Lieferanten-, Steuer- oder Summenfelder.
• Perfektes Office-Rendering: Ziel ist sauberer strukturierter Text, nicht pixelidentische Rekonstruktion.
• Unbegrenzte öffentliche Uploads: Rust und feste Ressourcenlimits helfen, ersetzen aber keine Sandbox, Queue-Grenzen und Updates.
• Unabhängige Benchmark-Pflicht: Die veröffentlichten Werte stammen vom Projektteam und aus einem privaten Korpus.

OWASPs Leitfaden zur Upload-Sicherheit empfiehlt mehrere Schutzschichten: erlaubte Endungen, Content-Type- und Signaturprüfung, neue Dateinamen, Größenlimits, isolierte Speicherung, Malware-Scanning und gehärtete Parser. Lokale Konvertierung senkt ein Transferrisiko. Sie macht eine fremde Office-Datei nicht vertrauenswürdig.

AnyDoc in zehn Tagen bewerten

1. Reale Mischung ziehen: Wähle mindestens 200 Dokumente über alle relevanten Formate, Sprachen, Altersklassen und Quellen. Ergänze kaputte, verschlüsselte, makrofähige und übergroße Beispiele.
2. Abnahme definieren: Markiere benötigte Überschriften, Notizen, Tabellen, verbundene Zellen, Links, Formeln, Seitenbezüge und Assets.
3. Bestehenden Pfad messen: Erfasse Akzeptanzrate, p50, p95, Infrastrukturkosten, Prüfminuten und Fallback-Anteil.
4. Fixierte AnyDoc-Version testen: Miss dieselben Ergebnisse und trenne Warm-Parsing von Prozessstart und Upload.
5. Zwei Alternativen vergleichen: Nutze Docling für den schwierigen visuellen Teil und MarkItDown für gemeinsame Formate.
6. Grenze angreifen: Teste falsch benannte, komprimierte, verschachtelte und ressourcenintensive Dateien in der geplanten Sandbox.
7. Fallback bepreisen: Zähle OCR-Aufrufe, manuelles Review, Ablehnungen und Fehler beim Nutzer.
8. Nach akzeptierter Aktion entscheiden: Veröffentliche nur, wenn Qualität und Sicherheit über dem Gate bleiben und Gesamtkosten oder Latenz sinken.

Mit unserem Kostenmodell pro KI-Agenten-Aktion bleiben Wiederholungen und manuelle Korrektur im Nenner. Wenn Dokumenten-Ingestion zur Produktinfrastruktur wird, kann Wavects AI Enablement den Korpus benchmarken, Routing bauen und Retrieval oder Workflow-Automatisierung anbinden. Die Twinsoft-AI-Fallstudie zeigt unseren Umgang mit nachvollziehbarer KI-Ausgabe. Der Leitfaden zur Technologieauswahl für ein MVP hilft dir zu entscheiden, welche Parser-Stufen du besitzen solltest.

Recherchegrenze

Stand 10. August 2026. Die Benchmark-Werte stammen vom Anbieter und nicht aus Wavect-Messungen. Wir haben Repository, Methodik und offizielle Dokumentation der Alternativen geprüft, aber weder den privaten Korpus erhalten noch ein Security-Audit durchgeführt. Versionen, Formate, API-Limits und Preise können sich ändern. Fixiere und prüfe sie vor dem Einkauf.