2026年6月25日
Kreuzberg：给 RAG 和 Agent 准备资料，可以少一点“格式地狱”
做 RAG、知识库或文档型 Agent 时，真正麻烦的往往不是模型，而是前面那一步：PDF、Office、图片、邮件、音视频、代码仓库各有各的格式，抽出来的文本还要能给 LLM 稳定使用。Kreuzberg 是一个以 Rust 为核心的文档智能框架，目标就是把多种文件转成干净、结
做 RAG、知识库或文档型 Agent 时，真正麻烦的往往不是模型，而是前面那一步：PDF、Office、图片、邮件、音视频、代码仓库各有各的格式，抽出来的文本还要能给 LLM 稳定使用。Kreuzberg 是一个以 Rust 为核心的文档智能框架，目标就是把多种文件转成干净、结构化、可用于 AI 流程的内容。它最近更新活跃，已经不只是“文档解析库”，还把 CLI、REST API、MCP Server 和多语言绑定放到了一起，值得做 AI 应用的人关注。
📌 这个项目是干什么的
- 定位：面向 AI / RAG / Agent 流程的文档解析与结构化抽取框架。
- 适合谁：做企业知识库、文档问答、资料入库、代码智能分析、多模态资料处理的开发者。
- 解决什么问题：把 PDF、Office、图片、网页、邮件、压缩包、音视频和代码等资料，统一抽取成文本、表格、元数据、转写稿或代码结构信息。
- 当前成熟度：GitHub 仓库持续更新，最新 release 为
v5.0.0-rc.13；但 5.0 仍处于 RC 阶段，生产环境要先小范围验证。
🔍 为什么值得关注
- 它把“文档进入 AI 系统”这件事做成基础设施。
很多团队一开始会用几个独立解析库拼起来：PDF 一个方案，OCR 一个方案，网页再一个方案。Kreuzberg 的思路是用一个 Rust core 承接解析能力，再通过 Python、Node.js、Rust、Go、Java、C# 等绑定给不同工程栈使用。对团队来说，价值不只是“能解析”，而是减少多语言、多服务之间行为不一致的问题。
- 不只服务 RAG，也服务 Agent 工作流。
官方 README 明确提供库、CLI、REST API 和 MCP Server 四种使用方式。也就是说，它既可以嵌进后端文档处理链路，也可以作为 MCP 工具接到 Claude Desktop、Cursor 等客户端里，让 Agent 在需要时调用文档抽取能力。对于正在搭 Agent 工具箱的团队，这比单纯的离线解析脚本更方便。
- 格式覆盖面广，但要克制使用。
项目宣称支持 96 种文件格式、306 种编程语言的代码智能，并包含 OCR、Whisper 转写、chunking、语言检测、embedding、结构化 LLM 抽取等能力。这个覆盖面很诱人，但也意味着真实效果会强依赖你的文件类型、语言、OCR 质量和运行环境。更稳妥的方式，是先拿自己的典型样本测试，而不是直接把它当成万能入口。
🧪 谁适合试，怎么开始
如果你正在做文档问答、企业资料入库、Agent 读文件、AI 搜索或代码仓库分析，可以优先试一下。
最短路径可以从 Python 或 Node.js 开始：Python 侧官方给出 pip install kreuzberg / uv add kreuzberg，Node.js 侧是 npm install @kreuzberg/node。如果只是验证效果，先用 CLI 或 Docker 跑几类真实文件，看抽取文本、表格和元数据是否稳定；如果准备接 Agent，再看官方 MCP integration guide。
建议先验证三件事：
- 你的核心文件格式是否在支持列表内；
- 中文、表格、扫描件、复杂 PDF 的抽取质量是否可接受；
- 输出结果是否方便进入后续 chunk、embedding 和检索链路。
⚠️ 使用提醒
- Kreuzberg 使用 Elastic License 2.0，不是宽松的 MIT / Apache-2.0；如果要做托管服务或商业集成，务必先看许可证限制。
- 最新 5.0 release 仍是 RC 标签，适合评估和小范围试点，生产链路不要跳过回归测试。
- OCR、音频转写、VLM OCR 等能力可能引入额外依赖、模型或运行成本，别只看 README 的功能列表，要按自己的数据集测。