给AI准备资料，麻烦往往不在“读懂”，而在“拆箱”：PDF、代码、网页和视频各有格式，得先提取正文与结构，才能放进检索库。Xberg v1就是做这道前处理的工具。它是Kreuzberg的后继项目，相当于原计划中的Kreuzberg v5，目标是把杂乱输入统一整理成可供下游程序使用的内容。
据作者Goldziher在Reddit发布的信息，Xberg目前支持101种文档格式、367种代码与数据类型，也能处理音视频转录——把语音变成可检索文字——以及普通网页和需要浏览器执行脚本后才显示正文的网页。它尤其重做了PDF流程：用纯Rust后端替代pdfium，识别页面布局并重建阅读顺序，还会逐页判断是否为扫描件，只在需要时启动OCR（光学字符识别，即从图片里读出文字）。
这值得关注，因为RAG——先检索外部资料、再让大模型据此回答——效果好不好，很大程度取决于资料入库前是否整理干净。不过，性能、准确率和稳定性优势目前主要来自作者自述，供稿未提供可独立比较的完整测试数据。