Suốt tuần qua, dòng chảy repo AI mã nguồn mở dồn về một chỗ ít ai gọi tên nhưng ai cũng cần: lớp dữ liệu. Không phải mô hình mới, không phải agent biết nói — mà là những công cụ lặng lẽ biến PDF, hợp đồng, trang web và tài liệu Office thành dữ liệu sạch mà AI đọc được. Đây là mặt trận builder Việt hoàn toàn có thể thắng, vì nó không cần GPU khủng hay vốn lớn, chỉ cần hiểu tài liệu của một ngành cụ thể.
Tóm tắt điều hành
Tín hiệu rõ nhất hôm nay: mô hình càng mạnh thì giá trị càng dịch về khâu chuẩn bị dữ liệu. Loạt repo dẫn đầu — từ markitdown (181,6k sao), firecrawl (166,2k sao) tới crawl4ai, MinerU, docling — đều làm đúng một việc: chuyển thông tin lộn xộn thành markdown/JSON gọn cho LLM. Với builder, đây là cơ hội “cuốc xẻng” trong cơn sốt vàng: bạn không phải xây mô hình, chỉ cần bán lớp biến tài liệu thành tri thức cho từng ngành. Ai làm sạch được dữ liệu của một lĩnh vực, người đó nắm khách hàng — vì đó là phần AI đại trà không tự lo được.
Bản đồ xu hướng
Ba dịch chuyển đáng chú ý trong ngày. Thứ nhất, “markdown hoá mọi thứ” trở thành mặc định: định dạng trung gian giữa tài liệu gốc và mô hình gần như thống nhất về markdown, giúp một pipeline chạy được cho mọi loại file. Thứ hai, ranh giới giữa crawler và parser mờ dần — công cụ web nay trả thẳng markdown sạch, còn công cụ tài liệu nay hiểu bảng, công thức, hình ảnh. Thứ ba, lớp dữ liệu đang “agent hoá”: không dừng ở trích xuất, các repo mới cắm thẳng vào agent qua MCP để trợ lý tự lập chỉ mục và đọc sâu.
Hệ quả cho builder: chi phí dựng một sản phẩm hỏi-đáp tài liệu giảm mạnh, nhưng khác biệt cạnh tranh chuyển từ “có làm được không” sang “làm sạch và dẫn nguồn chính xác tới đâu”. Đó là chỗ để một đội nhỏ thắng một nền tảng lớn: bằng sự tỉ mỉ theo ngành.
Cụm công nghệ trong ngày
RAG & Data — trái tim của lớp dữ liệu
Đây là cụm dày tín hiệu nhất hôm nay. opendatalab/MinerU và docling-project/docling đại diện cho nhánh “hiểu tài liệu phức tạp” — bảng biểu, công thức, layout nhiều cột — thứ mà chuyển đổi thô hay làm hỏng. HKUDS/RAG-Anything đẩy xa hơn với RAG đa phương thức gộp text, ảnh, bảng vào một khung. Bộ ba này là nền để dựng dịch vụ tra cứu có dẫn nguồn cho ngành nhiều tài liệu.
Web → Data — lấy dữ liệu tươi cho AI
Khi mô hình cần dữ liệu mới, crawler là cửa ngõ. firecrawl/firecrawl và unclecode/crawl4ai biến web thành markdown sạch cho pipeline AI, thay vì HTML rối. Đây là lớp nguyên liệu cho mọi sản phẩm cần dữ liệu cập nhật theo thời gian thực: theo dõi giá, tổng hợp tin ngành, làm cơ sở tri thức tự làm mới.
AI ứng dụng công việc — chuẩn hoá đầu vào
microsoft/markitdown là mảnh ghép đơn giản mà ai cũng đụng tới: đưa mọi file văn phòng về markdown để mô hình đọc. Nó không hào nhoáng nhưng là bước đầu tiên của gần như mọi luồng xử lý tài liệu, và chính sự phổ dụng đó khiến nó thành chuẩn de facto.
AI Agent — dữ liệu biết tự phục vụ
run-llama/llama_index đã chuyển mình thành nền tảng agent tài liệu, còn opendatalab/MinerU-Document-Explorer là tín hiệu mới nổi: bộ máy tri thức agent-native cắm MCP để trợ lý tự lập chỉ mục, tổ chức wiki và đọc sâu. Xu hướng: lớp dữ liệu không còn là ống dẫn tĩnh mà thành dịch vụ agent gọi trực tiếp.
Repo đáng chú ý
Mỗi repo dưới đây có trang phân tích riêng trong kho tri thức AIToEarn — bấm vào tên repo để đọc chi tiết cách dùng và hướng kiếm tiền.
microsoft/markitdown
Công cụ Python chuyển mọi file và tài liệu Office sang markdown cho LLM. ⭐ 181,6k (ghi nhận), MIT. Góc kiếm tiền: đóng gói thành API “chuẩn hoá tài liệu đầu vào” bán cho các đội xây chatbot nội bộ khỏi tự lo khâu convert.
firecrawl/firecrawl
API dữ liệu web để tìm, cào và tương tác ở quy mô lớn, trả markdown sạch cho AI. ⭐ 166,2k (ghi nhận), AGPL-3.0. Góc kiếm tiền: dựng dịch vụ “nguồn dữ liệu tươi theo ngành” — cào và làm sạch tin tức, giá, đối thủ — bán theo thuê bao.
unclecode/crawl4ai
Crawler mã nguồn mở thân thiện LLM, biến trang web thành markdown có cấu trúc. ⭐ 80,9k (ghi nhận), Apache-2.0. Góc kiếm tiền: làm lớp thu thập dữ liệu cho các sản phẩm RAG của khách, tính phí theo số trang xử lý.
opendatalab/MinerU
Chuyển tài liệu phức tạp như PDF và file Office thành markdown/JSON sẵn cho agentic workflow. ⭐ 77,4k (ghi nhận), license MinerU (nền Apache-2.0). Góc kiếm tiền: dịch vụ số hoá kho tài liệu ngành luật, kế toán, kỹ thuật thành dữ liệu tra cứu được.
docling-project/docling
Bộ công cụ đưa tài liệu vào trạng thái sẵn sàng cho gen AI, giữ nguyên bảng và bố cục. ⭐ 66,7k (ghi nhận), MIT. Góc kiếm tiền: gói “chuẩn bị tài liệu cho RAG” cho doanh nghiệp có nhiều báo cáo bảng biểu phức tạp.
run-llama/llama_index
Nền tảng xử lý tài liệu và agent tài liệu cho AI. ⭐ 51,9k (ghi nhận), MIT. Góc kiếm tiền: nhận dựng trợ lý tài liệu chuyên ngành trọn gói trên nền tảng này, bán triển khai và bảo trì.
HKUDS/RAG-Anything
Khung RAG all-in-one xử lý đa phương thức: text, ảnh, bảng, công thức trong một nền. ⭐ 21,9k (ghi nhận), MIT. Góc kiếm tiền: sản phẩm hỏi-đáp cho tài liệu kỹ thuật, y tế, giáo dục nơi hình và bảng quan trọng ngang chữ.
opendatalab/MinerU-Document-Explorer
Bộ máy tri thức agent-native với MCP tools cho lập chỉ mục, tổ chức wiki, truy xuất nhanh và đọc sâu tài liệu. ⭐ 600 (ghi nhận), MIT — repo mới nổi đáng theo dõi. Góc kiếm tiền: đặt cược sớm vào lớp “wiki biết trả lời” cắm thẳng vào agent cho SME.
Cơ hội triển khai
Xây gì, bán cho ai? Thứ nhất, “trợ lý tài liệu ngành hẹp”: chọn một lĩnh vực nhiều giấy tờ — xây dựng, bảo hiểm, xuất nhập khẩu — dùng MinerU hoặc docling số hoá kho tài liệu, dựng hỏi-đáp có dẫn nguồn theo trang, bán thuê bao cho phòng ban vận hành. Thứ hai, “nguồn dữ liệu tươi theo dõi thị trường”: dùng firecrawl/crawl4ai cào và làm sạch dữ liệu ngành, đóng thành feed markdown mà đội phân tích hoặc chatbot của khách nạp trực tiếp. Thứ ba, “dịch vụ chuẩn hoá đầu vào”: nhiều đội đang mắc ở khâu convert file — bán đúng lớp markitdown-hoá như một API ổn định, tính phí theo dung lượng, là mô hình nhẹ vốn mà dòng tiền đều.
Điểm chung của cả ba: bạn bán “dữ liệu sạch có ngữ cảnh”, thứ mô hình đại trà không tự làm cho một ngành cụ thể. Đó là hào cạnh tranh bền hơn là chạy đua tính năng chatbot.
Rủi ro cần theo dõi
License là rủi ro số một hôm nay: firecrawl dùng AGPL-3.0 — nếu bạn cung cấp dưới dạng dịch vụ mạng, nghĩa vụ mở mã có thể phát sinh, cần đọc kỹ trước khi thương mại hoá; MinerU dùng license riêng nền Apache. Đừng mặc định “mã nguồn mở là dùng thoải mái”. Thứ hai, chi phí ẩn: parser tài liệu phức tạp và crawler quy mô lớn ngốn tính toán và có thể gọi mô hình trả phí ở hậu trường — cần tính giá vốn thực trước khi báo giá khách. Thứ ba, chất lượng và pháp lý dữ liệu: cào web phải tôn trọng điều khoản nguồn và bản quyền, còn tài liệu ngành nhạy cảm (y tế, tài chính) đòi hỏi xử lý dữ liệu cá nhân đúng luật — sai một bước ở đây là rủi ro thật, không chỉ kỹ thuật.
Danh sách đầy đủ
- microsoft/markitdown — chuyển mọi file sang markdown cho LLM — ⭐ 181,6k — AI ứng dụng công việc
- firecrawl/firecrawl — API dữ liệu web trả markdown sạch — ⭐ 166,2k — Web → Data
- unclecode/crawl4ai — crawler thân thiện LLM — ⭐ 80,9k — RAG & Data
- opendatalab/MinerU — PDF/Office sang markdown/JSON — ⭐ 77,4k — RAG & Data
- docling-project/docling — chuẩn bị tài liệu cho gen AI — ⭐ 66,7k — RAG & Data
- run-llama/llama_index — nền tảng agent tài liệu — ⭐ 51,9k — AI Agent
- HKUDS/RAG-Anything — RAG đa phương thức all-in-one — ⭐ 21,9k — RAG & Data
- opendatalab/MinerU-Document-Explorer — bộ máy tri thức agent-native qua MCP — ⭐ 600 — AI Agent
Đọc thêm góc triển khai: phân tích dựng dịch vụ hỏi đáp tài liệu doanh nghiệp và playbook đóng gói và bán MCP server cho SME để biến lớp dữ liệu thành sản phẩm bán được.
— Ban biên tập AIToEarn.