PDF 别直接喂给 AI：先用 MarkItDown 转 Markdown，省 token 也少翻车
PDF 别直接喂给 AI：先用 MarkItDown 转 Markdown，省 token 也少翻车
很多人用 AI 读 PDF，第一反应是：
直接上传，总结，提炼重点。
看起来很省事。
但只要你处理过几份真实 PDF，就会发现问题来了。
页眉页脚会被读进去。
页码会被当成正文。
双栏论文的阅读顺序可能乱掉。
表格被拆成一堆碎片。
目录、脚注、版权声明、换行、断词，全都混在上下文里。
最后你以为 AI 在读资料。
其实它先在吃一大堆排版噪声。
噪声也算 token。
这就是为什么很多 PDF 总结看起来「字很多」，但重点不准。不是模型完全不会读，而是你给它的输入太脏。
这篇教程只解决一个小问题：
先把 PDF 转成 Markdown，再把干净文本交给 AI。
工具用微软开源的 MarkItDown：https://github.com/microsoft/markitdown
1. MarkItDown 是什么
MarkItDown 是微软开源的 Python 工具，目标是把各种文件转换成 Markdown，方便后续交给 LLM 使用。
它支持的不只是 PDF。
常见的 Word、PPT、Excel、HTML、CSV、JSON 等，也可以按依赖组合来处理。
但这篇先不展开。
我们只做一个最小闭环：
PDF -> Markdown -> AI 总结 / 提问 / 改写 / 提炼
2. 适合什么场景
MarkItDown 特别适合这些场景：
- 你有一份 PDF 报告，想让 AI 总结。
- 你有一批论文，想先提取可读文本。
- 你有产品手册、合同、白皮书，不想让 AI 被排版干扰。
- 你想把资料沉淀进 Obsidian、Notion 或知识库。
- 你想减少 token 浪费，让 AI 只读正文。
但它不是万能 OCR。
如果你的 PDF 是扫描件，里面其实是一张张图片，普通转换可能提不出多少文字。这种情况要走 OCR 插件或其他 OCR 工具。
先记住一句话：
可复制文字的 PDF，MarkItDown 很适合。
纯扫描图片 PDF，要先考虑 OCR。
3. 第 1 步：准备 Python 环境
MarkItDown 需要 Python 3.10 或更高版本。
先检查版本：
python --version
或者：
py --version
如果版本低于 3.10，先升级 Python。
建议为这个工具单独建一个虚拟环境，避免和其他项目依赖打架。
在你的资料文件夹里执行：
py -m venv .venv
.\.venv\Scripts\Activate.ps1
看到命令行前面出现 (.venv)，说明虚拟环境已经激活。
4. 第 2 步：安装 MarkItDown
微软官方推荐安装全部可选依赖：
pip install "markitdown[all]"
如果你只处理 PDF、Word、PPT，也可以更克制一点：
pip install "markitdown[pdf,docx,pptx]"
我建议新手先用 [all]。
原因很简单：
你刚开始不会只遇到一种文件。
今天是 PDF，明天可能就是 PPT、Excel、HTML。
先把工具跑起来，比一开始抠依赖更重要。
安装完以后检查：markitdown --help
如果提示命令不存在，先关闭终端重开，或者确认虚拟环境是否激活。
5. 第 3 步：把 PDF 转成 Markdown
假设你的文件叫：report.pdf
转换命令是：
markitdown report.pdf -o report.md
也可以用重定向：
markitdown report.pdf > report.md
我更推荐 -o。
它更直观，也更不容易因为终端编码或重定向问题出奇怪结果。
转换完成后，你会得到：report.md
先别急着喂给 AI，先打开看一眼。
6. 第 4 步：检查 Markdown 是否干净
打开 report.md，重点看五件事：
- 标题层级是否基本正常。
- 正文顺序是否和原 PDF 一致。
- 页眉页脚是否大量混入正文。
- 表格是否还能看懂。
- 有没有明显乱码、断词、重复页码。
不要追求 100% 完美。
我们要的是「比原始 PDF 更适合 AI 阅读」。
如果 Markdown 已经把正文顺序理清楚，页码和排版噪声也少很多，那就可以进入下一步。
7. 第 5 步：先让 AI 做结构化阅读
不要上来就问：总结这篇 PDF。
这句话太笼统。更好的做法是，先让 AI 检查材料结构。
把 report.md 粘给 AI，然后用这个 prompt：
我会给你一份由 PDF 转成的 Markdown。
请先不要直接总结。
请先检查这份 Markdown 的结构质量，输出：
1. 文档主题；
2. 主要章节；
3. 是否存在页眉、页脚、页码、目录、版权声明等噪声；
4. 哪些段落可能是表格或排版残留；
5. 这份材料适合进一步做哪些任务。
要求：
- 只基于我提供的 Markdown；
- 不补充外部信息；
- 不确定的地方标注“不确定”。
这一步很有用。
它等于让 AI 先看现场，再干活。
如果它发现 Markdown 里有很多噪声，你可以先清理，再继续总结。
8. 第 6 步：再让 AI 总结
结构检查没问题后，再用这个 prompt：
请基于这份 Markdown 做结构化总结。
输出格式：
1. 一句话结论；
2. 5 个核心观点；
3. 每个观点对应的原文依据；
4. 关键数据或案例；
5. 作者的推理链；
6. 适合我继续追问的 5 个问题。
要求：
- 不要编造原文没有的信息；
- 如果某个结论缺少依据，请标注“依据不足”；
- 保留重要术语；
- 用中文输出。
注意这里有一个关键要求：
每个观点对应原文依据。
这会逼 AI 回到材料里找支撑，而不是顺着标题自由发挥。
9. 第 7 步：把它变成学习笔记
如果你的目标不是简单总结，而是沉淀知识，可以让 AI 输出笔记版：
请把这份 Markdown 整理成学习笔记。
输出：
1. 核心问题：这份材料试图回答什么；
2. 关键概念：每个概念用一句话解释；
3. 论证结构：按“背景 -> 问题 -> 方法 -> 证据 -> 结论”整理；
4. 可复用方法：哪些做法可以迁移到我的工作里；
5. 反常识点：哪些结论和直觉不同；
6. 待核查点：哪些地方需要回到原文或外部资料确认。
限制：
- 不写空泛鸡汤；
- 不新增文献；
- 不把推断写成事实。
这比“总结一下”更像真正读资料。
10. 批量转换多个 PDF
如果一个文件夹里有很多 PDF，可以用 PowerShell 批量转：
Get-ChildItem -Filter *.pdf | ForEach-Object {
$out = [System.IO.Path]::ChangeExtension($_.FullName, ".md")
markitdown $_.FullName -o $out
}
执行后：
a.pdf -> a.md
b.pdf -> b.md
c.pdf -> c.md
如果你要把输出统一放进 markdown 文件夹：
New-Item -ItemType Directory -Force -Path ".\markdown" | Out-Null
Get-ChildItem -Filter *.pdf | ForEach-Object {
$name = [System.IO.Path]::GetFileNameWithoutExtension($_.Name)
markitdown $_.FullName -o ".\markdown\$name.md"
}
批量跑完以后，不建议直接把所有 Markdown 一次性喂给 AI。
先抽查 2-3 份。
确认转换质量稳定，再批量进入下一步。
11. 扫描版 PDF 怎么办
如果转换出来几乎没有正文，只有图片描述或空内容，大概率是扫描版 PDF。
这种 PDF 的本质是一组图片。
MarkItDown 默认转换不一定能提取图片里的文字。
微软仓库里有 OCR 插件路线，例如 markitdown-ocr，但它需要额外配置 LLM Vision 客户端。
新手可以先用更简单的判断：
- 在 PDF 阅读器里试着选中文字。
- 能选中正文，优先用 MarkItDown。
- 选不中正文，先做 OCR，再转 Markdown。
不要拿纯扫描 PDF 硬喂 AI。
那不是省事，那是把识别、清洗、理解三个任务全堆给模型。
成本高，结果还不稳。
12. 常见问题
12.1. markitdown 命令不存在
先确认虚拟环境是否激活：.\.venv\Scripts\Activate.ps1
再检查：pip show markitdown
如果能看到包信息，但命令仍不可用，重开终端再试。
Windows 上有时是 Scripts 目录没有进入当前会话 PATH。
12.2. 转出来乱码
先换一个 PDF 测试。
如果只有某个文件乱码，可能是 PDF 内部字体编码特殊。
这种情况可以尝试：
- 先用 PDF 阅读器另存为新 PDF
- 或用其他工具先导出文本
- 再交给 MarkItDown
12.3. 表格乱了
PDF 表格本来就是难点。
如果表格是核心信息，不要只靠一次转换。
可以让 AI 单独处理表格区域：
下面这段 Markdown 可能来自 PDF 表格转换，格式有些乱。 请不要补充新数据，只基于现有内容，把它整理成一个 Markdown 表格。 如果某个单元格无法判断，请填“不确定”。
12.4. 文件太大，AI 还是吃不下
不要整份塞。先让 AI 根据目录或标题分段处理：
我会分批提供一份长文档的 Markdown。 请每批只做局部笔记，并保留“本批结论”和“需要和后文核对的问题”。 等我说“全部发送完毕”后，再做总总结。
这比一次性塞满上下文稳得多。
13. 一个更省 token 的完整工作流
可以按这个顺序走：
- PDF 转 Markdown
- 人眼抽查 Markdown
- AI 检查结构质量
- 清理明显噪声
- AI 分章节总结
- AI 输出问题清单
- 人回到原文核查关键结论
重点不是“多一个工具”。
重点是把 AI 从清理垃圾输入里解放出来。
你给它的材料越干净，它越容易把能力用在理解、判断和提炼上。
14. 可以直接复制的总控 prompt
我会给你一份由 PDF 转成的 Markdown。
你的任务不是直接概括总结，而是做可靠阅读。
请按顺序完成：
1. 判断文档主题和材料类型；
2. 识别目录、页眉页脚、页码、版权声明等噪声；
3. 按章节提取核心观点；
4. 为每个核心观点给出原文依据；
5. 标注哪些内容是事实、哪些是作者观点、哪些是你的推断；
6. 列出需要回到原 PDF 核查的位置。
限制：
- 只使用我提供的 Markdown；
- 不补充外部背景；
- 不编造数据、作者、文献或案例；
- 不确定就写“不确定”；
- 输出要适合我继续做学习笔记。
15. 输入越干净越好
AI 读资料这件事，很多时候不是模型越强越好，而是输入越干净越好。
PDF 是给人看的格式。
Markdown 更像给 AI 读的格式。
你先花 30 秒把 PDF 转成 Markdown，后面可能省掉几千、几万 token，也省掉一堆看似合理但其实被排版噪声带偏的总结。
这就是 MarkItDown 最实用的地方。
它不是炫技工具，它是喂 AI 之前的一道清洗工序。