UPGPTs

中文

English

中文

English

Appearance

PDF 别直接喂给 AI：先用 MarkItDown 转 Markdown，省 token 也少翻车 ​

作者：UPGPTs 团队首次发布：2026-07-12最后更新：2026-07-16

这篇文章解决什么问题： 很多人直接把 PDF 上传给 AI 做总结，结果被页眉页脚、页码、排版噪声吃掉大量 token，输出还不准。MarkItDown（微软开源）把 PDF 转成干净 Markdown，先清洗再喂 AI。更重要的是——转换只是第一步，真正的差距在后面那套「先检查结构、再分步阅读」的工作流。

适用人群： 经常用 AI 读 PDF 报告、论文、合同、白皮书的读者。需要 Python 环境，跟着教程走 7 步完成闭环。

目录：

  1. MarkItDown 是什么
  2. 适合什么场景
  3. 快速开始（给不想读全文的人）
  4. 第 1 步：准备 Python 环境
  5. 第 2 步：安装 MarkItDown
  6. 第 3 步：把 PDF 转成 Markdown
  7. 第 4 步：检查 Markdown 是否干净
  8. 第 5 步：先让 AI 做结构化阅读（诊断用）
  9. 批量转换多个 PDF
  10. 常见问题
  11. 总结

很多人用 AI 读 PDF，第一反应是：直接上传，总结，提炼重点。

但真实 PDF 有页眉页脚、页码、双栏排版、表格碎片、断词换行——所有这些噪声都会被 AI 当成正文吃进去。噪声也算 token。

所以很多 PDF 总结看起来「字很多」，但重点不准。不是模型不行，是输入太脏。

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

MarkItDown 工具界面截图

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——Word、PPT、Excel、HTML、CSV、JSON 等也可以按依赖组合来处理。但这篇只做一个最小闭环：

PDF → Markdown → AI 总结 / 提问 / 改写 / 提炼

适合什么场景 ​

  1. 你有一份 PDF 报告，想让 AI 总结
  2. 你有一批论文，想先提取可读文本
  3. 你有产品手册、合同、白皮书，不想让 AI 被排版干扰
  4. 你想把资料沉淀进 Obsidian、Notion 或知识库
  5. 你想减少 token 浪费，让 AI 只读正文

但它不是万能 OCR。 可复制文字的 PDF → 适合 MarkItDown。

快速开始 ​

给不想读全文的人——如果你已经装了 Python 3.10+：

bash
pip install "markitdown[all]"
markitdown file.pdf -o file.md

打开 file.md 检查一下正文顺序和表格是否正常，然后直接跳到第 5 步开始跟 AI 协作。

下面是完整的 7 步拆解。

第 1 步：准备 Python 环境 ​

MarkItDown 需要 Python 3.10 或更高版本。

检查 Python 版本的终端截图

先检查版本：

bash
python --version

如果版本低于 3.10，先升级 Python。

第 2 步：安装 MarkItDown ​

微软官方推荐安装全部可选依赖：

安装 MarkItDown 的终端截图

bash
pip install "markitdown[all]"

如果你只处理 PDF、Word、PPT，也可以更克制一点：

bash
pip install "markitdown[pdf,docx,pptx]"

我建议新手先用 [all]。 你今天处理的是 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。

安装成功的终端截图

安装完以后检查：

bash
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。

第 3 步：把 PDF 转成 Markdown ​

假设你的文件叫 file.pdf：

bash
markitdown file.pdf -o file.md

也可以用重定向：

bash
markitdown file.pdf > file.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 file.md。先别急着喂给 AI，先打开看一眼。

第 4 步：检查 Markdown 是否干净 ​

打开 file.md，重点看五件事：

  1. 标题层级是否基本正常
  2. 正文顺序是否和原 PDF 一致
  3. 页眉页脚是否大量混入正文
  4. 表格是否还能看懂
  5. 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。

PDF 转换前的排版对比

PDF 转换后的 Markdown 效果

注意：如果文档里有图片，MarkItDown 不会在 Markdown 中展示图片内容。

第 5 步：先让 AI 做结构化阅读 ​

🏷️ 诊断用——先用这个 prompt 让 AI 检查输入质量

不要上来就问「总结这篇 PDF」。这句话太粗。更好的做法是：先让 AI 检查材料结构。

把 file.md 粘给 AI，然后用这个 prompt：

markdown
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，你可以先手动清理，再继续总结。

第 6 步：再让 AI 总结 ​

🏷️ 总结用——结构没问题后，用这个 prompt 做深度提炼

markdown
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。

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。

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：

powershell
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。

PowerShell 批量转换多个 PDF 为 Markdown 文件的命令执行截图

批量转换完成后文件目录下生成的多个 .md 文件列表截图

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。

优缺点 ​

MarkItDown 的优点

  • 省 token：先清洗再喂 AI，页眉页脚、页码等噪声不再白烧 token
  • 开源免费：微软开源，pip install 一条命令，无订阅成本
  • 覆盖广：PDF、Word、PPT、Excel、HTML 等都能转，一套工具多用途

不足 / 注意事项

  • 不是万能 OCR：扫描件 / 图片型 PDF 需要先 OCR 再转换
  • 表格是弱项：复杂表格转换容易乱，核心表格建议单独处理
  • 需要 Python 环境：版本要求 3.10+，新手装依赖要花点时间

适合人群 ​

  • 经常用 AI 读 PDF 报告、论文、合同、白皮书的读者
  • 想把 PDF 资料沉淀进 Obsidian、Notion 等知识库的人
  • 在意 token 成本、想让 AI 只读干净正文的重度 AI 用户

常见问题 ​

1. markitdown 命令不存在

检查：

用 pip show markitdown 检查已安装包信息的终端截图

bash
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。

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：

  1. 先用 PDF 阅读器另存为新 PDF
  2. 或用其他工具先导出文本
  3. 再交给 MarkItDown

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」。

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。

总结 ​

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。

MarkItDown 不是炫技工具，它是喂 AI 之前的一道清洗工序。

关于作者 ​

UPGPTs 团队 专注 ChatGPT、Claude、Grok、Codex 等 AI 工具的中文保姆级教程，每一步都有截图。更多教程见 UPGPTs 教程中心，使用问题可查 常见问题，或通过联系我们页面留言。

相关阅读 ​