PDF转Markdown的AI方案：3步把文档喂给大模型

PDF转Markdown是任何LLM摄取管道的第一步。这里给出基于 Marker 和 PDF-Extract-Kit 的3步可运行配方。

💡 你将学到

PDF转Markdown是任何LLM摄取管道的第一步。这里给出基于 Marker 和 PDF-Extract-Kit 的3步可运行配方。

大模型读的是文本，不是 PDF 版式。所以 PDF转Markdown的AI转换是每个文档 RAG 项目里沉默的瓶颈：markdown 错了答案就错，而且你根本不知道错在哪。

为什么 Markdown 重要

Markdown 保留结构——标题、列表、表格、代码块——检索系统可以智能分块，而不是从句子中间切断。好的转换器让表格还是表格，阅读顺序不乱。

第一步：跑 Marker（38,453 星），命令 marker_single file.pdf --output_dir ./out；数学论文多就上 PDF-Extract-Kit（9,933 星）。第二步：按 h2/h3 标题分块，标题作为元数据。第三步：嵌入后存进 Qdrant（33,810 星）或 pgvector（22,508 星），元数据保留页码以便引用。

对比

常见问题

问：PDF 转 markdown 比纯文本提取好吗？
答：对 LLM 管道来说是的。带结构的 markdown 分块在检索测试中稳定胜过纯文本分块。

问：Marker 多快？
答：现代 CPU 上大约每秒 1-2 页；GPU 能再快一大截。