Word、PDF 直接丢给 AI？格式不同，分析效果可能差一半

MD、DOCX、PDF 三种格式喂给 AI，你以为都一样？实测差距不小。

你把一份几十页的调研报告扔给 AI，让它提炼摘要——Word 版出来的东西逻辑混乱、缺胳膊少腿；换个 PDF 版试试，有些表格数据干脆消失了。

你可能以为是 AI 不行——其实很可能是格式拖了后腿。

同样一份文档，用 MD、DOCX、PDF 三种格式丢给 WorkBuddy 分析，效果能差出一大截。尤其在长文档、带表格、需要结构化分析的场景，差距更明显。

下面这些判断，都是我这段时间用 WorkBuddy 处理各类文档时，真刀真枪试出来的经验——不是理论推演，是踩坑踩出来的。从写周报、读竞品资料，到分析几十页的行业报告，哪个格式好用、哪个坑最多，我心里有数。

下面从文本纯净度、结构识别、特殊内容解析、上下文完整性四个维度，把这事说清楚。

一、底层有啥不一样？

先搞清本质区别：

🔹 MD（Markdown）：纯文本标记语言。文件里只有文字 + 简单符号（# 标题、- 列表、` 代码、> 引用）。没有隐藏数据，没有冗余排版信息。

🔹 DOCX（Word）：本质是个压缩包。里面除了文字，还有字体样式、段落间距、页眉页脚、批注、修订痕迹、浮动图片、文本框、表格内嵌格式、域代码等一大堆二进制排版数据。

🔹 PDF：本质是展示格式——设计目的是在任何设备上看起来一模一样。但里面可能是可选中可复制的文字（从 Word 导出的文本型 PDF），也可能只是一张图片（扫描件、拍照转的扫描型 PDF）。

一句话：MD 给 AI 的是「纯净文本」，DOCX 给 AI 的是一锅「文字 + 排版佐料」的大杂烩，PDF 给 AI 的是什么，完全看它怎么生成的。

二、AI 处理时，四个维度差距在哪

1. 文本提取纯净度（差距最大）

MD 给 AI 的就是有效正文，DOCX 经常夹带大量「垃圾内容」——这些垃圾 AI 也得「读」，浪费算力不说，还干扰理解。

PDF 的纯净度完全看它是怎么生成的。文本型 PDF（从 Word 导出、文字可选中可复制的那种），AI 能把文字扒出来，但多栏排版、浮动文本框会导致文字提取顺序错乱——A 栏的一段可能跳到 B 栏中间。扫描型 PDF（纸质扫描、拍照转的），对纯文本 AI 来说就是一张图，一个字都读不出来。

2. 结构化识别能力

AI 对文档层级、目录、分块的理解，MD 天然更强：

🔹 MD：通过 # 天然区分一/二/三级标题，AI 能快速拆分章节、分块总结、提取大纲。

🔹 DOCX：依靠 Word 内置标题样式。问题是——现实中很多人写文档直接加粗代替标题，AI 无法识别章节边界，分模块分析和大纲提炼效果大打折扣。

🔹 PDF：标题识别更弱。即使原始文档有标题层级，转成 PDF 后这些结构标记大多丢失了，AI 只能靠字号大小猜测——猜错是常事。

换句话说：你用加粗写的「标题」，在 AI 眼里只是一行粗体字，不是结构标记。

3. 表格、代码、公式——特殊内容解析

关于图片补充一点：三者短板一致——纯文本大模型都不能解析图片里的文字。只有多模态模型（WorkBuddy 接入的 GPT-4o、Gemini 等）可以读图。只不过 DOCX 和 PDF 中的图片更容易在提取时丢失。

PDF 的表格是重灾区。即便是文本型 PDF，AI 提取表格时经常把行列关系搞得一团糟——一行的数据拆成好几段、数字对不上号、合计行跑到中间去了。如果你的 PDF 里有复杂表格，不用犹豫，先导出为 Excel 或 Markdown 再分析。

4. Token 消耗与上下文截断风险

这是很多人忽略的隐性成本。

DOCX 的冗余排版数据、多余空行、乱序碎片会显著拉长文本。同等内容下，DOCX 提取文本的 token 量通常比 MD 高 20%~60%。

后果是什么？

🔹 短文档（几千字）：无感知，差别可忽略。

🔹 长文档（几万字）：可能直接超出 AI 上下文上限，内容被截断，分析不完整。

🔹 高频使用场景：相同额度下，MD 能一次性喂完整篇，DOCX 得拆分上传，打断整体逻辑。

PDF 的 token 浪费更隐蔽：文本型 PDF 虽然没有修订模式那种重复内容，但提取出的文字流里常夹杂换行符、多余空格、乱序片段，也占 token。扫描型 PDF 如果跑了 OCR，识别错误本身就是垃圾数据。

5. PDF 的特殊情况：看它是怎么生成的

PDF 值得单独拎出来说，因为它有两种截然不同的形态，处理结果天差地别：

🔹 文本型 PDF：从 Word/WPS 直接导出的，文字可选中、可复制。AI 可以提取文字，但多栏排版会导致提取顺序混乱，页眉页脚重复混入正文。

🔹 扫描型 PDF：纸质文件扫描或拍照转的，本质是一张图片。纯文本 AI 完全读不了。必须先跑 OCR（文字识别），而 OCR 质量取决于扫描清晰度——模糊文件的识别准确率可能不到 70%。

综合前面的对比，三种格式的 AI 分析效果排名大致是：

🏆 MD：纯净文本，结构清晰，AI 最爱

🥈 DOCX：有冗余但可提取，需要预处理

🥉 文本型 PDF：能提取但顺序可能乱，表格是重灾区

❌ 扫描型 PDF：不 OCR 就是一张图，AI 一个字都看不到

一个例外：短文差距极小

如果你的文档是几百字纯文字、无表格、无批注、无复杂排版的短文，不管什么格式丢给 WorkBuddy，输出结果几乎没差别，格式影响可以忽略。

差距主要体现在：长文档、有表格/代码、需要深度结构化分析的场景。

三、三种格式，分别适合什么任务

优先用 MD 的场景（AI 分析效果最优）

✅ 长篇调研报告、产品手册、知识库、技术文档

✅ 需要提取大纲、分章节总结、逻辑拆解

✅ 含大量表格、代码、数据清单

✅ 长文本摘要、全文问答、批量结构化抽取信息

✅ 高频重复喂给 AI 做迭代优化（省 token 就是省钱）

可以用 DOCX 的场景

✅ 简短普通文稿（通知、发言稿、几百字短文）

✅ 文档包含手写批注、修订记录，需要 AI 一并分析修改意见

✅ 只有 Word 原稿，内容简短，无法或懒得转格式

PDF 的使用建议

✅ 文本型 PDF、纯文字、内容简短 → 可以直接丢给 WorkBuddy，效果还行

⚠️ 含大量表格的 PDF → 强烈建议先导出为 Excel 或转 Markdown 再分析

❌ 扫描型 PDF → 必须先 OCR 转文字，不然 WorkBuddy 一个字都看不到

四、实操建议，立竿见影

🔹 首选：DOCX / PDF 一律转 MD 再投喂 AI。效果提升最明显。DOCX 用 Typora、WPS 导出 MD 都行；PDF 用在线工具（Smallpdf、ilovepdf）先转 Word → 再导出 MD。Mac 用户可以直接在预览里全选文字，复制粘贴到 .md 文件里。

🔹 次选：如果只能传原文件，DOCX 先接受所有修订、删批注、清页眉页脚；PDF 用 Adobe Acrobat 或在线 OCR 工具做一次文字识别，确保文字层是完整的。

🔹 底线：涉及数据、代码、表格、长篇结构化内容，一律用 Markdown，别偷懒。

🔹 扫描型 PDF 救命招：手机 App（扫描全能王、Adobe Scan）可以直接拍照 → OCR → 导出文本，比硬丢给 AI 靠谱得多。

总结

记住三条就够了：

🔹 短文、纯文字：格式几乎没影响，原文件直接用。

🔹 长文档、带表格/层级/代码、需要深度分析：MD 处理效果远优于 DOCX 和 PDF。

🔹 PDF 要分情况：文本型勉强能用（表格仍是坑），扫描型必须先 OCR。

下次喂文档给 AI 之前，花 10 秒转个 MD 格式，效果可能翻倍。

你有没有把 PDF 扫描件直接丢给 AI 的经历？结果如何？欢迎留言聊聊。