夜雨聆风很多人用 AI 读 PDF，第一反应是一样的：
直接上传，让 AI 总结。
但只要你手上有过几份真实的 PDF，就会发现这个直觉不太对。
页眉页脚被读进去了。页码混在正文里。
双栏论文的顺序乱了。
表格碎了一地。
AI花了不少token在清理排版噪声，而不是在理解内容。
这篇不讲大道理。只讲一个我现在在用的工作流：
先把 PDF 转成干净的 Markdown，然后把 Markdown 结构化落地，最后用一条小管线让它自动跑。
先说一下 MarkItDown 是什么。
MarkItDown 是微软开源的文件转换工具：
https://github.com/microsoft/markitdown
它的定位很简单——
把那些人类能读但 AI 读起来费劲的格式（PDF、Word、PPT、Excel、HTML），统一转成 AI 好读的 Markdown。
你不需要自己写解析逻辑。
它帮你处理了页眉页脚的剔除、表格的提取、标题层级的识别。
安装完跑一行命令，出来的就是一版干净的文本。
不是 OCR。不是 PDF 阅读器。是喂 AI 之前的一道清洗工序。
第一步：PDF 到 Markdown
安装不复杂，一行就行：
pip install "markitdown[all]"转换也简单：
markitdown report.pdf -o report.md打开转出来的 markdown 扫一眼。
标题层级对不对？正文顺序乱了没有？表格还看得懂吗？
不用追求 100% 完美，只要比原始 PDF 更适合 AI 读就行。
转完之后别急着让它总结。
先让 AI 检查结构质量——我一般用这段：
我会给你一份由 PDF 转成的 Markdown。请不要直接总结。文档主题、主要章节、有没有页眉页脚目录等噪声。只基于我给你的内容，不确定就标不确定。
等于让 AI 先看现场再干活。
它说结构没问题了，再让它做总结。
这时候出来的东西稳很多。
原文到这里就结束了。但我自己用下来，觉得后面还有事可以做。
第二步：Markdown 到结构化知识
转出来的 markdown 直接扔那不管，下次找资料还是得重新喂。我试过几种方案，最后固定下来这套文件夹结构：
inbox/ <- 新 PDF 扔进来markdown/ <- 转好的 md 文件notes/ <- AI 的笔记、摘要、问题清单
每个 PDF 对应一个同名文件夹，原始 md、AI 总结、补充笔记都放一起。
下次查资料不用翻 PDF，直接搜 markdown 文件夹就行。
AI 总结那步我也换了 prompt。不用泛泛的总结一下：
请把这份 Markdown 整理成学习笔记。输出：核心问题、关键概念、按背景到结论整理的论证结构、可以用到我工作里的方法、反常识的点、需要回原文再确认的地方。
这个 prompt 比总结一下好用。
它逼 AI 按结构拆，而不是顺着标题自由发挥。
输出是笔记，不是提纲。
如果你想进 Obsidian 之类的笔记工具，这个格式直接能用。
如果只是本地检索，notes 文件夹也够了。
第三步：自动化，往里扔就行
如果你只是偶尔处理一份 PDF，前两步就够了。
但如果你跟我一样每周都会收到报告、论文、合同之类的东西，手动一条条跑就有点烦了。
这个问题的解法不一定是写代码，也可以用 prompt 来定义一个自动化流程。
我在 system prompt 里这么写过一段规则，
效果和你用脚本监听文件夹差不多——
只不过执行者从脚本换成了 AI：
你是一个PDF文件管家。以下是你的运行规则：1.inbox 文件夹里出现新文件时自动处理2.如果是 PDF，先转成Markdown存进markdown文件夹3.然后对 markdown 做结构化总结，输出到 notes 文件夹4.每完成一步写一条日志5.出错了重试最多三次6.全部完成后通知我
如果你用的是 Cursor、Claude Project 这类可以设定规则的工具，把这段贴进去就行。
之后你需要做的就是两个动作：
1. 把 PDF 拖进 inbox
2. 定期去 notes 文件夹看一眼结果。
跑起来之后，你处理 PDF 的方式就从打开终端输命令变成了往里扔就行。
写在最后
很多人问哪个模型总结 PDF 最好。我的感受是：问题不全在模型，更在于喂进去的东西干不干净。
同样的模型，喂排版噪声和喂干净的 Markdown，输出的质量差距不小。
输入越干净，输出越稳定。
先把 PDF 转干净，再做结构化落地，最后用管线自动跑。
这套流程搭好之后，不管你怎么换模型，效果都不会差太多。
