MarkItDown Web：把 PDF 和 Office 文档喂给 AI 前该做的几步（TinyFish 检索）
发表于 ： 周五 10月 16, 2026 2:02 am
用 TinyFish 检索了 2026 年文档转换类工具的讨论，一个反复出现的结论是：把 PDF、Word、PPT 直接丢给大模型，效果差往往不是模型的问题，而是文档没转换好。整理 MarkItDown 这类工具的实际用法。
1. 转换的目标不是好看，是干净
给模型读的文本，追求的是结构清晰、噪声少。扫描版 PDF 直接抽文字会得到一堆断行和页眉页脚，模型要先花力气猜格式。转 Markdown 的好处是标题、列表、表格这些结构被显式保留，模型不用从排版里反推语义。
2. 表格是最容易丢信息的地方
Office 文档里的表格转成 Markdown 表格后，行列关系才成立。检索到的实践文章提到，财务和排期类文档一旦表格被打散成一行行文字，模型做汇总时会算错。这类文档转换后要人眼抽查表格是否完整。
3. 三步清洗流程
跳过任何一步，下游检索质量都会掉。第二步最容易被忽略，也最影响效果。
4. 转换质量的验收标准
1. 标题层级能不能还原出目录结构
2. 表格是否保持行列对应
3. 页眉页脚和页码是否被清掉
4. 图片是否有替代说明，还是直接丢失
5. 中英文混排有没有出现乱码
5. 在线转换的取舍
MarkItDown Web 这类在线服务省掉了装环境，适合零散文档。批量或敏感文档建议本地跑，避免资料外发。两者的转换结果要做一次对比，确认在线服务没有额外丢失结构。
参考来源：微软开源 MarkItDown 项目说明、腾讯云开发者社区文档处理实践文章、CSDN 2026 文档解析工具盘点、OSCHINA 开源文档工具整理等。信息时效性有限，以最新官方发布为准。
1. 转换的目标不是好看，是干净
给模型读的文本，追求的是结构清晰、噪声少。扫描版 PDF 直接抽文字会得到一堆断行和页眉页脚，模型要先花力气猜格式。转 Markdown 的好处是标题、列表、表格这些结构被显式保留，模型不用从排版里反推语义。
2. 表格是最容易丢信息的地方
Office 文档里的表格转成 Markdown 表格后，行列关系才成立。检索到的实践文章提到，财务和排期类文档一旦表格被打散成一行行文字，模型做汇总时会算错。这类文档转换后要人眼抽查表格是否完整。
3. 三步清洗流程
代码： 全选
第一步：格式转换，统一转成 Markdown
第二步：噪声清理，去掉页眉页脚、页码、重复水印
第三步：分块切段，按标题层级切成可检索片段跳过任何一步，下游检索质量都会掉。第二步最容易被忽略，也最影响效果。
4. 转换质量的验收标准
1. 标题层级能不能还原出目录结构
2. 表格是否保持行列对应
3. 页眉页脚和页码是否被清掉
4. 图片是否有替代说明，还是直接丢失
5. 中英文混排有没有出现乱码
5. 在线转换的取舍
MarkItDown Web 这类在线服务省掉了装环境，适合零散文档。批量或敏感文档建议本地跑，避免资料外发。两者的转换结果要做一次对比，确认在线服务没有额外丢失结构。
参考来源：微软开源 MarkItDown 项目说明、腾讯云开发者社区文档处理实践文章、CSDN 2026 文档解析工具盘点、OSCHINA 开源文档工具整理等。信息时效性有限，以最新官方发布为准。