PDF zu Markdown, das Sie bearbeiten, durchsuchen und abrufen können.

Ein gescanntes Handbuch ist ein Stapel Bilder. Es gibt keine Textebene, bis OCR läuft — und OCR allein hinterlässt nur einen Zeichenstrom. Der nützliche Weg ist OCR plus Struktur: Lesereihenfolge, Überschriftenebenen und Tabellen als Tabellen wiederaufgebaut, nicht als Foto eines Rasters. So wird ein Scan zu etwas, das Sie durchsuchen, chunken oder bearbeiten können. Verträge, Rechnungen und ältere Papers sind oft Scans; born-digital Dateien können OCR überspringen, Scans können die Gliederung nicht überspringen. Stempel mit niedrigem Kontrast, schiefe Seiten und gemischte Handschrift scheitern noch und brauchen einen zweiten Blick. Wenn Sie den OCR-Dump unverändert indexieren, speichert eine Wissensbasis Rauschen.

Wenn Sie eine PDF unverändert embedden, schneidet der Splitter oft mitten in Tabelle oder Abschnitt, weil er nie eine Überschrift sah. Retrieval liefert dann einen Blob, der related wirkt und es nicht ist. Geben Sie der Pipeline Markdown mit expliziten Überschriften und echten Tabellen, und Chunking kann der Gliederung folgen: ein Abschnitt, eine Tabelle, eine Liste. Embeddings bleiben näher an einem Thema. Das ist der Data-Prep-Job — keine schönere Vorschau. Sie wählen weiterhin Chunk-Größe, Overlap und Vector Store; Konvertierung ersetzt das nicht. Sie verhindert, dass das Modell Kopf- und Fußzeilen sowie Seitenzahlen embeddet, als wären sie die Antwort.

Kopieren & Einfügen und naive Extraktoren flachen einen zweispaltigen Bericht zu einem Strom: die Überschrift ist nur größere Schrift, die Tabelle übrig gebliebene Leerzeichen. Downstream können Sie keine Spalte sortieren oder „Abschnitt 4.2“ abrufen. Konvertierung soll Markdown-Überschriften und Pipe-Tabellen ausgeben, mit Lesereihenfolge wie ein Mensch die Seite liest — einschließlich mehrspaltiger Layouts. Fußnoten und Bildunterschriften sollten am zugehörigen Block bleiben. War eine Tabelle ein Screenshot, muss OCR auf dem Bild laufen oder das Raster ist verloren. Der Test ist einfach: Können Sie die Gliederung springen und eine Zeile kopieren?

Seiten in ChatGPT, Claude oder Gemini einfügen ist für eine einmalige Zusammenfassung okay. Für eine Bibliothek ist es ein schwacher Plan. Das Modell bekommt einen schwach geordneten Blob; Überschriften und Tabellen sind geraten. Sie können die Quelle nicht versionieren, re-chunken oder eine saubere Datei ans Team geben. Zuerst konvertieren, dann prompten: die Gliederung sitzt in der Datei, Zahlen bleiben in Tabellen, und dasselbe Markdown kann zu einem anderen Modell, internem RAG oder Git. Nutzen Sie das Chat-Fenster für Fragen. Nicht als einzigen Extraktor — besonders nicht für einen 100-seitigen Bericht, den Sie nächsten Monat wieder abfragen.

Eine Datei ist eine Demo. Operationen sehen wie ein Ordner aus: zweihundert Handbücher, ein Vertragsarchiv, ein Paper-Korpus. Batch-Konvertierung soll Dateinamen behalten, Dateien mit .md überspringen und sichtbar scheitern, wenn ein Scan OCR braucht oder eine Tabelle kollabiert. Output neben das Original — oder in einen parallelen Baum — damit Sie diffen und neu laufen können. Danach kann derselbe Korpus indexiert, embedded oder publiziert werden, ohne dass jemand jede PDF öffnet. Starten Sie mit einer Stichprobe hässlicher Dateien (mehrspaltig, Scans, gemischte Tabellen), bevor Sie den Job auf alles richten.