The Papers

指南

如何让 AI 智能体读懂 PDF

确保 PDF 中的每条事实都以真实文本的形式存在,并且标签、单位、期间和限定条件都紧挨在旁边;同时在稳定的 URL 上发布一份智能体可以获取的结构化文本版本(Markdown 或 JSON)。智能体读取文本很可靠,读取版式却很吃力,因此文本越干净、越经保真核对、越可寻址,它们犯的错就越少。

AI 智能体如何读取 PDF

AI 智能体看 PDF 的方式和人不同。它会提取文本层,有时对图像运行 OCR,然后尝试根据字符位置重建标题、表格和阅读顺序。OpenAI 帮助中心指出,从基于图像的表格、扫描文件或复杂版式中可能无法可靠地提取精确数值,而读取 PDF 中的图表和图像仅在特定场景下可用;在其他场景中只读取文本。

浏览网页的智能体还有一个额外问题:如果能获取一个更轻量的页面,它可能根本不会打开 PDF;它也可能获取到别人发布的旧副本。

清单:PDF 本身

  • 文本层:从 Word、PowerPoint、Google Docs 或您的设计工具导出。不要扫描件,不要“拼合”或“打印为图像”。
  • 真正的标题:使用标题样式,让结构在导出后得以保留。
  • 简单的表格:只有一行表头,单位写在表头中,没有合并单元格,表格不跨页断开。
  • 图表:添加数据标签或数值表;绝不要让某个数字只以柱子高度的形式存在。
  • 限定条件紧挨数字:“预测”“未经审计”“备考”“最高”写在同一行,而不只是写在脚注里。
  • 同一个指标在整份文档中只用一个名称。
  • 日期使用无歧义的写法(“2026 年 3 月 4 日”,而不是“04/03/26”)。
  • 大小适中:OpenAI 指出,大文件或图片多的文件可能无法被完整分析。

清单:在 PDF 旁边发布的内容

  • Markdown 版本:以纯文本呈现标题、段落和表格——这是语言模型处理起来最自然的格式。
  • 如果数值很重要,提供 JSON 版本:每个指标的期间、币种和限定条件都作为独立字段。
  • 一个稳定的 URL,更新文档时不会改变,这样邮件和演示文稿中的链接始终有效。
  • 在文件中注明版本和状态,让智能体能区分草稿和终稿。
  • 为整套文档提供索引,例如一个列出您的文档及简短说明的 llms.txt 文件(参见 llmstxt.org)。
  • 设置您真正想要的可见性:公开且可被索引、仅凭链接访问,或受限访问。

转换不等于可读

用转换工具处理 PDF 能得到文本,但不一定是正确的文本。转换工具可能丢掉一个列标题、把两行粘在一起,或把“(1.2)”变成“1.2”——而结果看起来很干净,所以没人注意到。对于数字很重要的文档,转换后的文本必须在发布前对照源文件核对。

方式智能体能否读取数字是否对照源文件核对能否保持最新
仅 PDF部分可以否旧副本四处流传
PDF + 转换后的 Markdown是否取决于托管位置
位于永久 URL 的经保真核对 AI 版本是是是,链接不变

The Papers 的做法

The Papers 接收 PDF(读取带位置信息的文本层;扫描页回退到 OCR),或 PowerPoint、Excel、Word 文件,并在永久 URL 上构建一个规范 AI 版本:一个供人阅读的页面、带 front matter(规范 URL、版本、状态、AI 就绪度)的 Markdown,以及包含内容块、指标、限定条件和页面出处的 JSON。您的数据室还会获得一个 llms.txt 和一个索引。

任何内容发布前,每个数字、币种、日期和期间都会对照源文件核对,存在歧义之处会交由您确认。您可以看到哪些 AI 智能体和爬虫读取了每份文档,以及读取的是哪种格式。

常见问题

我还需要 PDF 吗?
需要,请为想看排版版本的人保留它。智能体应该读取的是文本版本;请在 PDF 旁边附上它的链接。
带标签的/无障碍 PDF 就够了吗?
有帮助,因为结构标签能为智能体提供标题和阅读顺序。但它不会把单位和限定条件附加到数值上,也无法为您提供一个稳定、可更新的文本地址。
智能体应该读取哪种格式,Markdown 还是 JSON?
阅读和引用用 Markdown;当智能体需要带期间和币种的精确数值时用 JSON。最好两者都提供。
我能让文档保持私密吗?
在 The Papers 中可以:每份文档都可以设为公开、不公开列出(仅凭链接访问,永不被索引)或仅对数据室成员可见的私密。

把您最重要的 PDF 转化为智能体能读取的经保真核对 AI 版本。

来源

相关指南