指南
Markdown、PDF 还是 JSON:哪种格式最适合 AI 读取
对于正文和结构,AI 读取 Markdown 效果最好;对于需要期间、币种和限定条件等字段的精确数值,JSON 最好;而 PDF 最差,因为它存储的是版式而不是含义。对于重要文档,请为人保留 PDF,同时为 AI 发布同一份经保真核对内容的 Markdown 和 JSON 版本。
简要对比
| Markdown | JSON | ||
|---|---|---|---|
| 设计用途 | 打印和查看 | 阅读和书写文本 | 供程序使用 |
| 标题和顺序 | 根据版式推断 | 明确(#、##) | 若 schema 包含则明确 |
| 表格 | 按位置排布的文本,容易出错 | 简单的竖线表格 | 行和字段 |
| 图表 | 图形;数值常常丢失 | 只有写成表格时才有 | 系列即数据 |
| 单位、期间、限定条件 | 分散在版式中 | 在文本中紧挨数值 | 每个数值都有独立字段 |
| 适合引用 | 弱 | 强 | 不适合正文 |
| 适合精确数值 | 弱 | 好 | 最强 |
| 对人友好 | 最强 | 好 | 差 |
PDF:对人很好,对 AI 最弱
PDF 在任何地方看起来都一模一样,这正是商务文档都以 PDF 分享的原因。但 AI 必须根据字符位置重建结构。OpenAI 帮助中心指出,ChatGPT 可能无法从基于图像的表格、扫描文件或复杂版式中可靠地提取精确数值,并建议在需要精确数值时使用电子表格或文本文件。PDF 中的图表只有在支持视觉检索的场景下才会被读取。
Markdown:语言模型最自然的格式
Markdown 是带有轻量结构的纯文本:标题、列表、表格、链接。模型无需任何重建即可直接读取,它很紧凑,从中摘录的引文也很准确。它的弱点在于,数值仍然只是文本:表格单元格中的“$4.2M”要靠上方的表头才知道期间,要靠附近的句子才知道“未经审计”。
front matter(位于顶部的 YAML 块)能起到帮助:它可以注明规范 URL、版本和状态,让智能体知道自己在读什么,以及内容是否为最新。
JSON:附带含义的精确数值
当智能体需要使用一个数字,而不是引用一句话时——比较不同期间、计算比率、填写表单——就该用 JSON。好的 schema 会为每个指标存储独立字段,因此不依赖任何版式。
- 数值及单位/币种
- 期间(例如 FY2025、Q3 2026)
- 分类(实际、预测、预算)
- 限定条件(未经审计、备考、“最高”)
- 来源引用(页、幻灯片或单元格)
为什么答案是“两者都要,且来自同一来源”
不同的读者需要不同的格式:人会打开网页,聊天助手偏好 Markdown,做分析的智能体需要 JSON。风险在于内容漂移——分别维护的三个文件最终会互相矛盾。比起选择哪种格式,更重要的是拥有一个经保真核对的唯一来源,所有格式都由它生成,并位于不会改变的地址上。
The Papers 正是这样运作的:每份文档都会成为一个规范 AI 版本,包含一个网页、Markdown(/{room}/{doc}.md,带有包含规范 URL、版本、状态和 AI 就绪度的 front matter)以及 JSON(/{room}/{doc}.json,包含内容块、带期间、币种和分类的指标、限定条件、声明和页面出处)。所有格式在发布前都会对照源文件核对,按文档统计的分析数据会显示每个 AI 读者使用了哪种格式。
常见问题
- 纯 .txt 和 Markdown 一样好吗?
- 它可以被读取,但您会失去标题和表格,而这些能帮助模型找到并引用正确的章节。Markdown 不会带来任何额外成本。
- 我应该把所有 PDF 都转换成 Markdown 吗?
- 转换是一个开始,但要核对数字:转换工具可能在没有任何提示的情况下丢掉表头或正负号。对于数字重要的文档,请对照源文件核对输出结果。
- ChatGPT 会读取我上传的 JSON 文件吗?
- 会,作为文本读取。JSON 对以编程方式处理数值的智能体和工具最有用;对于对话式提问,Markdown 通常更方便。
- Word 或 Excel 文件呢?
- 它们比 PDF 包含更多结构——Word 有真正的标题和表格,Excel 有单元格数值和公式。它们是构建 Markdown 和 JSON 的良好来源。