对比
PDF 转 Markdown 工具与经保真核对 AI 版本对比
Marker、LlamaParse、Unstructured、Docling、Adobe PDF Extract API 和 Mathpix 等转换工具都是优秀的解析器:它们把 PDF 转成 Markdown 或 JSON,供您自己的流水线使用。The Papers 从转换起步,并加上解析器未说明会做的事:每个数字都与源文件核对、歧义由所有者确认、带版本历史的永久规范链接,以及关于谁和哪个 AI 读取了文档的分析。
转换工具:依据其自身文档
这六款工具都没有说明会将提取出的数字与源文件核对,或托管永久规范链接。
| 工具 | 其说明的功能 | 运行位置 |
|---|---|---|
| Marker | 将 PDF、图片、PPTX、DOCX、XLSX、HTML、EPUB 转为 Markdown、HTML、带坐标的 JSON、分块;可选 LLM 处理 | 本地;Datalab 提供托管 API |
| LlamaParse | 对 PDF、扫描件、表格和图表进行版面感知解析,输出 Markdown、文本或 JSON | API、SDK、网页界面 |
| Unstructured | 为 LLM 对文档进行分区、清洗、提取和分块;规范 JSON 模式 | 开源工具包 |
| Docling | PDF、Office、HTML、图片;版面、阅读顺序、表格、公式;Markdown、HTML、无损 JSON | 本地或离线隔离环境;docling-serve;MCP 服务器 |
| Adobe PDF Extract API | 带表格和图形渲染的结构化 JSON;已宣布 2026 年推出 Markdown 输出 | 云 API |
| Mathpix | PDF 转 Mathpix Markdown、DOCX、lines JSON | API 和 SDK |
经保真核对 AI 版本多了什么
| 转换工具 | The Papers | |
|---|---|---|
| 输出 | 由您存储和使用的 Markdown/JSON | 发布在永久 URL 上的 Markdown、JSON 和 llms.txt,外加一个供人阅读的页面 |
| 数字核对 | 未说明 | 每个数字、币种、日期和期间都与源文件比对;不出现源文件中没有的数字 |
| 歧义 | 未说明 | 交由所有者处理,并记录为所有者确认 |
| 出处 | 因工具而异(例如 JSON 中的坐标) | 每个数值都引用其来源页、幻灯片或单元格 |
| 更新 | 重新运行转换 | 同一链接下保留版本历史 |
| 分析 | 未说明 | 区分人与 AI 读者,按智能体和格式统计 |
| 状态 | 未说明 | AI 就绪度评分;仅在未解决的关键问题为零时才为“已核对原文” |
何时转换工具是更好的选择
- 批量归档:您需要为搜索或 RAG 解析成千上万个文件,而无需逐份审核。
- 本地部署:文档绝不能离开您的基础设施(Docling 和 Marker 可在本地运行)。
- 您在构建自己的流水线,只需要文本和结构。
何时 The Papers 是更好的选择
- 某份具体文档很重要(演示文稿、模型、合同、价目表),并且会被他人的 AI 读取。
- 数字必须准确,“预测”或“未经审计”等限定说明必须始终附着。
- 您需要一个保持最新、并能显示谁读取了它的规范链接。
为什么解析不等于保真核对
解析器的任务是还原结构:阅读顺序、标题、表格、公式。好的解析器在这方面做得很好,有几款还提供可选的 LLM 处理来改进效果。但解析器没有说明会将结果与源文件核对,因此合并的表格单元格、错位的列或丢失的脚注可能会悄无声息地进入您的流水线。
保真核对回答的是另一个问题:输出中的每个数字、币种、日期和期间是否与源文件完全一致?是否出现了源文件中没有的内容?在 The Papers 中,不一致会成为问题项。源文件无法确定的数值,例如某一行是收入还是 GMV,交由所有者处理。文档会获得 AI 就绪度评分和状态,只有在未解决的关键问题为零时才能达到“已核对原文”。
两者搭配使用
- 对内部归档运行 Docling 或 Marker 等转换工具,用于搜索和检索,这类场景规模比逐份审核更重要。
- 挑出那些会流出公司、且含有他人所依赖数字的文档:投资人演示文稿、财务模型、价目表、政策、合同摘要。
- 在 The Papers 中发布这些文档:位于永久链接的经保真核对 Markdown 和 JSON,并为数据室提供 llms.txt 索引。
- 当内部智能体需要正式记录版本时,让它们读取已发布的 Markdown 或 JSON;转换工具的输出则保留用于广泛召回。
按角色
| 角色 | 典型需求 | 更合适的选择 |
|---|---|---|
| 机器学习或数据工程师 | 将成千上万个 PDF 解析成分块用于 RAG | 转换工具 |
| 对安全敏感的团队 | 任何内容都不得离开内网 | 可在本地或离线隔离环境运行的转换工具 |
| 财务负责人 | 外部 AI 必须准确读取的模型和账目 | The Papers |
| 创始人或投资者关系 | 投资人会用 AI 筛选的演示文稿和进展更新 | The Papers |
| 文档或客服团队 | 机器人和助手会引用的规格说明书和政策 | The Papers,在一个链接下保留版本历史 |
常见问题
- The Papers 是 PDF 转 Markdown 工具吗?
- 不是。转换只是第一步;与源文件的核对以及已发布的规范版本才是产品本身。
- 可以同时使用转换工具和 The Papers 吗?
- 可以。批量归档和内部流水线用转换工具,他人会用 AI 读取的文档用 The Papers。
- 保真核对是否意味着数字正确?
- 它意味着忠实于源文件。The Papers 不证明源文件内容属实。
- The Papers 接受哪些输入格式?
- PDF(扫描页面可回退到 OCR)、PowerPoint(包括原生图表和演讲者备注)、Excel(包括公式和命名区域)、Word 和 Markdown。
- JSON 包含什么?
- 模式 papers-document/1.1:内容块、带期间、币种和分类的指标、限定说明、声明以及页面出处。
- The Papers 适合批量转换吗?
- 不适合。每份文档都单独保真核对,因此对于无需逐份审核的归档,转换工具是更好的工具。