一个 PDF，打开看是普通报告。丢给抽取器，却吐出带 # 标题、列表、表格的 Markdown。

这不是 PDF 发布了新标准。它只是把 PDF 1.4 起已有的 replacement text 机制用到了一个更大胆的地方：视觉层给人看，替代文本给机器读。

这事有意思，不在炫技。今天 PDF 已经被大量扔进 ChatGPT、Claude 和 RAG 管线。人类要版式，机器要结构。PDF 偏偏最擅长前者，最不擅长后者。

同一个 PDF，为什么人和机器读到两份文本

PDF 的底层更像页面绘制指令：某个字画在某个坐标，某条线画在某个位置。它先保证“看起来对”，不天然保证“结构清楚”。

Tagged PDF 可以标出标题、段落、列表。但现实里的很多 PDF 没有这些标签。LaTeX、浏览器打印、办公软件导出、各种扫描和转换流程，经常只留下坐标、字号和换行。

抽取器只能猜。标题是不是标题，表格是不是表格，脚注是不是正文，全靠规则和模型补脑。

这次实验用的是 marked-content 的 replacement text。它原本常见于连字和特殊字形处理。比如页面上显示一个“fi”连字，复制或抽取时返回“f”和“i”。

作者把这个能力放大了：渲染器照常显示视觉内容；支持该机制的抽取器返回预先嵌入的 Markdown。

维度普通 PDF这类自适应 PDF
人眼看到正常排版正常排版
机器抽取依赖坐标、字号猜结构读取嵌入的 Markdown
常见结果断行、表格拍平、层级丢失标题、列表、表格关系更明确
已验证范围常规抽取路径PyMuPDF、Poppler 可识别
现实限制结构经常缺失工具支持不统一

作者还把文件上传到 ChatGPT 和 Claude，让它们复制“看到的原始文本”。测试结果里，两者返回了嵌入的 Markdown，包括 #、## 和项目符号。

这只能说明部分主流工作流会吃到这层文本。不能推成所有模型、所有版本、所有 PDF 解析器都稳定支持。

价值不在省 token，而在少猜结构

原文做了简历、教材、小说章节、论文等测试。token 数量大体相近，有的多一点，有的少一点。

所以别把它卖成省钱技巧。证据不支持。

真正的收益是同样一批 token 携带了更多结构信息。“Overview”和“## Overview”差不了多少 token，但后者直接告诉机器：这是标题，不是一句普通正文。

表格也是一样。普通抽取常把表格压成几行碎文本。Markdown 至少能保住行列关系。对 RAG 来说，这会影响切块、召回和回答。

最该关心的不是普通读者，而是两类人。

对象现在的痛点可以怎么做
RAG / 文档解析开发者每次都要从版面里猜标题、表格、列表把这类 PDF 加进测试集，对比 PyMuPDF、Poppler 和线上模型上传结果
企业文档团队制度、报告、合同进 AI 流程后容易抽歪先做小范围验收，不要直接当成稳定标准采购或迁移

我的判断很简单：它把“结构”塞回了文件本身，而不是让每个解析器都在废墟里考古。

这很实用。尤其是内部报告、教材、简历、产品手册这类文档。版式给人看，结构给机器用，双方各取所需。

但落地时要克制。团队不能只测“能不能读出 Markdown”。还要测三件事：不同解析器是否一致，上传到不同模型是否一致，人工审阅看到的内容和机器抽取内容是否可比对。

少做一步审计，便利就会变成暗门。

接下来盯兼容性和信任边界

这件事最容易被讲歪。它不是 PDF 的官方新路线，也不是行业已经采用的方案。它更像一次实验性实现：借用既有规范，给 AI 工作流补一块语义板。

补丁好不好，得看三个变量。

变量为什么重要现在能下的判断
工具兼容性PyMuPDF、Poppler 可识别，不代表所有解析器都识别只能按管线逐个测试
生成链路文档作者是否愿意、是否方便嵌入结构化文本没有写入工具配合，就难规模化
审计机制人看到 A，机器读到 B，会带来投毒和合规风险企业流程必须留差异检查

我更在意第三个变量。

同一文件对人和机器呈现不同内容，天然会制造信任缝隙。招聘筛选、合同审查、合规检查、知识库问答，都不能只问“模型读到了什么”。还要问：它读到的那层文本，和人看到的页面是不是同一回事。

“明修栈道，暗度陈仓”放在这里不算重。技术本身可以中性，但双层文本一旦进入自动化决策，就会被激励系统重新定价。有人会用它修复结构，也有人可能用它藏提示、塞偏见、绕审计。

这和早年的网页 SEO 有点像，但不完全一样。搜索引擎时代，网页会给爬虫准备更容易理解的结构。LLM 时代，文档也开始给机器准备另一层文本。区别是，PDF 常进入企业决策和知识系统，后果更靠近业务流程。

所以接下来不该只看“哪些模型能读”。更该看哪些工具会显示、导出、比对 replacement text。没有可见性，就没有治理。

RAG 团队可以试，但别急着押注。企业文档团队可以关注，但采购和迁移要延后到兼容性、审计、权限控制都能讲清楚之后。

这份 PDF 最刺眼的地方，不是它让 AI 读到了 Markdown。是它提醒我们：我们还在拿给打印机设计的文件格式，喂给越来越严肃的机器系统。