PDF-Anmerkungen zu KI und RAG: Markierungen für LLMs exportieren

Um PDF-Anmerkungen für KI- und RAG-Workflows zu exportieren, importieren Sie Ihr PDF (oder XFDF/XML FDF) in pdfannotations.com und wählen Sie entweder AI Context Markdown – ein strukturiertes Format zum Einfügen in ChatGPT, Claude oder Gemini – oder RAG JSON – eine schemakonforme JSON-Struktur für die Einbettung in eine Vektordatenbank. Beide Formate laufen vollständig im Browser ohne Datei-Upload und bewahren jedes Stück Metadaten (Seite, Farbe, Autor, Datum, Tags), das ein LLM oder eine Abruf-Pipeline benötigt, um ihre Antworten in Ihrem Quellenmaterial zu verankern.

Dieser Leitfaden führt durch beide Exportformate, erklärt, wann welches sinnvoll ist, und zeigt, wie Sie die Ausgabe in eine ChatGPT-Konversation, eine LangChain-Abruf-Pipeline oder eine eigene Vektordatenbank einbinden.

Warum PDF-Anmerkungen an ein LLM übergeben?

Ein PDF zu lesen ist das eine, mit den Markierungen etwas Nützliches anzufangen etwas anderes. Die meisten Wissensarbeiter bleiben bei „das Wichtige wurde hervorgehoben“ stehen und schauen nie wieder hin. Anmerkungen an ein LLM zu übergeben, ändert das:

• Synthese. Ein LLM bitten, 200 Markierungen zu einem Briefing aus drei Absätzen zusammenzufassen.
• Querverweis. „Welche dieser Markierungen widersprechen sich?“ – Antwort in Sekunden.
• Entwürfe. Markierungen als Rohmaterial für eine Literaturübersicht, ein Memo oder eine E-Mail-Zusammenfassung nutzen.
• Frage-Antwort. Eine RAG-Pipeline aufbauen, die natürlichsprachliche Fragen zu Ihren Markierungen erlaubt („Was sagte der Autor auf Seite 12 zu Konstruktvalidität?“).
• Übersetzung und Tonwechsel. Das LLM bitten, akademische Markierungen in alltagssprachliche Erklärungen für ein nicht-fachliches Publikum umzuformulieren.

Der Haken ist, dass LLMs Struktur brauchen. 200 rohe Markierungen in ein Chat-Fenster zu kleben, erzeugt einen unstrukturierten Block, den das Modell schwer präzise zitieren kann. Deshalb liefert pdfannotations.com zwei zweckgebundene Exportformate.

Format 1: AI Context Markdown

AI Context Markdown ist ein strukturiertes Markdown-Format, das speziell zum Einfügen in eine Chat-Konversation entwickelt wurde. Die Struktur gibt dem LLM explizite Anker, auf die es beim Antworten verweisen kann, was die Zitiergenauigkeit drastisch verbessert und Halluzinationen reduziert.

Struktur

# Source: research-paper.pdf
Author: Jane Doe
Pages: 32
Exported: 2026-07-22

## Page 12

### Highlight
> The most reliable predictor of long-term success is consistent practice over time.

### Context
Discussion of the role of deliberate practice in skill acquisition.

### My Note
This connects to the Ericsson framework I read last week.

### Tags
#key-concept #practice #skill-acquisition

## Page 15

### Highlight
> Sample size was limited to 30 participants, which constrains generalizability.

### Context
Limitations section.

### My Note
Flag for follow-up — need to check if a replication exists.

### Tags
#limitation #methodology

Die Hierarchie ist:

1. # Source – Top-Level-Überschrift, die die Quelldatei nennt, mit Autor, Seitenzahl und Exportdatum als Metadaten
2. ## Page N – ein Abschnitt pro Seite mit Anmerkungen
3. ### Highlight – der Wortlaut, den Sie im PDF hervorgehoben haben
4. ### Context – eine einzeilige Beschreibung, wo das Highlight im Dokument erscheint (Abschnitt, Absatzposition)
5. ### My Note – Ihr eigener Kommentar oder Ihre Notiz zum Highlight
6. ### Tags – die Farbkategorie und alle von Ihnen vergebenen Custom-Tags

Diese Struktur ist wichtig, weil sie dem LLM Folgendes gibt:

• Anker. Jedes Highlight ist in eine ### Highlight-Überschrift gewickelt, die das Modell zitieren kann („Gemäß dem Highlight auf Seite 12 …“).
• Provenienz. Seitennummern und Quelldateinamen bedeuten, dass das Modell Ihnen sagen kann, woher eine Behauptung stammt, nicht nur dass sie aufgestellt wurde.
• Ihre Interpretation. Das Feld ### My Note ist Ihr eigener Kommentar, den das Modell nutzen kann, um zu verstehen, was Sie an einem Highlight wichtig fanden.
• Filterbare Tags. Tags erlauben Ihnen zu fragen: „Fasse jedes Highlight mit dem Tag #limitation zusammen“ und eine fokussierte Antwort zu erhalten.

So verwenden Sie AI Context Markdown

1. Exportieren Sie Ihre Anmerkungen von pdfannotations.com im Format AI Context.
2. Öffnen Sie die resultierende .md-Datei in einem beliebigen Texteditor und kopieren Sie den Inhalt.
3. Fügen Sie ihn in einen neuen Chat in ChatGPT, Claude oder Gemini ein.
4. Stellen Sie einen Prompt voran wie: „Hier sind meine Markierungen aus einem Forschungspapier. Fasse das Hauptargument in drei Sätzen zusammen und liste dann die drei Markierungen auf, die ich als #key-concept getaggt habe.“

Da das Format reines Markdown ist, behandelt es jedes Modell identisch. Keine speziellen Plugins, keine API-Aufrufe, keine Vektordatenbank nötig.

Wann man AI Context Markdown verwendet

• Sie wollen eine einmalige Konversation mit einem LLM über die Markierungen eines einzelnen Dokuments
• Sie möchten, dass das Modell spezifische Seiten und Tags zitiert
• Sie führen explorative Analyse durch und wollen Prompts iterieren
• Sie möchten keine Vektordatenbank oder Embedding-Pipeline einrichten

Format 2: RAG-Ready JSON

RAG JSON ist eine strukturierte JSON-Datenstruktur für die Aufnahme in eine Vektordatenbank. Jede Anmerkung wird zu einem einzelnen Datensatz mit eigenem Text und Metadaten, sodass eine Embedding-Pipeline einzelne Markierungen in Abschnitte aufteilen, einbetten und abrufen kann, statt das ganze Dokument als einen Block zu behandeln.

Struktur

[
  {
    "text": "The most reliable predictor of long-term success is consistent practice over time.",
    "metadata": {
      "source": "research-paper.pdf",
      "page": 12,
      "type": "highlight",
      "author": "Jane Doe",
      "date": "2026-07-20T12:00:00Z",
      "color": "#FFEB3B",
      "tags": ["key-concept", "practice", "skill-acquisition"],
      "note": "This connects to the Ericsson framework I read last week."
    }
  },
  {
    "text": "Sample size was limited to 30 participants, which constrains generalizability.",
    "metadata": {
      "source": "research-paper.pdf",
      "page": 15,
      "type": "highlight",
      "author": "Jane Doe",
      "date": "2026-07-20T12:10:00Z",
      "color": "#F44336",
      "tags": ["limitation", "methodology"],
      "note": "Flag for follow-up — need to check if a replication exists."
    }
  }
]

Jeder Datensatz hat zwei Felder:

• text – der Highlight-Inhalt, bereit zum Einbetten
• metadata – ein strukturiertes Objekt mit:
  • source – Dateiname der Quell-PDF/XFDF
  • page – Seitennummer, auf der das Highlight steht
  • type – highlight, note, underline, strikeout oder freetext
  • author – wer auch immer die Anmerkung in Acrobat erstellt hat
  • date – ISO-8601-Zeitstempel der Anmerkungserstellung
  • color – RGB-Hex-Wert der Markierung
  • tags – Array von Tags (Farbkategorie + beliebige Custom-Tags)
  • note – Ihr eigener Kommentartext, falls vorhanden

Diese Struktur ist das Standardformat, das Vektordatenbanken wie Pinecone, Weaviate, Chroma, Qdrant und pgvector erwarten: ein text-Feld für Embeddings und ein metadata-Feld zum Filtern beim Abruf.

So laden Sie RAG JSON in eine Vektordatenbank

Der genaue Code hängt von Ihrem Stack ab, aber das Muster ist überall gleich:

1. Jedes text-Feld einbetten mit Ihrem bevorzugten Embedding-Modell (OpenAI text-embedding-3-small, Cohere, Voyage oder ein lokales Modell über sentence-transformers).
2. Das Embedding in der Vektordatenbank speichern, mit dem metadata-Objekt als filterbare Felder angehängt.
3. Zum Abfragezeitpunkt die Frage des Nutzers einbetten, die top-k nächsten Markierungen abrufen und sie einem LLM als Kontext übergeben.

Hier ein minimales Beispiel mit Python, dem OpenAI-Client und einem generischen Vektor-Store:

import json
import openai

client = openai.OpenAI()

with open("annotations_rag.json") as f:
    records = json.load(f)

vectors = []
for record in records:
    embedding = client.embeddings.create(
        input=record["text"],
        model="text-embedding-3-small"
    ).data[0].embedding
    vectors.append({
        "id": f"{record['metadata']['source']}-p{record['metadata']['page']}-{record['metadata']['type']}",
        "values": embedding,
        "metadata": record["metadata"],
        "text": record["text"]
    })

# Upsert `vectors` into your vector store of choice
# (Pinecone, Weaviate, Chroma, Qdrant, pgvector, etc.)

Nach der Aufnahme können Sie natürlichsprachige Fragen stellen und die spezifischen Markierungen abrufen, die sie beantworten – mit voller Provenienz (Quelle, Seite, Autor, Farbe, Tags) an jedem Ergebnis.

Wann man RAG JSON verwendet

• Sie haben viele Dokumente und möchten über alle gleichzeitig abfragen
• Sie möchten Markierungen nach Metadaten abrufen („zeige mir jedes #limitation aus Papieren von Jane Doe“)
• Sie bauen ein Q&A-System für die Produktion oder einen Chatbot über Ihren Anmerkungen
• Sie möchten Markierungen mit anderen Wissensquellen (Webseiten, interne Doks, Code) in einem einzigen Abruf-Index kombinieren

Einfügen in ChatGPT, Claude und Gemini

Für Ad-hoc-Analyse ohne Vektordatenbank ist das KI-Context-Markdown-Format der schnellste Weg. So verwenden Sie es mit jedem großen Modell.

ChatGPT

1. Starten Sie eine neue Konversation in ChatGPT (GPT-4o oder neuer empfohlen für längeren Kontext).
2. Fügen Sie den KI-Context-Markdown-Inhalt als erste Nachricht ein.
3. Fügen Sie Ihren Prompt hinzu: „Im Folgenden meine Markierungen aus einem Forschungspapier, strukturiert nach Seite. Fasse das Hauptargument zusammen und liste dann die drei Markierungen, die ich mit #key-concept getaggt habe, mit ihren Seitenzahlen auf.“

ChatGPT behandelt Markdown nativ, sodass die ### Highlight-Überschriften und >-Zitatblöcke korrekt gerendert werden und das Modell Seiten präzise zitieren kann.

Claude

Claude (insbesondere Claude 3.5 Sonnet und Claude 4) ist besonders stark in strukturiertem Schlussfolgern über lange Dokumente. Fügen Sie AI Context Markdown ein und bitten Sie um Synthese:

„Hier sind Markierungen aus einem Papier, strukturiert nach Seite. Identifiziere die drei stärksten und die drei schwächsten Argumente und zitiere jeweils die Seitenzahl.“

Claudes größeres Kontextfenster (200K Tokens) bedeutet, dass Sie Markierungen aus mehreren Papieren in einer einzigen Konversation einfügen können.

Gemini

Gemini behandelt Markdown gut und ist in Google Workspace integriert, daher ist es eine gute Wahl, wenn Sie den Output des LLM in ein Google Doc oder Sheet schieben wollen. Fügen Sie AI Context Markdown ein und prompten Sie:

„Hier sind meine PDF-Markierungen, strukturiert nach Seite. Erstelle eine Google-Sheets-taugliche Tabelle mit den Spalten: Page, Highlight, My Note, Tags.“

Tipps für besseren LLM-Output

• Fordern Sie immer Seitenzitate. Da das KI-Context-Format Seitenzahlen in Überschriften einbettet, gibt das Bitten um „zitiere die Seitenzahl für jede Behauptung“ dem Modell einen klaren Anker und reduziert Halluzinationen.
• Tags als Filter nutzen. Prompten Sie mit „berücksichtige nur Markierungen mit dem Tag #limitation“, um das Modell auf eine Teilmenge Ihrer Anmerkungen zu fokussieren.
• Eigene Notizen liefern. Das Feld ### My Note ist Ihre Interpretation. Wenn Sie möchten, dass das Modell darüber nachdenkt, warum Sie etwas hervorgehoben haben, bitten Sie es ausdrücklich, Ihre Notizen zu berücksichtigen.
• Große Exporte aufteilen. Wenn Sie 500+ Markierungen haben, teilen Sie den Export in mehrere Dateien (eine pro Quelldokument) und verarbeiten Sie sie in separaten Konversationen. Das hält jede Konversation fokussiert und verhindert Kontextfenster-Überlauf.

Praxisnahe Anwendungsfälle

Wissenschaftliche Literaturübersicht

Ein Doktorand, der 50 Arbeiten zu educational measurement liest, exportiert die Markierungen jeder Arbeit als AI Context Markdown. Er fügt alle 50 in eine einzige Claude-Konversation ein und fragt: „Welches sind über diese 50 Arbeiten hinweg die drei am häufigsten zitierten Limitationen von Konstruktvaliditätsstudien, und welche Autoren hoben jeweils welche hervor?“

Claude liefert eine Synthese mit Seitenzitaten, die der Student direkt in den Literaturübersichtsabschnitt seiner Dissertation einfügt. Derselbe Student exportiert dieselben Markierungen als RAG JSON, nimmt sie in einen Pinecone-Index auf und baut einen Slack-Bot, der Fragen „Was sagte Papier X über Y?“ aus seinem Labor beantwortet.

Juristische Vertragsanalyse

Ein Anwalt, der eine 200-seitige Fusionsvereinbarung prüft, hebt jede Freistellungsklausel in Rot und jeden Kündigungsauslöser in Gelb hervor. Er exportiert als AI Context Markdown und fragt ChatGPT: „Liste jede Freistellungsklausel mit einer Obergrenze unter 1 Mio. $ auf, mit Seitenzahlen.“ Das strukturierte Format erlaubt ChatGPT, Seiten präzise zu zitieren, die der Anwalt für eine Redline verwendet.

Für laufende Mandate gehen dieselben Markierungen in eine RAG-JSON-Pipeline, aufgenommen in die firmeninterne Qdrant-Instanz. Juristische Fachangestellte können dann fragen „Was sagt Section 7.3 zu Survival Periods?“ und die spezifische Markierung inklusive Seitenzahl abrufen.

Technische-Dokumentation-Wissensbasis

Ein Engineering-Team, das ein Legacy-System migriert, exportiert Markierungen aus 30 Architektur-PDFs als RAG JSON. Jede Markierung wird zu einem Vektor in ihrem Chroma-Index. Wenn ein neuer Engineer fragt „wo dokumentieren wir den Authentifizierungsfluss?“, liefert die Abruf-Pipeline die relevanten Markierungen mit Seitenzahlen, Quelldateinamen und den Notizen des ursprünglichen Verfassers – ohne dass sich jemand an das PDF erinnern muss, in dem die Antwort steht.

Dasselbe Team nutzt AI Context Markdown für wöchentliche Zusammenfassungen: die neuen Markierungen der Woche in Claude einfügen, ein einseitiges Briefing anfordern und an den Team-Slack liefern.

Wahl zwischen AI Context und RAG JSON

Frage	AI Context Markdown	RAG JSON
Einmalige Chat-Analyse?	✅	—
Produktions-Q&A-System?	—	✅
Kein Code, kein Setup?	✅	—
Dokumentübergreifender Abruf?	—	✅
Metadatenfilter zum Abfragezeitpunkt?	Eingeschränkt	✅
Funktioniert mit jedem LLM?	✅	✅ (mit Abruf-Schicht)
Token-effizient für Chat?	✅	—
Skaliert auf Tausende Markierungen?	—	✅

Eine vernünftige Faustregel: Mit AI Context Markdown für die erste Analyse beginnen, zu RAG JSON wechseln, wenn skaliert werden muss. Die meisten Nutzer starten mit einem Chat-basierten Workflow, entdecken, welche Fragen sie tatsächlich stellen, und bauen dann eine RAG-Pipeline, sobald die Fragen repetitiv werden.

Warum lokale Verarbeitung für KI-Exporte wichtig ist

LLM-Anbieter protokollieren Konversationen standardmäßig. Wenn Sie vertrauliche Forschung, juristische Verträge oder proprietäre Dokumente in ChatGPT einfügen, kann dieser Inhalt je nach Konto-Tier und Einstellungen aufbewahrt und für das Modelltraining verwendet werden. Die Anmerkungen selbst sind der sensibelste Teil eines Dokuments – sie offenbaren, welche Passagen Sie für wichtig hielten, welchen Sie widersprachen und welche Sie zur Nachverfolgung markiert haben.

Ein Export-Workflow mit lokaler Verarbeitung beseitigt diese Sorge nicht (Sie fügen die Markierungen weiterhin in das LLM ein), stellt aber sicher, dass:

1. Der Konvertierungsschritt lokal passiert. Ihr PDF oder XFDF wird während der Anmerkungsextraktion nie auf einen Server hochgeladen.
2. Sie steuern, was eingefügt wird. Sie können das AI Context Markdown vor dem Senden prüfen und Sensibles schwärzen.
3. Die RAG-JSON-Pipeline gehört Ihnen. Wenn Sie in eine selbstgehostete Vektordatenbank (Qdrant, Chroma, pgvector) aufnehmen, verlässt nichts Ihre Infrastruktur.

Für die Konvertierung selbst läuft pdfannotations.com vollständig in Ihrem Browser. Trennen Sie nach dem Laden der Seite die Internetverbindung – der Export funktioniert weiterhin.

Häufig gestellte Fragen

Was ist der Unterschied zwischen AI Context Markdown und regulärem Markdown?

AI Context Markdown verwendet eine spezifische Überschriftenhierarchie (# Source → ## Page → ### Highlight / ### Context / ### My Note / ### Tags), die LLMs explizite Anker zum Zitieren gibt. Regulärer Markdown-Export ist flacher und für das menschliche Lesen in einer Notiz-App optimiert, nicht für die LLM-Aufnahme.

Kann ich RAG JSON ohne Vektordatenbank verwenden?

Ja, aber Sie verlieren die Abruf-Vorteile. Sie können RAG JSON in ein Python-Skript laden, Datensätze nach Metadaten filtern (z. B. page == 12) und nur die passenden Markierungen an ein LLM übergeben. Das ist ein einfaches RAG-Setup ohne Vektordatenbank und funktioniert für kleine Anmerkungssätze gut.

Welches Embedding-Modell sollte ich für RAG JSON verwenden?

Für englischsprachige Markierungen ist text-embedding-3-small von OpenAI ein guter Standard – günstig, schnell und für die meisten Abruf-Aufgaben genau genug. Für mehrsprachige Inhalte ziehen Sie Cohere embed-multilingual-v3 oder ein lokales sentence-transformers-Modell in Betracht. Für juristische oder technische Inhalte mit domänenspezifischem Vokabular schlagen Voyage AIs voyage-law-2 oder voyage-code-2 allgemeine Modelle oft.

Wie viele Markierungen kann ich in eine einzige LLM-Konversation einfügen?

Das hängt vom Kontextfenster des Modells ab. GPT-4o und Claude 3.5 Sonnet unterstützen beide 128K–200K Tokens, was grob 50–100 Seiten dichter Markierungen entspricht. Für größere Sets teilen Sie sie in mehrere Konversationen auf oder steigen auf eine RAG-JSON-Pipeline um.

Bewahrt der Export meinen Kommentartext auf?

Ja. Sowohl AI Context Markdown als auch RAG JSON enthalten Ihren Kommentar- (Notiz-) Text – im Feld ### My Note bei Ersterem, im Feld metadata.note bei Letzterem.

Verwandte Leitfäden

Sie möchten mehr erfahren? Schauen Sie sich diese verwandten Leitfäden an:

• PDF-zu-Markdown-Best Practices - Saubere Konvertierungsmuster, die aus jeder PDF-Quelle LLM-freundliches Markdown erzeugen
• So exportieren Sie XFDF-Anmerkungen aus Adobe Acrobat - XFDF aus Acrobat als Eingabe für den KI-Export holen
• Was ist XFDF? Das XML-Format für PDF-Anmerkungen erklärt - Tiefer Einblick in das XFDF-Dateiformat und seine XML-Struktur
• XFDF zu Obsidian: Adobe-PDF-Anmerkungen in Markdown konvertieren - KI-Export mit einem Obsidian-Vault für einen vollständigen Wissens-Workflow verbinden
• PDF-Markierungen nach Obsidian exportieren: Komplette Workflow-Anleitung - Der vollständige Obsidian-Workflow für jede PDF-Quelle