Annotations PDF vers IA et RAG : exporter les surlignages pour les LLM

Pour exporter des annotations PDF destinées aux flux de travail IA et RAG, importez votre PDF (ou XFDF/FDF XML) dans pdfannotations.com et choisissez soit AI Context Markdown — un format structuré conçu pour être collé dans ChatGPT, Claude ou Gemini — soit RAG JSON — une structure JSON prête pour son schéma, destinée à être intégrée dans une base vectorielle. Les deux formats s'exécutent entièrement dans votre navigateur sans envoi de fichier et préservent chaque métadonnée (page, couleur, auteur, date, tags) dont un LLM ou un pipeline de récupération a besoin pour ancrer ses réponses dans votre matériel source.

Ce guide parcourt les deux formats d'export, explique quand utiliser chacun et montre comment câbler la sortie dans une conversation ChatGPT, un pipeline de récupération LangChain ou une base vectorielle personnalisée.

Pourquoi transmettre des annotations PDF à un LLM ?

Lire un PDF est une chose ; en faire quelque chose d'utile avec les surlignages en est une autre. La plupart des professionnels de la connaissance s'arrêtent à « j'ai surligné les passages importants » et n'y reviennent jamais. Transmettre les annotations à un LLM change cela :

• Synthèse. Demander à un LLM de résumer 200 surlignages en un brief de trois paragraphes.
• Croisement. Demander « lesquels de ces surlignages se contredisent ? » et obtenir une réponse en quelques secondes.
• Rédaction. Utiliser les surlignages comme matière première pour une revue de littérature, une note ou un résumé par e-mail.
• Questions-réponses. Construire un pipeline RAG qui permet de poser des questions en langage naturel sur vos surlignages (« qu'a dit l'auteur sur la validité de construit page 12 ? »).
• Traduction et changement de ton. Demander au LLM de réécrire des surlignages académiques en explications claires pour un public non spécialiste.

Le hic, c'est que les LLM ont besoin de structure. Coller 200 surlignages bruts dans une fenêtre de conversation produit une masse non structurée que le modèle peine à citer avec précision. C'est pourquoi pdfannotations.com livre deux formats d'export dédiés.

Format 1 : AI Context Markdown

AI Context Markdown est un format Markdown structuré conçu spécifiquement pour être collé dans une conversation. La structure donne au LLM des ancres explicites qu'il peut référencer en répondant, ce qui améliore considérablement la précision des citations et réduit les hallucinations.

Structure

# 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

La hiérarchie est :

1. # Source — titre de niveau supérieur nommant le fichier source, avec auteur, nombre de pages et date d'export comme métadonnées
2. ## Page N — une section par page contenant des annotations
3. ### Highlight — le texte mot pour mot que vous avez surligné dans le PDF
4. ### Context — une description d'une ligne indiquant où le surlignage apparaît dans le document (section, position du paragraphe)
5. ### My Note — votre propre commentaire ou note autocollante attachée au surlignage
6. ### Tags — la catégorie de couleur et tous les tags personnalisés que vous avez attribués

Cette structure compte parce qu'elle donne au LLM :

• Des ancres. Chaque surlignage est enveloppé dans un titre ### Highlight que le modèle peut citer (« Selon le surlignage page 12… »).
• La provenance. Les numéros de page et les noms de fichiers sources signifient que le modèle peut vous dire d'où vient une affirmation, pas seulement qu'elle a été faite.
• Votre interprétation. Le champ ### My Note est votre propre commentaire, que le modèle peut utiliser pour comprendre ce qui vous a paru important dans un surlignage.
• Des tags filtrables. Les tags permettent de demander « résume chaque surlignage étiqueté #limitation » et d'obtenir une réponse ciblée.

Comment utiliser AI Context Markdown

1. Exportez vos annotations depuis pdfannotations.com au format AI Context.
2. Ouvrez le fichier .md résultant dans n'importe quel éditeur de texte et copiez le contenu.
3. Collez-le dans un nouveau chat dans ChatGPT, Claude ou Gemini.
4. Ajoutez en préambule un prompt comme : « Voici mes surlignages d'un article de recherche. Résume l'argument principal en trois phrases, puis liste les trois surlignages que j'ai étiquetés #key-concept.»

Comme le format est du Markdown pur, tous les modèles le traitent à l'identique. Aucun plugin spécial, aucun appel d'API, aucune base vectorielle requise.

Quand utiliser AI Context Markdown

• Vous voulez une conversation unique avec un LLM sur les surlignages d'un seul document
• Vous avez besoin que le modèle cite des pages et des tags spécifiques
• Vous faites une analyse exploratoire et voulez itérer sur les prompts
• Vous ne voulez pas mettre en place de base vectorielle ou de pipeline d'embedding

Format 2 : RAG JSON prêt à l'emploi

RAG JSON est une structure JSON prête à l'emploi conçue pour l'ingestion dans une base vectorielle. Chaque annotation devient un enregistrement distinct avec son propre texte et ses métadonnées, de sorte qu'un pipeline d'embeddings peut découper, vectoriser et retrouver des surlignages individuels plutôt que de traiter tout le document comme un bloc unique.

Structure

[
  {
    "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."
    }
  }
]

Chaque enregistrement a deux champs :

• text — le contenu du surlignage, prêt à être intégré
• metadata — un objet structuré contenant :
  • source — nom de fichier du PDF/XFDF source
  • page — numéro de page où se trouve le surlignage
  • type — highlight, note, underline, strikeout ou freetext
  • author — quiconque a créé l'annotation dans Acrobat
  • date — horodatage ISO 8601 de la création de l'annotation
  • color — valeur hex RGB du balisage
  • tags — tableau de tags (catégorie de couleur + tout tag personnalisé)
  • note — votre propre texte de commentaire, le cas échéant

Cette structure est le format standard qu'attendent les bases vectorielles comme Pinecone, Weaviate, Chroma, Qdrant et pgvector : un champ text pour l'embedding et un champ metadata pour le filtrage lors de la récupération.

Comment ingérer RAG JSON dans une base vectorielle

Le code exact dépend de votre chaîne technologique, mais le schéma est le même partout :

1. Intégrez chaque champ text avec votre modèle d'embedding préféré (OpenAI text-embedding-3-small, Cohere, Voyage, ou un modèle local via sentence-transformers).
2. Stockez l'embedding dans votre base vectorielle, avec l'objet metadata attaché comme champs filtrables.
3. Au moment de la requête, intégrez la question de l'utilisateur, récupérez les top-k surlignages les plus proches et passez-les à un LLM en guise de contexte.

Voici un exemple minimal en Python avec le client OpenAI et un magasin vectoriel générique :

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.)

Une fois ingéré, vous pouvez poser des questions en langage naturel et récupérer les surlignages spécifiques qui y répondent — avec une provenance complète (source, page, auteur, couleur, tags) attachée à chaque résultat.

Quand utiliser RAG JSON

• Vous avez de nombreux documents et voulez interroger tous en même temps
• Vous voulez récupérer des surlignages par métadonnées (« montre-moi chaque #limitation des articles de Jane Doe »)
• Vous construisez un système Q&A de production ou un chatbot sur vos annotations
• Vous voulez combiner des surlignages avec d'autres sources de connaissance (pages web, docs internes, code) dans un seul index de recherche

Coller dans ChatGPT, Claude et Gemini

Pour une analyse ad hoc sans mettre en place de base vectorielle, le format AI Context Markdown est le chemin le plus rapide. Voici comment l'utiliser avec chaque grand modèle.

ChatGPT

1. Lancez une nouvelle conversation dans ChatGPT (GPT-4o ou plus récent recommandé pour un contexte plus long).
2. Collez le contenu AI Context Markdown comme premier message.
3. Ajoutez votre prompt : « Ci-dessous mes surlignages d'un article de recherche, structurés par page. Résume l'argument principal, puis liste les trois surlignages que j'ai étiquetés #key-concept avec leurs numéros de page. »

ChatGPT gère le Markdown nativement, donc les titres ### Highlight et les blocs de citation > s'affichent correctement et le modèle peut citer les pages avec précision.

Claude

Claude (surtout Claude 3.5 Sonnet et Claude 4) est particulièrement fort en raisonnement structuré sur de longs documents. Collez AI Context Markdown et demandez une synthèse :

« Voici des surlignages d'un article, structurés par page. Identifie les trois arguments les plus forts et les trois plus faibles, en citant le numéro de page pour chacun. »

La fenêtre de contexte plus large de Claude (200 000 tokens) permet de coller les surlignages de plusieurs articles dans une seule conversation.

Gemini

Gemini gère bien le Markdown et s'intègre à Google Workspace, c'est donc un bon choix si vous voulez pousser la sortie du LLM dans un Google Doc ou Sheet. Collez AI Context Markdown et promptez :

« Voici mes surlignages PDF, structurés par page. Crée un tableau prêt pour Google Sheets avec les colonnes : Page, Highlight, My Note, Tags. »

Conseils pour une meilleure sortie LLM

• Demandez toujours des citations de page. Comme le format AI Context intègre les numéros de page dans les titres, demander « cite le numéro de page pour chaque affirmation » donne au modèle une ancre claire et réduit les hallucinations.
• Utilisez les tags comme filtres. Promptez avec « ne considère que les surlignages étiquetés #limitation » pour focaliser le modèle sur un sous-ensemble de vos annotations.
• Fournissez vos propres notes. Le champ ### My Note est votre interprétation. Si vous voulez que le modèle raisonne sur pourquoi vous avez surligné quelque chose, demandez-lui explicitement de considérer vos notes.
• Découpez les grosses exportations. Si vous avez plus de 500 surlignages, divisez l'exportation en plusieurs fichiers (un par document source) et traitez-les dans des conversations séparées. Cela garde chaque conversation focalisée et évite le débordement de la fenêtre de contexte.

Cas d'usage concrets

Revue de littérature académique

Un doctorant lisant 50 articles sur la mesure éducative exporte les surlignages de chacun en AI Context Markdown. Il colle les 50 dans une seule conversation Claude et demande : « À travers ces 50 articles, quelles sont les trois limitations les plus citées des études de validité de construit, et quels auteurs ont soulevé chacune ? »

Claude renvoie une synthèse avec citations de pages, que l'étudiant colle directement dans la section revue de littérature de sa thèse. Le même étudiant exporte les mêmes surlignages en RAG JSON, les intègre dans un index Pinecone et construit un bot Slack qui répond aux questions « qu'a dit l'article X sur Y ? » de ses collègues de labo.

Analyse de contrats juridiques

Un avocat examinant un accord de fusion de 200 pages surligne chaque clause d'indemnisation en rouge et chaque déclencheur de résiliation en jaune. Il exporte en AI Context Markdown et demande à ChatGPT : « Liste chaque clause d'indemnisation avec un plafond inférieur à 1 M$, avec les numéros de page. » Le format structuré permet à ChatGPT de citer les pages avec précision, ce que l'avocat utilise pour rédiger une version corrigée.

Pour les affaires en cours, les mêmes surlignages vont dans un pipeline RAG JSON, ingérés dans l'instance Qdrant interne du cabinet. Les assistants juridiques peuvent alors demander « que dit la Section 7.3 sur les périodes de survie ? » et récupérer le surlignage spécifique ainsi que son numéro de page.

Base de connaissances de documentation technique

Une équipe d'ingénierie migrant un système hérité exporte les surlignages de 30 PDF d'architecture en RAG JSON. Chaque surlignage devient un vecteur dans leur index Chroma. Quand un nouvel ingénieur demande « où documentons-nous le flux d'authentification ? », le pipeline de récupération renvoie les surlignages pertinents avec numéros de page, noms de fichiers sources et les notes du surligneur d'origine — sans que personne n'ait à se souvenir dans quel PDF se trouve la réponse.

La même équipe utilise AI Context Markdown pour générer des résumés hebdomadaires : collez les nouveaux surlignages de la semaine dans Claude, demandez un brief d'une page et publiez-le sur Slack de l'équipe.

Choisir entre AI Context et RAG JSON

Question	AI Context Markdown	RAG JSON
Analyse de chat unique ?	✅	—
Système Q&A de production ?	—	✅
Sans code, sans configuration ?	✅	—
Récupération inter-documents ?	—	✅
Filtrage par métadonnées à la requête ?	Limité	✅
Fonctionne avec n'importe quel LLM ?	✅	✅ (avec couche de récupération)
Économe en tokens pour le chat ?	✅	—
Passe à l'échelle pour des milliers de surlignages ?	—	✅

Une règle raisonnable : commencez avec AI Context Markdown pour l'exploration, passez à RAG JSON quand vous devez passer à l'échelle. La plupart des utilisateurs commencent par un flux basé sur la conversation, découvrent les types de questions qu'ils posent vraiment, puis construisent un pipeline RAG une fois les questions devenues répétitives.

Pourquoi le traitement local compte pour les exportations IA

Les fournisseurs de LLM journalisent les conversations par défaut. Si vous collez de la recherche confidentielle, des contrats juridiques ou des documents propriétaires dans ChatGPT, ce contenu peut être conservé et utilisé pour l'entraînement du modèle (selon votre niveau de compte et vos réglages). Les annotations elles-mêmes sont la partie la plus sensible d'un document — elles révèlent quels passages vous avez jugés importants, lesquels vous avez contestés et lesquels vous avez marqués pour suivi.

Un flux d'export à traitement local n'élimine pas cette préoccupation (vous collez toujours les surlignages dans le LLM), mais il garantit que :

1. L'étape de conversion se produit localement. Votre PDF ou XFDF n'est jamais téléversé sur un serveur pendant l'extraction des annotations.
2. Vous contrôlez ce qui est collé. Vous pouvez réviser le AI Context Markdown avant de l'envoyer, en censurant ce qui est sensible.
3. Le pipeline RAG JSON vous appartient. Si vous ingérez dans une base vectorielle auto-hébergée (Qdrant, Chroma, pgvector), rien ne quitte votre infrastructure.

Pour la conversion elle-même, pdfannotations.com s'exécute entièrement dans votre navigateur. Coupez votre internet après le chargement de la page — l'export fonctionne toujours.

Questions fréquentes

Quelle est la différence entre AI Context Markdown et le Markdown classique ?

AI Context Markdown utilise une hiérarchie de titres spécifique (# Source → ## Page → ### Highlight / ### Context / ### My Note / ### Tags) qui donne aux LLM des ancres explicites à citer. L'export Markdown classique est plus plat et optimisé pour la lecture humaine dans une application de prise de notes, pas pour l'ingestion par un LLM.

Puis-je utiliser RAG JSON sans base vectorielle ?

Oui, mais vous perdez les avantages de la récupération automatique. Vous pouvez charger RAG JSON dans un script Python, filtrer les enregistrements par métadonnées (par ex. page == 12) et ne transmettre que les surlignages correspondants à un LLM. C'est un pipeline RAG simplifié qui fonctionne bien pour de petits jeux d'annotations.

Quel modèle d'embedding dois-je utiliser pour RAG JSON ?

Pour des surlignages en anglais, text-embedding-3-small d'OpenAI est un bon défaut — il est bon marché, rapide et suffisamment précis pour la plupart des tâches de récupération. Pour un contenu multilingue, envisagez embed-multilingual-v3 de Cohere ou un modèle sentence-transformers local. Pour un contenu juridique ou technique avec vocabulaire spécialisé, voyage-law-2 ou voyage-code-2 de Voyage AI surpassent souvent les modèles généralistes.

Combien de surlignages puis-je coller dans une seule conversation LLM ?

Cela dépend de la fenêtre de contexte du modèle. GPT-4o et Claude 3.5 Sonnet prennent tous deux en charge 128 000 à 200 000 tokens, soit environ 50 à 100 pages de surlignages denses. Pour des ensembles plus vastes, scindez en plusieurs conversations ou passez à un pipeline RAG JSON.

L'export préserve-t-il mon texte de commentaire ?

Oui. AI Context Markdown et RAG JSON incluent tous deux votre texte de commentaire (note autocollante) — dans le champ ### My Note pour le premier, et dans le champ metadata.note pour le second.

Guides connexes

Vous voulez en savoir plus ? Consultez ces guides associés :

• PDF vers Markdown : bonnes pratiques - Modèles de conversion propres qui produisent un Markdown adapté aux LLM depuis n'importe quelle source PDF
• Comment exporter des annotations XFDF depuis Adobe Acrobat - Sortir le XFDF d'Acrobat comme entrée de l'export IA
• Qu'est-ce que XFDF ? Le format XML d'annotation PDF expliqué - Plongée dans le format de fichier XFDF et sa structure XML
• XFDF vers Obsidian : convertir les annotations PDF Adobe en Markdown - Coupler l'export IA avec un coffre Obsidian pour un pipeline de connaissance complet
• Exporter les surlignages PDF vers Obsidian : guide de flux de travail complet - Le flux de travail Obsidian complet pour toute source PDF