PDF-аннотации в ИИ и RAG: экспорт выделений для LLM

Чтобы экспортировать PDF-аннотации для ИИ- и RAG-рабочих процессов, импортируйте ваш PDF (или XFDF/XML FDF) в PDFAnnotations и выберите AI Context Markdown — структурированный формат для вставки в ChatGPT, Claude или Gemini, — либо RAG JSON — данные для загрузки в векторную базу. Оба формата доступны в Pro, обрабатываются в браузере без отправки файла на сервер и сохраняют доступные метаданные (страница, цвет, автор, дата, теги), которые помогают LLM или поисковому пайплайну ссылаться на исходный материал.

Это руководство описывает оба формата экспорта, объясняет, когда использовать каждый, и показывает, как подключить вывод к беседе ChatGPT, пайплайну поиска LangChain или собственной векторной базе данных.

Зачем загружать PDF-аннотации в LLM?

Прочитать PDF — одно, сделать что-то полезное с выделениями — другое. Исследователи, студенты и специалисты, работающие с большим объёмом документов, часто останавливаются на «выделил важное» и больше не возвращаются. Загрузка аннотаций в LLM меняет это:

• Синтез. Попросить LLM сжать 200 выделений в трёхпараграфную выжимку.
• Перекрёстные ссылки. Спросить «какие из этих выделений противоречат друг другу?» и быстрее найти связи между источниками.
• Черновики. Использовать выделения как сырье для обзора литературы, меморандума или email-резюме.
• Вопросы и ответы. Построить RAG-пайплайн, позволяющий задавать естественноязыковые вопросы по выделениям («что автор сказал о конструктной валидности на странице 12?»).
• Перевод и смена тона. Попросить LLM переписать академические выделения как понятные объяснения для неспециалиста.

Загвоздка в том, что LLM нужна структура. Вставка 200 сырых выделений в чат даёт неструктурированный кусок, который модель не может точно цитировать. Поэтому pdfannotations.com поставляет два специализированных формата экспорта.

Формат 1: AI Context Markdown

AI Context Markdown — структурированный Markdown-формат, специально спроектированный для вставки в чат. Структура даёт LLM явные опоры для ссылок при ответе и помогает точнее указывать страницы и источники.

Структура

# 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

Иерархия такова:

1. # Source — заголовок верхнего уровня, называющий исходный файл, с автором, числом страниц и датой экспорта как метаданными
2. ## Page N — по разделу на страницу с аннотациями
3. ### Highlight — дословный текст, который вы выделили в PDF
4. ### Context — однострочное описание, где выделение встречается в документе (раздел, позиция абзаца)
5. ### My Note — ваш собственный комментарий или заметка, прикреплённая к выделению
6. ### Tags — цветовая категория и любые пользовательские теги, которые вы присвоили

Эта структура важна, потому что она даёт LLM:

• Опоры. Каждое выделение обёрнуто в заголовок ### Highlight, который модель может цитировать («Согласно выделению на странице 12…»).
• Провенанс. Номера страниц и имена исходных файлов означают, что модель может сказать, откуда взято утверждение, а не только что оно было сделано.
• Вашу интерпретацию. Поле ### My Note — ваш собственный комментарий, который модель может использовать, чтобы понять, что вы сочли важным в выделении.
• Фильтруемые теги. Теги позволяют спросить «просуммируй все выделения с тегом #limitation» и получить сфокусированный ответ.

Как использовать AI Context Markdown

1. Экспортируйте аннотации из pdfannotations.com в формате AI Context.
2. Откройте получившийся файл .md в любом текстовом редакторе и скопируйте содержимое.
3. Вставьте в новый чат в ChatGPT, Claude или Gemini.
4. Добавьте в начало промпт, например: «Вот мои выделения из научной статьи. Просуммируй основной аргумент в трёх предложениях, затем перечисли три выделения, которые я отметил тегом #key-concept».

Поскольку формат — обычный Markdown, современные чат-модели обычно корректно читают его без специальных плагинов, вызовов API или векторной базы данных.

Когда использовать AI Context Markdown

• Вы хотите разовый чат с LLM по выделениям одного документа
• Вам нужно, чтобы модель цитировала конкретные страницы и теги
• Вы делаете разведочный анализ и хотите итерировать промпты
• Вы не хотите настраивать векторную базу данных или пайплайн embedding

Формат 2: RAG-Ready JSON

RAG JSON — структурированная JSON-нагрузка, рассчитанная на приём в векторную базу данных. Каждая аннотация становится отдельной записью со своим текстом и метаданными, поэтому пайплайн embedding может чанковать, векторизовать и извлекать отдельные выделения, а не трактовать весь документ как один блок.

Структура

[
  {
    "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."
    }
  }
]

У каждой записи два поля:

• text — содержимое выделения, готовое к embedding
• metadata — структурированный объект, содержащий:
  • source — имя исходного PDF/XFDF-файла
  • page — номер страницы, где находится выделение
  • type — highlight, note, underline, strikeout или freetext
  • author — автор аннотации, если он записан в исходном файле
  • date — временная метка ISO 8601 создания аннотации
  • color — RGB-значение в hex разметки
  • tags — массив тегов (цветовая категория + любые пользовательские)
  • note — ваш собственный текст комментария, если есть

Эта структура — стандартный формат, ожидаемый векторными базами данных вроде Pinecone, Weaviate, Chroma, Qdrant и pgvector: поле text для embedding и поле metadata для фильтрации при поиске.

Как загрузить RAG JSON в векторную базу данных

Точный код зависит от вашего стека, но паттерн везде одинаковый:

1. Векторизуйте каждое поле text предпочитаемой моделью embedding (OpenAI text-embedding-3-small, Cohere, Voyage или локальной моделью через sentence-transformers).
2. Сохраните embedding в векторной базе данных, прикрепив объект metadata как поля для фильтрации.
3. При запросе векторизуйте вопрос пользователя, получите top-k ближайших выделений и передайте их LLM как контекст.

Вот минимальный пример на Python с клиентом OpenAI и обобщённым векторным хранилищем:

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.)

После загрузки можно задавать вопросы на естественном языке и извлекать конкретные выделения, которые на них отвечают, — с полным провенансом (источник, страница, автор, цвет, теги) у каждого результата.

Когда использовать RAG JSON

• У вас много документов и вы хотите опрашивать их все сразу
• Вы хотите извлекать выделения по метаданным («покажи все #limitation из статей Jane Doe»)
• Вы строите промышленную Q&A-систему или чат-бот поверх аннотаций
• Вы хотите объединить выделения с другими источниками знаний (веб-страницы, внутренние документы, код) в едином индексе поиска

Вставка в ChatGPT, Claude и Gemini

Для ad-hoc анализа без векторной базы данных формат AI Context Markdown — самый быстрый путь. Ниже — как использовать его с каждой из главных моделей.

ChatGPT

1. Начните новую беседу в ChatGPT (для длинного контекста рекомендуется GPT-4o или новее).
2. Вставьте содержимое AI Context Markdown первым сообщением.
3. Добавьте промпт: «Ниже мои выделения из научной статьи, структурированные по страницам. Просуммируй основной аргумент, затем перечисли три выделения с тегом #key-concept с указанием номеров страниц».

ChatGPT нативно работает с Markdown, поэтому заголовки ### Highlight и блоки цитирования > рендерятся корректно и модель может точно цитировать страницы.

Claude

Claude (особенно Claude 3.5 Sonnet и Claude 4) особенно силён в структурированных рассуждениях по длинным документам. Вставьте AI Context Markdown и попросите синтез:

«Вот выделения из статьи, структурированные по страницам. Определи три сильнейших аргумента и три слабейших, цитируя номер страницы для каждого».

Большее контекстное окно Claude (200K токенов) означает, что можно вставить выделения нескольких статей в одну беседу.

Gemini

Gemini хорошо работает с Markdown и интегрирован с Google Workspace, поэтому подходит, если вы хотите отправить вывод LLM в Google Doc или Sheet. Вставьте AI Context Markdown и дайте промпт:

«Вот мои PDF-выделения, структурированные по страницам. Создай таблицу, готовую для Google Sheets, со столбцами: Page, Highlight, My Note, Tags».

Советы для лучшего вывода LLM

• Всегда просите цитировать страницы. Поскольку формат AI Context встраивает номера страниц в заголовки, просьба «цитируй номер страницы для каждого утверждения» даёт модели ясную опору и снижает галлюцинации.
• Используйте теги как фильтры. Добавьте запрос «учитывай только выделения с тегом #limitation», чтобы сфокусировать модель на подмножестве аннотаций.
• Предоставляйте свои заметки. Поле ### My Note — ваша интерпретация. Если хотите, чтобы модель рассуждала о том, почему вы что-то выделили, явно попросите её учитывать ваши заметки.
• Дробите большие экспорты. Если у вас 500+ выделений, разбейте экспорт на несколько файлов (по одному на исходный документ) и обрабатывайте их в отдельных беседах. Это сохраняет фокус каждой беседы и предотвращает переполнение контекстного окна.

Реальные сценарии использования

Обзор научной литературы

Аспирант, читающий 50 статей по образовательным измерениям, экспортирует выделения каждой как AI Context Markdown. Он вставляет все 50 в одну беседу Claude и спрашивает: «Среди этих 50 статей каковы три наиболее цитируемые ограниченности исследований конструктной валидности и какие авторы поднимали каждую из них?»

Claude возвращает синтез с цитированием страниц, который студент вставляет прямо в раздел обзора литературы диссертации. Тот же студент экспортирует те же выделения как RAG JSON, загружает их в индекс Pinecone и строит Slack-бота, отвечающего на вопросы «что статья X сказала о Y?» от своих коллег по лаборатории.

Анализ юридических договоров

Юрист, проверяющий 200-страничное соглашение о слиянии, подсвечивает каждое положение об индемнизации красным и каждый триггер расторжения жёлтым. Он экспортирует как AI Context Markdown и спрашивает ChatGPT: «Перечисли каждое положение об индемнизации с лимитом ниже 1 млн $, с номерами страниц». Структурированный формат позволяет ChatGPT точно цитировать страницы, что юрист использует для составления redline.

По текущим делам те же выделения идут в RAG-JSON-пайплайн, загружаются во внутренний экземпляр Qdrant фирмы. Помощники юриста могут затем спросить «что говорит раздел 7.3 о сроках выживания?» и извлечь конкретное выделение плюс его номер страницы.

База знаний технической документации

Команда инженеров, мигрирующих устаревшую систему, экспортирует выделения из 30 архитектурных PDF как RAG JSON. Каждое выделение становится вектором в их индексе Chroma. Когда новый инженер спрашивает «где мы документируем поток аутентификации?», пайплайн поиска возвращает релевантные выделения с номерами страниц, именами исходных файлов и заметками первоначального автора выделения — без необходимости кому-либо помнить, в каком PDF находится ответ.

Та же команда использует AI Context Markdown для еженедельных сводок: вставляет новые выделения недели в Claude, просит односторонний бриф и отправляет его в командный Slack.

Выбор между AI Context и RAG JSON

Вопрос	AI Context Markdown	RAG JSON
Одноразовый анализ в чате?	✅	—
Промышленная Q&A-система?	—	✅
Без кода, без настройки?	✅	—
Поиск по нескольким документам?	—	✅
Фильтрация по метаданным при запросе?	Ограниченно	✅
Работает с любым LLM?	✅	✅ (со слоем поиска)
Эффективен по токенам для чата?	✅	—
Масштабируется на тысячи выделений?	—	✅

Разумное правило: начинайте с AI Context Markdown для разведки, переходите на RAG JSON, когда нужно масштабироваться. Большинство пользователей начинают с чат-рабочего процесса, открывают, какие вопросы реально задают, и затем строят RAG-пайплайн, когда вопросы становятся повторяющимися.

Почему локальность важна для ИИ-экспортов

Провайдеры LLM могут сохранять и обрабатывать беседы в соответствии с тарифом, настройками аккаунта и условиями сервиса. Если вы вставляете конфиденциальные исследования, юридические договоры или проприетарные документы, проверьте эти правила. Сами аннотации — чувствительная часть документа: они раскрывают, какие отрывки вы сочли важными, с какими не согласились и какие отметили для последующего разбора.

Локальный рабочий процесс экспорта не устраняет этой озабоченности (вы всё равно вставляете выделения в LLM), но позволяет контролировать, что именно уходит дальше:

1. Шаг конвертации происходит локально. Ваш PDF или XFDF никогда не загружается на сервер во время извлечения аннотаций.
2. Вы контролируете, что вставляется. Вы можете просмотреть AI Context Markdown перед отправкой, вычёркивая чувствительное.
3. RAG JSON-пайплайн ваш. Если вы используете собственную векторную базу (Qdrant, Chroma, pgvector), данные не покидают вашу инфраструктуру.

Конвертация в PDFAnnotations выполняется в браузере. После загрузки страницы интернет можно отключить — экспорт продолжит работать.

Часто задаваемые вопросы

В чём разница между AI Context Markdown и обычным Markdown?

AI Context Markdown использует специфическую иерархию заголовков (# Source → ## Page → ### Highlight / ### Context / ### My Note / ### Tags), дающую LLM явные опоры для цитирования. Обычный Markdown-экспорт более плоский и оптимизирован для человеческого чтения в приложении для заметок, а не для приёма LLM.

Можно ли использовать RAG JSON без векторной базы данных?

Да, но вы теряете преимущества поиска. Можно загрузить RAG JSON в Python-скрипт, отфильтровать записи по метаданным (например, page == 12) и передать LLM только совпадающие выделения. Это упрощённый RAG-пайплайн, хорошо работающий для небольших наборов аннотаций.

Какую модель embedding использовать для RAG JSON?

Для англоязычных выделений text-embedding-3-small от OpenAI — хороший вариант по умолчанию: дешёвая, быстрая и достаточно точная для большинства задач поиска. Для мультиязычного контента рассмотрите embed-multilingual-v3 от Cohere или локальную модель sentence-transformers. Для юридического или технического контента со специальной лексикой voyage-law-2 или voyage-code-2 от Voyage AI часто превосходят модели общего назначения.

Сколько выделений можно вставить в одну беседу LLM?

Зависит от контекстного окна модели. Для примера: GPT-4o рассчитан на 128K токенов, а Claude 3.5 Sonnet — на 200K. Реальный объём зависит от длины выделений, заметок и метаданных; крупные наборы удобнее разбивать по беседам или переводить в пайплайн RAG JSON.

Экспорт сохраняет мой текст комментария?

Да. И AI Context Markdown, и RAG JSON включают ваш текст комментария (заметку) — в поле ### My Note для первого и в поле metadata.note для второго.

Связанные руководства

Хотите узнать больше? Ознакомьтесь с этими связанными руководствами:

• PDF-аннотации в Markdown: лучшие практики - Чистые паттерны конвертации, дающие LLM-дружелюбный Markdown из поддерживаемых PDF-источников
• Как экспортировать XFDF-аннотации из Adobe Acrobat - Извлечение XFDF из Acrobat как вход для ИИ-экспорта
• Что такое XFDF? Формат XML PDF-аннотаций объяснён - Глубокое погружение в формат файла XFDF и его XML-структуру
• XFDF в Obsidian: конвертация Adobe PDF-аннотаций в Markdown - Сочетание ИИ-экспорта с Obsidian-хранилищем для полного конвейера знаний
• Экспорт PDF-выделений в Obsidian: полное руководство по рабочему процессу - Полный рабочий процесс Obsidian для поддерживаемых PDF-источников