PDF 批注（注释）转 AI 与 RAG：为 LLM 导出高亮

要把 PDF 批注（也叫注释）导出用于 AI 和 RAG 工作流，请把 PDF（或 XFDF/XML FDF）导入 pdfannotations.com，然后选择 AI Context Markdown——一种专为粘贴到 ChatGPT、Claude 或 Gemini 而设计的结构化格式——或 RAG JSON——一种可直接写入向量数据库的 schema 化数据。两种格式都完全在浏览器中运行，无需上传文件，并保留 LLM 或检索管线所需的全部元数据（页码、颜色、作者、日期、标签），让模型回答严格基于你的原始材料。

本指南会讲解两种导出格式、各自适用的场景，以及如何把输出接入 ChatGPT 对话、LangChain 检索管线或自建向量数据库。

为什么要让 LLM 处理 PDF 注释？

读完一份 PDF 是一回事，把高亮真正用起来又是另一回事。大多数知识工作者止步于“高亮了重点”，再也不会回头看。把注释交给 LLM 可以改变这一点：

• 综合提炼。 让 LLM 把 200 条高亮浓缩成 3 段摘要。
• 交叉比对。 问“这些高亮里哪些互相矛盾？”几秒钟就能得到答案。
• 起草内容。 把高亮作为文献综述、备忘录或邮件摘要的原始素材。
• 问答。 搭建 RAG 管线，让你用自然语言向高亮提问（“作者在第 12 页对建构效度说了什么？”）。
• 翻译与语气改写。 让 LLM 把学术性高亮改写成面向非专业读者的通俗解释。

问题在于 LLM 需要结构。把 200 条原始高亮粘到聊天框里，会得到一团无结构文本，模型很难准确引用。这就是 pdfannotations.com 提供两种专用导出格式的原因。

格式一：AI Context Markdown

AI Context Markdown 是一种专为粘贴到聊天对话而设计的结构化 Markdown 格式。其结构为 LLM 提供了明确的锚点，便于在回答时引用，从而大幅提升引用准确度并降低幻觉。

结构

# 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

层级如下：

1. # Source——顶层标题，标注源文件名，并以作者、页数和导出日期作为元数据
2. ## Page N——每个含注释的页面一个分区
3. ### Highlight——你在 PDF 中高亮的原文
4. ### Context——一行描述，说明高亮在文档中的位置（章节、段落位置）
5. ### My Note——你附加在该高亮上的批注或便签
6. ### Tags——颜色类别以及你自定义的标签

这个结构之所以重要，是因为它给 LLM 提供了：

• 锚点。 每条高亮都包在 ### Highlight 标题下，模型可以引用（“根据第 12 页的高亮……”）。
• 来源信息。 页码和源文件名意味着模型可以告诉你一条说法来自哪里，而不仅仅是说了什么。
• 你的解读。 ### My Note 字段是你自己的批注，模型可以借此理解你为何觉得这条高亮重要。
• 可筛选的标签。 标签让你能问“总结所有标记为 #limitation 的高亮”，得到聚焦的答案。

如何使用 AI Context Markdown

1. 在 pdfannotations.com 用 AI Context 格式导出注释。
2. 用任意文本编辑器打开生成的 .md 文件并复制内容。
3. 粘贴到 ChatGPT、Claude 或 Gemini 的新对话里。
4. 在前面加上一段提示词，例如：“以下是我从一篇论文中摘录的高亮，按页码结构化。请用三句话总结主要论点，然后列出我标记为 #key-concept 的三条高亮。”

由于该格式是纯 Markdown，所有模型处理方式完全一致。不需要特殊插件、不需要 API 调用、不需要向量数据库。

何时使用 AI Context Markdown

• 你想就单一文档的高亮与 LLM 做一次性对话
• 你需要模型引用具体页码和标签
• 你在做探索性分析，希望反复迭代提示词
• 你不想搭建向量数据库或 embedding 管线

格式二：RAG-Ready JSON

RAG JSON 是一种用于写入向量数据库的结构化 JSON 数据。每条注释会变成一条独立记录，带有自己的文本和元数据，这样 embedding 管线就可以对每条高亮单独切分、向量化、检索，而不是把整篇文档当作一整块。

结构

[
  {
    "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."
    }
  }
]

每条记录有两个字段：

• text——高亮内容，可直接用于 embedding
• metadata——结构化对象，包含：
  • source——源 PDF/XFDF 的文件名
  • page——高亮所在页码
  • type——highlight、note、underline、strikeout 或 freetext
  • author——在 Acrobat 中创建注释的人
  • date——注释创建的 ISO 8601 时间戳
  • color——标记的 RGB 十六进制值
  • tags——标签数组（颜色类别 + 任意自定义标签）
  • note——你自己的批注文本（若有）

这种结构正是 Pinecone、Weaviate、Chroma、Qdrant、pgvector 等向量数据库期望的标准格式：一个用于 embedding 的 text 字段，加上一个用于检索时过滤的 metadata 字段。

如何把 RAG JSON 写入向量数据库

具体代码取决于你的技术栈，但模式到处都一样：

1. 对每个 text 字段做 embedding，使用你偏好的 embedding 模型（OpenAI text-embedding-3-small、Cohere、Voyage，或通过 sentence-transformers 加载的本地模型）。
2. 把向量存入向量数据库，并将 metadata 对象作为可过滤字段一并写入。
3. 查询时，把用户问题做 embedding，检索 top-k 最相近的高亮，作为 context 传给 LLM。

下面是一个最小示例，使用 Python、OpenAI 客户端和一个通用向量存储：

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.)

写入后，你可以用自然语言提问，并检索到能回答问题的具体高亮——每条结果都附带完整来源信息（源文件、页码、作者、颜色、标签）。

何时使用 RAG JSON

• 你有很多文档，想一次性跨文档查询
• 你想按元数据检索高亮（“把 Jane Doe 论文里所有 #limitation 高亮调出来”）
• 你要在注释之上构建生产级问答系统或聊天机器人
• 你想把高亮与其他知识源（网页、内部文档、代码）合并到同一检索索引中

粘贴到 ChatGPT、Claude 和 Gemini

对于不想搭向量数据库的临时分析，AI Context Markdown 是最快的路径。以下是如何在三大主流模型中使用。

ChatGPT

1. 在 ChatGPT 中开启新对话（建议使用 GPT-4o 或更新版本，以支持更长上下文）。
2. 把 AI Context Markdown 内容作为第一条消息粘贴。
3. 加上你的提示词：“以下是我从一篇论文摘录的高亮，按页码结构化。请总结主要论点，然后列出我标记为 #key-concept 的三条高亮及其页码。”

ChatGPT 原生处理 Markdown，所以 ### Highlight 标题和 > 引用块都能正确渲染，模型也能准确引用页码。

Claude

Claude（尤其是 Claude 3.5 Sonnet 和 Claude 4）在长文档结构化推理方面尤为出色。粘贴 AI Context Markdown 并要求综合：

“以下是按页码结构化的论文高亮。请找出三个最强论点和三个最弱论点，并逐一引用页码。”

Claude 更大的上下文窗口（200K tokens）意味着你可以在一次对话中粘贴多篇论文的高亮。

Gemini

Gemini 对 Markdown 支持良好，并与 Google Workspace 集成，因此如果你想把 LLM 输出推送到 Google Doc 或 Sheet，它是不错的选择。粘贴 AI Context Markdown 并提示：

“以下是我的 PDF 高亮，按页码结构化。请生成一个可直接粘贴到 Google Sheets 的表格，列包括：Page、Highlight、My Note、Tags。”

提升 LLM 输出质量的小技巧

• 始终要求引用页码。 由于 AI Context 格式把页码嵌在标题里，提示“为每条说法引用页码”能给模型明确锚点并降低幻觉。
• 把标签当过滤器用。 用“只考虑标记为 #limitation 的高亮”来让模型聚焦于注释子集。
• 提供你自己的笔记。 ### My Note 字段是你的解读。如果你希望模型推理为什么你高亮了某段，明确要求它参考你的笔记。
• 大体积导出要切分。 如果你有 500+ 条高亮，把导出拆成多个文件（每个源文档一个），在不同对话里分别处理。这样每次对话更聚焦，避免上下文窗口溢出。

真实场景用例

学术文献综述

一位博士生读了 50 篇教育测量方向的论文，把每篇的高亮导出为 AI Context Markdown。他把 50 篇全部粘贴到一个 Claude 对话里，问：“在这 50 篇论文中，建构效度研究被引用最多的三个局限是什么？每个局限由哪些作者提出？”

Claude 返回带页码引用的综合分析，学生直接把它粘到论文的文献综述部分。同一位学生把同样的高亮导出为 RAG JSON，写入 Pinecone 索引，并搭建了一个 Slack 机器人，回答实验室同事“论文 X 关于 Y 说了什么？”的问题。

法律合同分析

一位律师审查一份 200 页的并购协议，把每条赔偿条款标红、每个终止触发条款标黄。他导出为 AI Context Markdown，问 ChatGPT：“列出所有金额上限低于 100 万美元的赔偿条款，附页码。”结构化格式让 ChatGPT 能准确引用页码，律师据此起草 redline。

对于持续进行的案件，同样这些高亮进入 RAG JSON 管线，写入事务所内部的 Qdrant 实例。律师助理可以问“第 7.3 节对存续期是怎么规定的？”并检索到具体高亮及其页码。

技术文档知识库

一个工程团队在迁移遗留系统时，把 30 份架构 PDF 的高亮导出为 RAG JSON。每条高亮变成 Chroma 索引中的一个向量。当新工程师问“认证流程在哪里文档化？”时，检索管线返回相关高亮、页码、源文件名以及高亮作者的笔记——而无需任何人记得答案在哪份 PDF 里。

同一个团队用 AI Context Markdown 生成周报：把这周新增的高亮粘贴给 Claude，要一份单页简报，再发到团队 Slack。

在 AI Context 和 RAG JSON 之间做选择

问题	AI Context Markdown	RAG JSON
一次性聊天分析？	✅	—
生产级问答系统？	—	✅
无需代码、无需配置？	✅	—
跨文档检索？	—	✅
查询时按元数据过滤？	有限	✅
适配任意 LLM？	✅	✅（需检索层）
对聊天友好、token 高效？	✅	—
可扩展到数千条高亮？	—	✅

一个合理的经验法则：探索阶段先用 AI Context Markdown，需要扩展时再升级到 RAG JSON。 大多数用户从聊天式工作流起步，发现自己实际在问哪类问题，等问题变得重复后再搭建 RAG 管线。

为什么本地优先对 AI 导出很重要

LLM 提供方默认会记录对话。如果你把机密研究、法律合同或专有文档粘贴进 ChatGPT，这些内容可能被保留并用于模型训练（具体取决于你的账户等级和设置）。注释本身是文档中最敏感的部分——它们揭示了你认为哪些段落重要、你不同意哪些内容、你标记了哪些需要跟进。

本地优先的导出工作流并不能消除这一顾虑（你仍要把高亮粘贴进 LLM），但它能确保：

1. 转换步骤在本地完成。 在注释提取过程中，你的 PDF 或 XFDF 绝不会被上传到服务器。
2. 由你决定粘贴什么。 你可以在发送前审阅 AI Context Markdown，敏感内容先做脱敏。
3. RAG JSON 管线归你所有。 如果你写入自托管的向量数据库（Qdrant、Chroma、pgvector），数据不会离开你的基础设施。

至于转换本身，pdfannotations.com 完全在浏览器中运行。页面加载完成后断网——导出依然可用。

常见问题

AI Context Markdown 和普通 Markdown 有什么区别？

AI Context Markdown 使用一套特定的标题层级（# Source → ## Page → ### Highlight / ### Context / ### My Note / ### Tags），给 LLM 提供明确的引用锚点。普通 Markdown 导出更扁平，针对在笔记应用中供人阅读优化，而不是为 LLM 摄取优化。

不用向量数据库能用 RAG JSON 吗？

可以，但会失去检索优势。你可以把 RAG JSON 加载进 Python 脚本，按元数据过滤记录（例如 page == 12），只把匹配的高亮交给 LLM。这是一种轻量版 RAG，对小批量注释够用。

RAG JSON 该用哪个 embedding 模型？

对于英文高亮，OpenAI 的 text-embedding-3-small 是不错的默认选择——便宜、快、对大多数检索任务足够准确。对于多语言内容，可考虑 Cohere 的 embed-multilingual-v3 或本地 sentence-transformers 模型。对于含领域专业词汇的法律或技术内容，Voyage AI 的 voyage-law-2 或 voyage-code-2 通常优于通用模型。

一次 LLM 对话能粘贴多少条高亮？

取决于模型的上下文窗口。GPT-4o 和 Claude 3.5 Sonnet 都支持 128K–200K tokens，大约相当于 50–100 页密集高亮。更大的集合要么拆成多个对话，要么升级到 RAG JSON 管线。

导出会保留我的批注文本吗？

会。AI Context Markdown 和 RAG JSON 都包含你的批注（便签）文本——前者在 ### My Note 字段，后者在 metadata.note 字段。

相关指南

想了解更多？请查看这些相关指南：

• PDF 转 Markdown 最佳实践 - 适用于任意 PDF 源、产出对 LLM 友好 Markdown 的干净转换模式
• 如何从 Adobe Acrobat 导出 XFDF 批注（注释） - 从 Acrobat 取出 XFDF 作为 AI 导出的输入
• 什么是 XFDF？PDF 注释 XML 格式详解 - 深入解析 XFDF 文件格式及其 XML 结构
• XFDF 转 Obsidian：把 Adobe PDF 注释转为 Markdown - 把 AI 导出与 Obsidian 知识库搭配，构建完整知识管线
• 把 PDF 高亮导出到 Obsidian：完整工作流指南 - 适用于任意 PDF 源的完整 Obsidian 工作流