把 PDF 轉成 Markdown 以節省 LLM token：MarkItDown 實戰指南

你把一份 20 頁的 PDF 拖進 Claude，問了一個問題，回答也順利返回了。你沒看到的，是賬單。在你的問題還沒被讀到之前，這份文件就可能吞掉幾萬個 token。一個團隊每天這樣做上幾次，你就在花真金白銀，只為把原始 PDF 鏟進一個本來用乾淨文字就同樣滿意的模型。

有一個免費的解決辦法，而且它一直就擺在明面上：先把檔案轉成 Markdown。本指南會準確解釋為什麼 PDF 這麼貴、你能省多少，以及如何用微軟的開源轉換器 MarkItDown 一條命令完成轉換。

為什麼一份 PDF 要耗這麼多 token

這是沒人告訴你的部分。當你把一份 PDF 交給 LLM 時，它讀取的方式和你讀的方式不一樣。根據 Anthropic 自己的 PDF 文件，系統會對每一頁做兩件事：

1. 從頁面中提取文字。
2. 把整頁轉成圖片，然後把這張圖片連同文字一起傳送。

第二步就是那個無聲的 token 黑洞。模型不只是在讀文字，它還在看每一頁的圖片，好讓自己能理解圖表、表格和排版。這兩份你都得付費。

Anthropic 的資料讓成本變得具體。僅提取出的文字，按密度不同就要 每頁 1,500 到 3,000 個 token。在此之上，每一頁還要再加一張圖片的成本。來自 Amazon Bedrock 整合的一個有說服力的資料點：完整的視覺化 PDF 模式對一份 3 頁 PDF 大約要用 7,000 個 token，而對同樣這三頁只做純文字提取 大約只用 1,000 個 token。這是 7 倍的差距，而它完全來自逐頁的圖片。

把它放大到一份真實文件。一份內容密集的 20 頁報告，一旦每一頁都被柵格化成圖片，token 數可能落在 40,000 到 70,000 之間。你還什麼都沒問，你只是開啟了這個檔案而已。

橙紅色的色塊是純粹的額外開銷：每一頁一張圖片，不管這一頁裡有沒有任何值得一看的視覺內容。

解決辦法：改喂乾淨的 Markdown

大多數文件並不需要被「看」。一份合同、一份規格說明、一篇研究論文、一套滿是要點的幻燈片：這些全都是套著排版外衣的文字。如果你剝掉排版、保留結構，模型並不會損失任何它真正需要的東西。

這正是 Markdown 給你的。它幾乎是一種格式能做到的、最接近純文字的形態，但它仍然編碼了那些要緊的結構：標題、列表、表格、連結、程式碼塊、加粗與強調。主流 LLM 都是在海量 Markdown 上訓練出來的，所以它們能原生、輕鬆地解析它。開發 MarkItDown 的微軟說得很直白：Markdown「極其接近純文字，標記或格式都極少，但仍提供了一種表示文件重要結構的方式」。

把你的 PDF 轉成 Markdown，你就徹底丟掉了逐頁圖片。沒有柵格化的頁面，沒有視覺開銷，只剩下模型本來就要讀的那份結構化文字。省下來的就是從這裡來的。

認識 MarkItDown，微軟的免費轉換器

MarkItDown 是微軟出品的一個輕量級 Python 工具，以寬鬆的 MIT 授權發布，是 GitHub 上 star 數最高的開發者工具之一，超過 135,000 個 star。它唯一的任務，就是把現實世界裡亂糟糟的檔案變成 LLM 能低成本讀取的乾淨 Markdown。

它不只是個 PDF 工具。它能轉換一長串格式：

• PDF 文件
• Word（.docx）
• Excel（.xlsx、.xls）
• PowerPoint（.pptx）
• 圖片，附帶 EXIF 後設資料，以及對圖片內文字的 OCR
• 音訊，附帶後設資料和語音轉寫
• HTML 頁面
• CSV、JSON 和 XML 資料
• ZIP 壓縮包（它會遍歷其中的內容）
• YouTube 連結（它會抓取字幕）
• EPub 電子書
• Outlook 郵件（.msg）

一個工具，一種輸出格式，幾乎能搞定任何你原本會作為笨重二進位制檔案丟給模型的東西。

30 秒裝好 MarkItDown

它就是個普通的 Python 包。想把所有功能都裝齊，就安裝 all extra：

pip install 'markitdown[all]'

如果你只關心少數幾種格式、想要更精簡的安裝，就只要那幾個 extra：

pip install 'markitdown[pdf, docx, pptx]'

可選項包括 [all]、[pdf]、[docx]、[pptx]、[xlsx]、[xls]、[outlook]、[audio-transcription] 和 [youtube-transcription] 等等。

用命令列把 PDF 轉成 Markdown

最快的路徑是 CLI。把它指向一個檔案，再把輸出發到你想要的任何地方：

markitdown report.pdf -o report.md

或者用一個簡單的重定向，效果一樣：

markitdown report.pdf > report.md

你也可以直接把檔案透過管道傳進去：

cat report.pdf | markitdown

這就是全部流程了。現在你手上有一個 report.md，可以交給任何模型、放進程式碼儲存庫，或者粘進對話裡，而它的成本只是原檔案的一小部分。

笨重檔案進，代理可直接讀用的 Markdown 出，中間只隔著一條命令。

用 Python 轉換（並批次處理整個資料夾）

如果你要把它接進流水線，Python API 同樣簡短：

from markitdown import MarkItDown

md = MarkItDown(enable_plugins=False)
result = md.convert("report.pdf")
print(result.text_content)

result.text_content 就是你的 Markdown 字串，可以直接寫入磁碟或餵給模型。想一次性轉換整個資料夾的文件，迴圈遍歷它即可：

from pathlib import Path
from markitdown import MarkItDown

md = MarkItDown(enable_plugins=False)
for src in Path("docs").glob("*.pdf"):
    out = src.with_suffix(".md")
    out.write_text(md.convert(str(src)).text_content, encoding="utf-8")

跑一次，一個裝滿昂貴 PDF 的目錄就變成一個裝滿廉價、結構化 Markdown 的目錄，任何代理都能在每一輪讀取它，而不必反覆繳納視覺稅。

你到底能省多少？

誠實的回答是：取決於文件，但收益既大又穩定。對一份典型的、以文字為主的檔案來說，大致是這個樣子。

對一份價值在於其文字的文件來說，轉成 Markdown 通常能把 token 成本砍掉一大半還不止，往往達到 80% 或更多。這些節省並不神奇：你只是不再為傳送每一頁的圖片付費，而模型本來只需要文字。

當然，Markdown 並非字面意義上的免費。提取出的文字仍然要花 token。但那份文字成本本就是你無論如何都得付的底線。你去掉的，是疊在它上面那一摞逐頁圖片。

什麼時候該保留 PDF（別過度最佳化）

轉換是合理的預設選擇，而不是放之四海皆準的規則。當視覺排版本身就是重點時，請保留原始 PDF：

• 你確實需要模型讀懂的圖表和曲線。 如果含義就活在一張柱狀圖裡，那張圖片是在做真正的工作。
• 掃描件，也就是文字的圖片。MarkItDown 可以對它們做 OCR，但如果識別不太靠譜，模型自帶的視覺有時反而能更可靠地讀出這一頁。
• 複雜的視覺化表格或表單，其中位置與對齊承載著含義，而這些在 Markdown 裡會被壓平。
• 資訊圖和高度設計化的頁面，排版「就是」內容本身。

至於其餘的一切，也就是絕大多數文件，Markdown 都更勝一籌。

問題從來不是抽象的「PDF 還是 Markdown」。而是「模型是需要看這一頁，還是只需要讀它？」

不止 PDF：Word、Excel、PowerPoint，甚至 YouTube

同樣一行命令對你那一堆其餘文件也照樣管用。一份 Word 文件、一個電子表格、一套幻燈片、一個網頁，甚至一段 YouTube 影片的字幕，全都能以同樣的方式塌縮成乾淨的 Markdown：

markitdown deck.pptx -o deck.md
markitdown budget.xlsx -o budget.md
markitdown https://www.youtube.com/watch?v=VIDEO_ID -o transcript.md

如果你的工作流程就是經常從 Office 檔案或網頁裡抽取上下文再交給模型，那麼先把一切統一成 Markdown，是你能養成的最便宜、槓桿最高的習慣之一。

用 MarkItDown MCP 伺服器接入你的編碼代理

如果你和編碼代理一起工作，那就更妙了。MarkItDown 提供了一個官方的 MCP（Model Context Protocol）伺服器，於是你的代理可以在任務進行中自己轉換檔案，無需你手動跑任何東西。

安裝它，並透過 stdio 執行：

pip install markitdown-mcp
markitdown-mcp

該伺服器只暴露一個工具，convert_to_markdown(uri)，其中的 uri 可以是任何 http:、https:、file: 或 data: URI。給你的代理接上它一次，它就能按需抓取一份 PDF、一個電子表格或一個網頁並轉成 Markdown，全程付的是文字 token 的價錢，而不是視覺的價錢。

當你同時跑著不止一個代理時，這正是那種會產生複利效應的事情。在多代理駕駛艙 AgentsRoom 裡，你只需配置一次 MCP 伺服器，房間裡的每個代理都會繼承它。把你的參考文件轉成 .md，提交進程式碼儲存庫，每個代理就能在每一輪讀取廉價、結構化的文字，而不是把同一份 PDF 一次又一次地重新柵格化。讓單個會話保持輕盈的那套紀律，也能讓整支艦隊保持可負擔，而這在你並行執行編碼代理、且每個代理都在讀取你共享的上下文時，尤為重要。

它也自然契合優秀代理配置已經在用的上下文管理方式。如果你維護著一份 AGENTS.md 上下文檔案，讓它指向輕量的 .md 參考而非原始 PDF，就能讓上下文視窗保持緊湊，而正如我們在用金絲雀技巧捕捉上下文漂移一文中講過的，這在任何長會話裡都已經是成功的一半。

要點回顧

把原始 PDF 餵給 LLM，是一筆你在不知不覺中一直在繳的稅，因為每一頁都被悄悄轉成了圖片。MarkItDown 免費替你去掉這筆稅：一條命令就能把幾乎任何檔案變成乾淨的 Markdown，你甩掉最多 80% 的 token 成本，而模型回答得同樣好，往往更好，因為它讀的是結構，而不是眯著眼去辨認頁面圖片。

先轉換，再提問。你的 token 賬單和你的上下文視窗都會感謝你。

準備好把這套做法鋪到一整支代理團隊、而不只是一個終端上了嗎？下載 AgentsRoom，在提供商相容性矩陣裡看看每個代理支援什麼，並進一步瞭解多提供商支援。