Elysia Tools
Navegación
Workflow Playbook
Convierte PDFs en entradas limpias, seguras y citables para resumen con LLM, embeddings, busqueda y RAG.
Temas
Un PDF rara vez es una entrada limpia para LLM por defecto. Puede incluir paginas escaneadas, encabezados repetidos, marcas legales, capas ocultas, tablas, pies de imagen o paginas que no pertenecen a la base de conocimiento. Este flujo ordena esos riesgos para que la entrada final sea revisable.
Usa encrypted-pdf-converter solo con autorizacion y reduce el trabajo con pdf-page-range-extractor. Limitar paginas evita que portadas, anexos y formularios repetidos distorsionen embeddings y citas.
Para documentos escaneados, pdf-ocr-text-layer y scanned-pdf-ocr-to-markdown convierten paginas visuales en texto buscable. Para PDFs digitales, inspecciona semantica con tagged-pdf-inspector y pdf-to-json-structure-explorer, y despues exporta Markdown, tablas y pies de imagen.
Antes de escribir en una base vectorial, quita ruido con pdf-header-footer-noise-remover, revisa tachados con pdf-strikethrough-review-extractor y usa pdf-prompt-injection-scanner para texto oculto o fuera de pagina. Luego genera texto LLM con pdf-to-clean-text-for-llm o datos citables con pdf-rag-chunker-citation-pack.
Guía de flujo de trabajo
Abre archivos protegidos solo con autorizacion, selecciona las paginas necesarias y evita enviar anexos, portadas o formularios irrelevantes al contexto del modelo.
Agrega o verifica una capa OCR y exporta Markdown con OCR cuando el documento sea principalmente visual o el texto copiado no sea fiable.
Compara estructura etiquetada con heuristicas de maquetacion, explora metadatos de nodos y extrae Markdown, tablas y pies de imagen utiles para el LLM.
Elimina elementos repetidos de pagina, revisa texto tachado que pueda ser relevante y escanea contenido oculto o fuera de pagina antes de confiar en la extraccion.
Exporta texto limpio para resumen o genera fragmentos por encabezado con referencias de pagina, cajas y metadatos de cita para sistemas de recuperacion.
Usa primero las herramientas de acceso y OCR si el documento esta protegido, escaneado o no tiene una capa de texto fiable; si no, empieza por inspeccion y conversion estructural.
El texto limpio basta para resumen y redaccion; la ingestion RAG debe conservar paginas, encabezados, tablas, pies de imagen, cajas y hallazgos de seguridad.