Elysia Tools
Navigation mobile
Workflow Playbook
Transformer des PDF en entrees propres, sures et citables pour resume LLM, embeddings, recherche et RAG.
Dossiers
Un PDF n'est presque jamais une entree LLM propre par defaut. Il peut contenir des pages scannees, en-tetes repetes, annotations juridiques, couches cachees, tableaux, legendes ou pages inutiles pour la base de connaissance. Ce flux rend ces risques auditables.
Utilisez encrypted-pdf-converter seulement avec autorisation, puis reduisez le corpus avec pdf-page-range-extractor. Un bon cadrage evite que couvertures, annexes ou formulaires repetes perturbent embeddings et citations.
Pour les scans, pdf-ocr-text-layer et scanned-pdf-ocr-to-markdown transforment les pages visuelles en texte cherchable. Pour les PDF numeriques, inspectez la semantique avec tagged-pdf-inspector et pdf-to-json-structure-explorer, puis exportez Markdown, tableaux et legendes.
Avant la base vectorielle, retirez le bruit avec pdf-header-footer-noise-remover, revoyez les textes barres avec pdf-strikethrough-review-extractor et cherchez les contenus caches avec pdf-prompt-injection-scanner. Ensuite seulement, utilisez pdf-to-clean-text-for-llm ou pdf-rag-chunker-citation-pack.
Guide de workflow
Ouvrir les fichiers proteges autorises, selectionner les seules pages utiles et eviter d'envoyer annexes ou couvertures inutiles dans le contexte du modele.
Ajouter ou verifier une couche OCR, puis exporter du Markdown base sur l'OCR lorsque le document est surtout image ou que le texte copie est peu fiable.
Comparer la structure taguee aux heuristiques de mise en page, explorer les noeuds et extraire Markdown, tableaux et legendes utiles au LLM.
Supprimer les elements repetes, examiner le texte barre potentiellement important et scanner le contenu cache ou hors page avant de faire confiance a l'extraction.
Exporter du texte propre pour le resume ou produire des chunks par titres avec references de page, boites et metadonnees de citation.
Traitez d'abord l'acces et l'OCR si le document est protege, scanne ou sans couche texte fiable ; sinon commencez par l'inspection et la conversion structurelle.
Un texte propre suffit pour resumer ou rediger ; une ingestion RAG doit garder pages, titres, tableaux, legendes, boites et constats de securite.