Elysia Tools
Навигация
Workflow Playbook
Преобразуйте PDF в чистые, безопасные и цитируемые входные данные для LLM, эмбеддингов, поиска и RAG.
Темы
PDF почти никогда не является чистым входом для LLM по умолчанию. В нем могут быть сканы, повторяющиеся колонтитулы, юридические правки, скрытые слои, таблицы, подписи или страницы, не относящиеся к базе знаний. Этот workflow делает риски проверяемыми.
Используйте encrypted-pdf-converter только при наличии прав, затем ограничьте корпус через pdf-page-range-extractor. Выбор страниц не дает обложкам, приложениям и повторяющимся формам искажать embeddings и цитаты.
Для сканов pdf-ocr-text-layer и scanned-pdf-ocr-to-markdown превращают визуальные страницы в searchable text. Для цифровых PDF проверьте семантику через tagged-pdf-inspector и pdf-to-json-structure-explorer, затем экспортируйте Markdown, таблицы и подписи.
Перед векторной базой удалите шум через pdf-header-footer-noise-remover, проверьте зачеркнутые фрагменты через pdf-strikethrough-review-extractor и найдите скрытый текст через pdf-prompt-injection-scanner. Только затем используйте pdf-to-clean-text-for-llm или pdf-rag-chunker-citation-pack.
Руководство по рабочему процессу
Открывайте защищенные файлы только при наличии прав, выбирайте нужные страницы и не отправляйте в контекст модели лишние приложения, обложки или формы.
Добавьте или проверьте OCR-слой, затем экспортируйте OCR-backed Markdown, если документ состоит из изображений или скопированный текст ненадежен.
Сравните tagged PDF со структурой по макету, изучите метаданные узлов и извлеките Markdown, таблицы и подписи к изображениям для LLM.
Удалите повторяющиеся элементы страниц, проверьте зачеркнутый текст и просканируйте скрытое или вынесенное за страницу содержимое перед доверием к извлечению.
Экспортируйте чистый текст для резюме или соберите чанки по заголовкам с номерами страниц, координатами и метаданными цитирования для retrieval-систем.
Если файл защищен, отсканирован или не имеет надежного текстового слоя, сначала используйте инструменты доступа и OCR; иначе начните с проверки структуры и конвертации.
Чистого текста достаточно для резюме и черновиков. Для RAG нужно сохранять страницы, заголовки, таблицы, подписи, координаты и результаты проверки безопасности.