Wie wandelt man PDFs in Markdown und JSON für KI-Agenten und RAG um?
In drei Schritten: das Dokument strukturiert auslesen (Text, Tabellen, Überschriften, Positionen), daraus Markdown für Fliesstext und JSON für feste Felder erzeugen, und das Ergebnis gegen das Original prüfen. Entscheidend ist, dass jedes Element seine Fundstelle behält – sonst kann später weder ein Mensch noch ein Agent eine Antwort belegen.
Markdown oder JSON?
Markdown eignet sich für Fliesstext und als Kontext für RAG-Systeme: Überschriften, Listen und Tabellen bleiben als Struktur erhalten. JSON eignet sich für feste Felder – Beträge, Daten, Parteien, Positionen – mit einem Schema, das Pflichtfelder und Datentypen festlegt. Oft braucht man beides.
Die Schritte
- Layout-Analyse und OCR: Text, Lesereihenfolge, Tabellen und Bilder erkennen.
- Struktur: Überschriften, Abschnitte, Listen und Tabellen als solche auszeichnen.
- Ausgabe: Markdown erzeugen, Felder gegen ein JSON-Schema auslesen.
- Herkunft: zu jedem Element Seite und Position mitschreiben.
- Prüfung: Vollständigkeit und Zahlen gegen das Original abgleichen.
Häufige Fehler
Tabellen landen als Fliesstext im Markdown. Kopf- und Fusszeilen wiederholen sich in jedem Abschnitt. Seitenumbrüche zerreissen Tabellen und Sätze. Und beim Aufteilen in Abschnitte für RAG geht der Bezug zur Überschrift verloren.
Werkzeuge
Es gibt Open-Source-Werkzeuge, die lokal laufen, und Cloud-Dienste für die Extraktion. Für vertrauliche Dokumente zählt vor allem, wo die Verarbeitung stattfindet – und ob am Ende geprüft wird, dass nichts fehlt. Siehe Vollständigkeit prüfen.