Große Sprachmodelle sind nur so gut wie der Text, den man ihnen gibt, und PDFs sind notorisch schlechter LLM-Input — Tabellen kollabieren, Spalten verschwimmen, die Lesereihenfolge gerät durcheinander und Struktur verschwindet. Die Konvertierung von PDFs in sauberes Markdown vor der Aufnahme ist einer der wirkungsvollsten Schritte in einer RAG-Pipeline (Retrieval-Augmented Generation). Warum und wie.
Warum PDFs LLM-Pipelines brechen
Ein PDF ist ein visuelles Layout, kein strukturiertes Dokument. Extrahiert man seinen Text naiv, bekommt man die Lesereihenfolge-Probleme, die RAG hasst: mehrspaltige Artikel quer statt herunter gelesen, Tabellen zu Kauderwelsch plattgedrückt, Seitenumbrüche zerschneiden Sätze. Embeddings, die auf diesem Text aufbauen, rufen die falschen Chunks ab. Die Lösung: Konvertierung in ein strukturiertes Format — Markdown — das Überschriften, Listen, Tabellen und logische Reihenfolge bewahrt, bevor man chunkt und embeddet.
Warum ausgerechnet Markdown
Markdown ist die Lingua franca des LLM-Inputs: Jedes große Modell ist darauf trainiert, es bewahrt Dokumentstruktur im Klartext (Überschriften, Listen, Tabellen, Code) und lässt sich trivial nach Überschriften chunken. Ein überschriftgesteuerter Chunker auf sauberem Markdown übertrifft jedes Mal Chunking mit fester Größe auf rohem PDF-Text. Siehe unseren kostenlosen PDF-zu-Markdown-Konverter.
Was gute PDF-zu-Markdown-Konvertierung bewahrt
- Überschriftenhierarchie — damit der Chunker nach Abschnitten aufteilen kann
- Tabellen — als Markdown-Tabellen, nicht als Platttext
- Listen und Lesereihenfolge — logische, nicht visuelle Reihenfolge
- Metadaten — den Titel, der nützlicher Kontext wird
Barrierefreiheit nicht vergessen — es ist dasselbe Problem
Hier die Einsicht: Was ein PDF für ein LLM gut macht, ist fast genau dasselbe, was es barrierefrei macht. Beides braucht echte Struktur — Überschriften, logische Lesereihenfolge, getaggte Tabellen, identifizierte Abbildungen. Ein auf PDF/UA-1 aufbereitetes PDF konvertiert auch sauber zu Markdown. Wenn Ihre Quelldokumente barrierefrei aufbereitet sind, bekommt Ihre RAG-Pipeline besseren Input geschenkt. Siehe PDF zu barrierefreiem HTML/Markdown.
Automatisierung im Mengenmaßstab (MCP)
Für Dokumentensammlungen konvertiert man nicht einzeln. Unser MCP-Server lässt KI-Agenten — Claude Code, Cursor, Codex — die Konvertierungs- (und Validierungs-/Aufbereitungs-)Werkzeuge direkt aufrufen, sodass ein Agent einen ganzen Ordner als Teil einer Pipeline aufnehmen, konvertieren, validieren und reparieren kann. Einrichtung in wenigen Minuten; siehe die MCP-Einrichtungsanleitung.
Ausprobieren
Werfen Sie ein PDF in den Markdown-Konverter und prüfen Sie die Ausgabe gegen das Original — wenn die Struktur überlebt hat, werden Ihre Embeddings es auch. Kostenlos, kein Konto.