Markdown 为什么会流行？

你把一份起诉状、合同或庭审笔录丢给Claude，结果它能大致看懂意思，但是token消耗量巨大，很快上下文就满了，然后你还要接受压缩后的信息，会造成很多信息失去细节。

对法律工作来说，这是致命的。

但问题不在模型，在格式。

PDF是打印格式。它擅长保留页面外观，但标题、条款、表格、脚注、页眉页脚，在PDF内部只是一个个摆在不同坐标上的文本块。人类阅读没问题，模型拿到这堆东西，只能挣扎着猜哪些是正文、哪些是版式噪音。

所以更实用的工作流不是”把PDF发给Claude”，而是”先转成Markdown，再让Claude分析”。

实际上我现在，从来不用word写内容了，都是使用Markdown。

为什么AI特别喜欢读Markdown

Markdown有一个根本优势：打开来全是纯文字，没有隐藏数据。

Word文档和PDF在文件内部存着大量人眼看不见的东西——字体定义、颜色代码、页面坐标、修订历史。模型拿到这类文件，要先把这些东西过滤掉才能接触真正的内容，而不同文档的格式结构差异很大，过滤效果时好时坏。

Markdown不存在这个问题。标题是#号加文字，加粗是两个星号，就这些。模型从第一个字符开始就在处理内容，不需要先猜格式。

还有token的问题。同样一份合同，直接丢给Claude，解析时出来的文本往往夹带大量空格、换行符和乱码，耗费token数可能是Markdown版本的几十倍。Markdown更紧凑，同样大小的上下文窗口能装进更多实质内容，Claude读得更准，费用也更低。

法律人的文书革命，就是把所有材料底层转为Markdown

在动手之前，先看一眼Markdown长什么样，以及转换完的法律文书会有什么结构。

Markdown只有几个符号，法律人用到的大概是这几种：

#号代表标题层级，一个#号是文书名称，两个是主要章节，三个是子项。Claude读到# 号就明白这是新的层级，不会把”第一部分”当成正文段落。

空一行是分段，效果和Word里敲回车一样，但文件里没有任何格式符号夹进来。

横杠开头是无序列表，数字加点是有序列表。证据清单、诉讼请求事项，转完通常都变成列表，结构一目了然。

竖线和横杠拼出来的是表格。借贷合同里的还款计划、证据目录里的编号与说明，转成Markdown表格之后，Claude可以直接按列提问，比平铺成段落灵活得多。

一份起诉状转成Markdown之后，大致是：一级标题是文书名，二级标题是”诉讼请求”、”事实与理由”、”证据目录”，每节下面是段落或列表。Claude拿到这份文件，就像拿到了一份已经整理好目录的电子卷宗，想问哪节直接说，不需要它自己去翻。

转换第一层：markitdown，把文字版文书转成Markdown

markitdown 是微软出品的开源CLI（什么是CLI，我在法律人学Claude｜第七期：给Claude装上”外挂”——CLI与MCP工具使用指南中讲过）工具，支持PDF、Word、Excel、PPT转Markdown。

手里是文字版PDF（鼠标能选中文字的那种）、Word、Excel，先用它。告诉Claude”把这份文件转成Markdown”，Claude会直接调用工具帮你完成，不需要自己敲命令。

转换完之后开一眼生成的Markdown文件，确认诉讼请求、事实与理由、证据清单各部分层级是否清晰。

转换第二层：ocrmypdf，给扫描件补一层”可搜索文字”

真正麻烦的是扫描件。

很多卷宗材料、银行流水、送达回证，看着是PDF，里面其实只是图片装进了PDF壳里。对这类文件，最有效的第一步是先用传统OCR给它补一层隐藏文字层，开源方案里我认为比较成熟的是 ocrmypdf。

效果类似Acrobat的”识别文字”：页面外观不变，PDF内部多出一层可搜索、可复制的文字。处理完可以直接全文检索，也可以继续交给 markitdown 转Markdown。

扫描清晰的法律文书识别效果通常不错。处理完重点核对金额和日期，这两个地方识别出问题影响最大。

转换第三层：两个工具串起来用

实际用下来，这两个工具是前后接力的关系。

扫描件先过 ocrmypdf 补文字层，得到带文字的新PDF，再用 markitdown 转Markdown。

分工很清楚：ocrmypdf 认字，markitdown 整结构，Claude最后只管分析内容。

比把所有任务都甩给模型，让他自己找工具，链路更可控，出了问题也知道在哪一层出的。

让你的Claude学会这些工具链路

文中涉及的工具链，我整理了一份专门写给Claude看的配置清单——安装命令、用法示例、决策规则都打包在里面。把那份文档内容复制给Claude，它会帮你装好所有工具，并记住什么情况下用哪个，下次遇到文书转换不需要再重新解释。

需要的话，后台发送“转换Markdown”，我把文件发给你。

markitdown-ocr：另一条更直接但有风险的路

markitdown 也有OCR插件，叫 markitdown-ocr。不先补文字层，直接让视觉模型看页面图像，一步转出Markdown。

省事是省事，但这个路线有个明显的毛病：视觉模型容易”改写”，把表单里的内容变成它觉得更通顺的自然语言，而不是老老实实照着原文打出来。合同条款、票据金额这类不容有误的内容，这个问题很要命。

另外，这个插件调用的是OpenAI的视觉API，图像会发到OpenAI服务器（有风险），需要提前配好 OPENAI_API_KEY。

结构清晰的文档需要忠实转录，走 ocrmypdf。只是想快速试一把，markitdown-ocr 也行，但要核对结果。

Gemini 图像识别：处理复杂版面的备选

低清扫描件、印章叠压、表格密集的材料，Gemini视觉OCR可以作为补救手段，它真的很强大，手写体文字也能忠实还原。

但Gemini识别图片，token消耗、时间浪费都是一项不小的开支，不建议直接让Gemini从头识别全文，只做关键部分的识别就可以。

这里就不放例子了，我自己试了试，效果惊人，但不敢乱用。

一条适合法律人的完整链路

文字版文件先 markitdown，扫描件先 ocrmypdf 再 markitdown，材料杂乱、OCR质量不够时让视觉模型做校对。核心不是某个工具有多厉害，而是每一步各做各的事，不要什么都往模型那里推。

工具本身不复杂，麻烦的是第一次装好、跑通。跑通之后，拿到Markdown格式的案件材料，再让Claude做检索、摘要、争点归纳，你会发现质量和之前直接丢PDF完全不一样。

常见问题

Q：文字版PDF还需要先OCR吗？

A：一般不用，按照我提供的转换Markdown工具来看，会直接 markitdown 试一次，如果导出的Markdown明显为空，或者字段顺序乱得没法看，会考虑先走 ocrmypdf。

Q：为什么有了OCR文字层，转出来还是有错字？

A：OCR认的是图像，识别是一回事，理解是另一回事。扫描倾斜、阴影、印章叠压、表格线干扰，都会影响准确率。原件扫得清，问题就少很多。

Q：CLI命令一定要自己学会吗？

A：命令本身不需要背，但知道每一步在做什么很重要。全部交给Claude执行，你理解了流程才能判断结果对不对。出问题的时候，不理解流程就完全没有排查的方向。

Q：有好用的Markdown转换word或PDF工具吗？

A：我在法律人学Claude｜第五期：让Claude用上次抛App——Skills初解中提过，minimax-docx这个工具，可以定制自己的格式，后面可以再深入的分享一下。