AI 是怎麼讀你的 PDF 的（以及為什麼可擷取的文字很重要）

你把一份 PDF 貼進一個 AI 工具，請它做摘要。有時你會得到一個漂亮的答案。有時你得到的是一堆胡言亂語，或是一句乾巴巴的「我無法讀取這個檔案」。同一個工具，同一個提示。差別幾乎從來不在 AI，而在那份 PDF。

PDF 不一定是它看起來的樣子

把兩份 PDF 並排打開，它們在螢幕上可能看起來一模一樣。但在底層，它們可能是用兩種截然不同的方式建構的。

其中一份有一層文字層。它是從文件編輯器、瀏覽器、開立發票的應用程式，任何數位來源匯出的。字母是以字元的形式儲存。檔案知道「總計」這個詞位在右下角。你可以選取它、複製它、搜尋它。

另一份則是一張頁面的圖片。某人掃描了一張紙，或用手機拍了一張照片，再把那張影像存進 PDF 裡。你的眼睛讀起來沒問題。但對軟體來說，那是一格格排成字母形狀的像素，裡面沒有任何字母。沒有東西可以選取。沒有東西可以搜尋。

快速測試：把游標拖過一個詞。如果它被反白，文字就是真的。如果你得到的是覆蓋整頁的一個方框，像是你抓住了一張圖片，那你手上的就是一份掃描檔。

AI 實際看到的是什麼

這正是人們忽略的部分。大多數語言模型讀一份 PDF 的方式，是把它的文字層抽出來。那是又便宜、又快、又準確的路徑，也是很多工具預設執行的那條。如果文字層在那裡，模型就會拿到乾淨的字詞，給你一個好答案。

如果沒有文字層，模型從那條路徑什麼也得不到。一張合約的照片交給它的是零個字元。有些工具接著會退而求其次，把影像送進視覺模型來跑，這可能有用，但它比較慢、成本比較高，而且對亂糟糟的掃描檔只能用猜的。許多工具則直接跳過這個備援，乾脆告訴你檔案是空的。

所以一個 AI 對你 PDF 所給答案的品質，往往歸結到一件事：是有真正的文字可讀，還是模型只能對著一張圖片瞇眼猜。

搜尋引擎做的是同一件事

這不只是 AI 的問題。當搜尋引擎為你網站上的一份 PDF 建立索引時，它讀的是文字層。一份沒有文字層的掃描型手冊，對它來說幾乎是隱形的。那個頁面可能什麼關鍵字都排不上，因為沒有東西可以索引。一份有可選取文字、有標題、有合理閱讀順序的 PDF，會被正確地建立索引，而且當有人搜尋它裡面的內容時，它真的有機會出現。

螢幕報讀軟體靠的是同一層。一位失明的使用者執行輔助軟體時，聽到的是 PDF 所揭露的文字。一張純影像什麼也不揭露，所以它讀出來的是一片寂靜。有結構的真正文字，才是讓這份文件對使用螢幕報讀軟體的人、以及對大規模讀取它的機器都行得通的東西。同一個解法，兩種受眾。

「做得好」是什麼意思

一份能被 AI、被搜尋、被螢幕報讀軟體好好讀取的 PDF，往往具備三樣東西。

真正、可選取的文字。 原生數位（born-digital）的檔案本來就有。掃描檔沒有，直到你把它修好為止。

結構。 標題被標記為標題、有合乎邏輯的閱讀順序、表格真的是表格。這就是讓模型和螢幕報讀軟體能跟著文件走、而不是面對一堵零散字詞之牆的關鍵。

歷久不變。 一份 PDF/A 檔案會內嵌自己的字型並去除外部相依，所以多年以後、在還不存在的軟體裡，文字仍然可以被擷取。適合存檔，也適合任何你希望機器日後仍能讀取的東西。

怎麼修一份 PDF 好讓 AI 讀它

如果你的檔案是原生數位，而且你已經能選取文字，那就完成了。它會讀得很好。只有當文字被困在影像裡時，工作才真正開始。

對一份掃描文件，執行 OCR。光學字元辨識會檢視那張圖片、找出字母的形狀，再把真正的文字寫回 PDF 裡，藏在影像後面你看不到的地方。頁面看起來一模一樣。歪斜的角度和那個咖啡漬都還在。但現在底下有了一層文字，所以 AI 能讀它、搜尋能索引它、螢幕報讀軟體能唸出它。你可以用 OCR PDF 工具 做這件事。

如果你只是需要把一份 PDF 裡的文字抽出來，貼進一個模型、一封電子郵件或一個筆記應用程式，那就直接用 擷取 PDF 文字工具 把文字拉出來。你會得到純文字形式的內容，隨時可以交給任何需要它的東西。

兩者都在你的瀏覽器裡、在 reader.me 上運作。PDF 從不會被上傳。這一點在這裡比平常更要緊，因為人們最想讓 AI 讀的那些文件，正是私密的那些。合約、醫療信函、對帳單，任何印著姓名和號碼的東西。為了讓它們變得機器可讀，就把它們送到別人的伺服器上，這是一筆奇怪的交易。在 reader.me 上你可以跳過這一步。頁面完成工作，而檔案留在你的機器上。

簡短版

AI 與搜尋並不像你那樣看你的 PDF。它們讀的是它的文字層。如果那一層存在，你會得到好答案和恰當的索引。如果它不存在，你得到的是猜測或寂靜。原生數位的檔案本來就有它。掃描檔需要 OCR。無論哪一種，修起來都只要一分鐘，而在 reader.me 上，這件事完成時，你的檔案從不曾離開你的手中。