כששולחים PDF ל-Claude דרך ה-API, התיעוד של Anthropic מסביר שכל עמוד מומר לתמונה, והטקסט של העמוד נשלף ונשלח לצידה. הטקסט לבדו עולה בדרך כלל 1,500 עד 3,000 טוקנים לעמוד, והתמונה מחויבת בנוסף לפי כללי התמונות הרגילים. במסמך שרובו טקסט, החלק של התמונה לרוב לא מוסיף הרבה. MarkItDown הוא דרך פשוטה לוותר עליו.
מה זה
MarkItDown הוא כלי Python בקוד פתוח של Microsoft, ברישיון MIT, שממיר קבצים ל-Markdown לשימוש עם מודלי שפה. הוא שומר על המבנה: כותרות, רשימות, טבלאות וקישורים. לריפו יש כבר יותר מ-190 אלף כוכבים ב-GitHub.
מה הוא יודע לעשות
- להמיר קבצי PDF, Word, PowerPoint ו-Excel.
- לטפל ב-HTML, CSV, JSON, XML, קבצי ZIP, ספרי EPUB וקישורי YouTube.
- לשלוף מטא-דאטה וטקסט (OCR) מתמונות, ולתמלל דיבור מקבצי אודיו.
- לעבוד כפקודה בטרמינל או כספריית Python. באותו ריפו יש גם חבילת markitdown-mcp לחיבור לסוכנים שתומכים ב-MCP.
איך מנסים
- מוודאים שמותקן Python בגרסה 3.10 ומעלה.
- מתקינים עם pip install 'markitdown[all]', או בוחרים רק את הפורמטים הדרושים, למשל markitdown[pdf, docx].
- ממירים קובץ: markitdown report.pdf -o report.md.
- פותחים את קובץ ה-Markdown, בודקים שהטבלאות והכותרות עברו כמו שצריך, ונותנים ל-Claude את הקובץ הזה במקום המקור.
- ב-Claude Code אפשר להוסיף שורה לקובץ CLAUDE.md של הפרויקט שמבקשת להמיר מסמכים עם MarkItDown לפני הקריאה.
מגבלות ונקודות לתשומת לב
- הוויזואליה הולכת לאיבוד. גרפים, תרשימים, עמודים סרוקים בלי שכבת טקסט וטפסים שבהם המיקום חשוב, עדיף לשלוח כ-PDF מקורי, כי Claude קורא אותם מתמונות העמודים.
- Microsoft מציינת שהפלט מיועד למכונות, ולא להפקת מסמכים מדויקים לקוראים אנושיים.
- MarkItDown רץ עם ההרשאות של המשתמש שלכם. כדאי להיזהר בהמרת קבצים ממקורות לא מוכרים.
- החיבור האופציונלי ל-Azure Document Intelligence מחויב לפי קריאה.
- החיסכון תלוי במסמך. אפשר להשתמש בספירת הטוקנים של Anthropic כדי להשוות בין ה-PDF לגרסת ה-Markdown על הקבצים שלכם.
למי זה מתאים
לכל מי שמזינים ל-Claude חוזים, דוחות, מאמרים או גיליונות באופן קבוע, ולמפתחים שבונים תהליכים שמעבירים הרבה מסמכים למודל. מי שנתקלים לעיתים קרובות במגבלת הקשר או בתקרת טוקנים, זו התקנה של חמש דקות שכדאי לבדוק.
פרומפטים מוכנים לעבודה עם מסמכים מחכים ב-masterphub.io.
Sources: microsoft/markitdown on GitHub; Anthropic docs: PDF support.
