既然有多模态功能，如何用 Gemini 识别并转换一整本扫描版 PDF？
低效能人士的七个习惯
我读书读得很凶的那段时间，买过一个 APP 的会员，不是月度的，一直用到现在。APP 叫“白描”，拍照识别文字内容（又称 OCR，“光学字符识别”），方便用来做书摘。
你能感觉技术日臻成熟，软件也更好用了。
但还是有瑕疵。
——标点识别出来会有些问题，比如省略号经常识别成独立的几个点，还往往不是六个。
——断句很奇怪，不是按照图中的分段来的，要么勤得像现代诗人，要么懒得像萨拉马戈。
这些都是小问题，后来有些需求就无法满足了。
——有些电子书很难找到，只有扫描版的 PDF 文件（就算不错了），如果要放进 6 寸阅读器，字就会很小，这该怎么办呢？
正解是换一个大一些的电子书，但我的解法比较经济，是找了裁切 PDF 的工具，但在阅读器上看还是很别扭，如果要做笔记也没法直接划线，还是要用“白描”。
怪不得一直用到现在。
后来白描有了网页版，可以导入 PDF，之后就变成面板中的一张张图片，可以批量识别。
看上去很美，用起来很是麻烦。
一是一次最多转换 50 页，你需要用 Acrobat 之类的 PDF 编辑软件预处理一番。二是不能像书摘一样单独选择识别范围，所以识别出来的内容往往包含页眉页脚，分页处也自然被截成了两段，你需要比照着 PDF 文件，用肉眼做一些后处理……那为什么不直接读 PDF 呢？
等待一个什么
说来也怪，我没有找其他更好用的 OCR 软件。不是没有，只是没有去找。一直等到多模态大模型成熟，等到人们习以为常，我才想起那些 PDF 来。
前些日子看到一段 “元提示词”，沟通几轮、实操几轮之后，添加了繁转简、统一标点和识别公式等功能。最终得到了这样的 OCR 任务提示词：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| 请处理我上传的PDF文件，本次任务只专注于 **[在此处填写章节名称或编号]** 的内容，并将其精确地转换为Markdown格式。
在转换过程中，必须严格遵守以下规则：
1. **范围限定：** 仅提取并转换指定章节的内容。忽略文件中的其他所有部分。
2. **内容忠实：** 除了执行必要的繁简与标点转换外，绝不概括、增加或删除原文的任何句子或段落。
3. **繁体转简体：** 智能判断原文语种。如果原文是繁体中文，请在转换格式的同时，将所有文字内容平滑地转换为简体中文。
4. **统一中文标点：** 如果文本主要是中文，请将所有英文标点符号转换为对应的中文全角标点符号（此规则不适用于代码块和公式）。
5. **清理页面元素：** 删除所有页码、页眉和页脚。
6. **合并断裂段落：** 将因分页符而断开的句子和段落连接起来。
7. **精确格式化：** 将原文的所有格式（如标题、列表、粗体、斜体、引用、脚注、数学公式等）准确转换为标准的GitHub Flavored Markdown。**特别注意**：任何数学对象必须转换为LaTeX格式（行内用`$...$`，块级用`$$...$$`），并确保代码块和表格被正确格式化。
8. **保留诗歌格式：** 如果原文中包含诗歌，请在转换时保持其特有的断句和格式不变。
请开始处理指定的章节。
|
是的，我因为输出长度的关系放弃了“一镜到底”，转而选择按照书中的章节输出。一般情况下，大模型可以完整输出一章的文字。事实上有些书从头到尾就是一段，不过我还没碰上，就没考虑这些极端案例。
还要注意，我是在 Google AI Studio 用的 Gemini 2.5 Pro 模型，把模型温度设为 $0.2$（机械性任务的温度应该设置得低一些），然后关闭联网，不让摸鱼。
以下是几个案例：
1️⃣ 扫描比较清楚的简体书：经过浏览我没有看出需要编辑的地方。
2️⃣ 扫描比较清楚的竖排繁体书：截图内容里，大模型做了两次“同义替换”。其实这是一个缺点，你很难看出大模型改动了哪里，像一些译者所做的事。
3️⃣ 扫描不太清楚的繁体书：找到了大模型的能力边界——如果是“老派扫描”，模型看不清就是看不清，提示词再好也白搭。另外，前面提到的缺点变得更明显了，就像高明的厨师能做得你尝不出老鼠屎来。
4️⃣ 公式很多的书：你能看到公式的细节有些变化，我同样标红了。另外，公式多的书往往也有很多插图，今天讲到的方法对此完全无效。
5️⃣ “闪灵”问题。
实验中几次出现了“结巴”，根据我的臆测，一种是由于上文内容太多，此时新开窗口可以解决。
另一种则是文本本身的问题，比较接近“贯口”，比如董启章的《繁胜录》（作者在后记里说“用顿号写成的小说”），有的章节开新窗口也不管用。
这说明，不练贯口就上台容易结巴。
立等不可取
为了解决顿号密集的那一章内容，我突发奇想用 Gemini CLI 尝试，结果一次就完成了转换。具体原理不清楚，但应该说明窗口式 AI 和 Agent 智能体 AI 的处理逻辑有所不同。
其实，用上 Agent 之后很多操作是可以简化的。我不需要自己在对话窗口中复制粘贴，直接让 Agent 写入文件就可以。我也不用在章节转换之间，说一句承上启下的“请继续下一章”，让 Agent 先自己列一个“待办清单”不就行了吗？
于是，我新建了一个文件夹 OCRWorkShop，里面包含待转换的 PDF 文件 BOOK.pdf 和提示词文件 GEMINI.md：
1
2
3
| OCRWorkShop/
├── BOOK.pdf
└── GEMINI.md
|
提示词是这样写的：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
| ## 待办清单
- [ ] 请在此更新待办清单
## 全书分章操作
请处理我上传的PDF文件：
1. 将PDF的目录列写为markdown格式的 `待办清单`；
2. 按照清单顺序，执行 `章节具体操作`；
3. 执行完成后，在 `待办清单` 中进行标记，并顺序执行下一章节，不需要用户提醒；
4. 根据清单顺序，使用shell的 `copy` 命令将各章markdown文件合并成一个，例如 `copy 文件1.md + 文件2.md + 文件3.md 合并文件.md`。
格式示例：
- [x] 第一章 酒樓之城
- [x] 第二章 小食之城
- [ ] 第三章 傀儡之城
## 章节具体处理
请处理我上传的PDF文件，每次任务只专注于指定章节的内容，并将其精确地转换为markdown格式。注意：每章内容存入独立的markdown文件中。
在转换过程中，必须严格遵守以下规则：
1. **范围限定：** 仅提取并转换指定章节的内容。忽略文件中的其他所有部分。
2. **内容忠实：** 除了执行必要的繁简与标点转换外，绝不概括、增加或删除原文的任何句子或段落。
3. **繁体转简体：** 智能判断原文语种。如果原文是繁体中文，请在转换格式的同时，将所有文字内容平滑地转换为简体中文。
4. **统一中文标点：** 如果文本主要是中文，请将所有英文标点符号转换为对应的中文全角标点符号（此规则不适用于代码块和公式）。
5. **清理页面元素：** 删除所有页码、页眉和页脚。
6. **合并断裂段落：** 将因分页符而断开的句子和段落连接起来。
7. **精确格式化：** 将原文的所有格式（如标题、列表、粗体、斜体、引用、数学公式等）准确转换为标准的GitHub Flavored markdown。**特别注意**：任何数学对象必须转换为LaTeX格式（行内用$...$，块级用$...$），并确保代码块和表格被正确格式化。
8. **保留诗歌格式：** 如果原文中包含诗歌，请在转换时保持其特有的断句和格式不变。
请开始处理指定的章节。
|
待办清单，实现任务自动化。各章节独立文件，防止 Agent 把“写入”变成“替换”（真的会发生）。还能怎么提升效率，多 Agents 并行运算？
不管了，做午饭的工夫，全自动完成了一本书的转换。
很满意……我也是后来发现有漏转换章节，才没那么满意的。
Agent 确实吸引人，既全自动又不需要自己编程。但问题也很突出，有一种智力是不可再生资源，但在任务中却始终均等挥霍的感觉，眼瞅着越来越傻，简直是衰老的隐喻。
另一个问题是慢。怎么能和我做饭一样慢呢？
前面说的窗口式 AI，你虽然腾不出手来，但完成任务能快上不少，哪怕同样使用思考模型。
也许是我等得还不够，Agent 还得再等等。
小结
模型配置：
- 网站：Google AI Studio
- 型号：Gemini 2.5 Pro
- 温度：0.2
- 联网：关闭
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| 请处理我上传的PDF文件，本次任务只专注于 **[在此处填写章节名称或编号]** 的内容，并将其精确地转换为Markdown格式。
在转换过程中，必须严格遵守以下规则：
1. **范围限定：** 仅提取并转换指定章节的内容。忽略文件中的其他所有部分。
2. **内容忠实：** 除了执行必要的繁简与标点转换外，绝不概括、增加或删除原文的任何句子或段落。
3. **繁体转简体：** 智能判断原文语种。如果原文是繁体中文，请在转换格式的同时，将所有文字内容平滑地转换为简体中文。
4. **统一中文标点：** 如果文本主要是中文，请将所有英文标点符号转换为对应的中文全角标点符号（此规则不适用于代码块和公式）。
5. **清理页面元素：** 删除所有页码、页眉和页脚。
6. **合并断裂段落：** 将因分页符而断开的句子和段落连接起来。
7. **精确格式化：** 将原文的所有格式（如标题、列表、粗体、斜体、引用、脚注、数学公式等）准确转换为标准的GitHub Flavored Markdown。**特别注意**：任何数学对象必须转换为LaTeX格式（行内用`$...$`，块级用`$$...$$`），并确保代码块和表格被正确格式化。
8. **保留诗歌格式：** 如果原文中包含诗歌，请在转换时保持其特有的断句和格式不变。
请开始处理指定的章节。
|
或者直接使用 GeminiCLI，GEMINI.md 文件内容如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
| ## 待办清单
- [ ] 请在此更新待办清单
## 全书分章操作
请处理我上传的PDF文件：
1. 将PDF的目录列写为markdown格式的 `待办清单`；
2. 按照清单顺序，执行 `章节具体操作`；
3. 执行完成后，在 `待办清单` 中进行标记，并顺序执行下一章节，不需要用户提醒；
4. 根据清单顺序，使用shell的 `copy` 命令将各章markdown文件合并成一个，例如 `copy 文件1.md + 文件2.md + 文件3.md 合并文件.md`。
格式示例：
- [x] 第一章 酒樓之城
- [x] 第二章 小食之城
- [ ] 第三章 傀儡之城
## 章节具体处理
请处理我上传的PDF文件，每次任务只专注于指定章节的内容，并将其精确地转换为markdown格式。注意：每章内容存入独立的markdown文件中。
在转换过程中，必须严格遵守以下规则：
1. **范围限定：** 仅提取并转换指定章节的内容。忽略文件中的其他所有部分。
2. **内容忠实：** 除了执行必要的繁简与标点转换外，绝不概括、增加或删除原文的任何句子或段落。
3. **繁体转简体：** 智能判断原文语种。如果原文是繁体中文，请在转换格式的同时，将所有文字内容平滑地转换为简体中文。
4. **统一中文标点：** 如果文本主要是中文，请将所有英文标点符号转换为对应的中文全角标点符号（此规则不适用于代码块和公式）。
5. **清理页面元素：** 删除所有页码、页眉和页脚。
6. **合并断裂段落：** 将因分页符而断开的句子和段落连接起来。
7. **精确格式化：** 将原文的所有格式（如标题、列表、粗体、斜体、引用、数学公式等）准确转换为标准的GitHub Flavored markdown。**特别注意**：任何数学对象必须转换为LaTeX格式（行内用$...$，块级用$...$），并确保代码块和表格被正确格式化。
8. **保留诗歌格式：** 如果原文中包含诗歌，请在转换时保持其特有的断句和格式不变。
请开始处理指定的章节。
|
25/09/07
