八月最后一周，开学进入倒计时，研一的开始清导师甩来的一箱子文献，分析师开始啃半年报公告，律所的在把纸质合同一页页拍成PDF。几乎同一时间，各个平台涌进来的是同一种抱怨：AI读文档，读不对。
这轮我把小红书、知乎、B站、微博近大半年攒下的相关帖子翻了一遍——从955赞的《我被扫描版PDF折磨后，终于解脱了》，到1892收藏的《喂AI之前，先把PDF洗干净》，再到8月26日知乎那篇戳中财报党的《公告是PDF，AI读不了》——发现绝大多数人以为的"AI幻觉"、“被降智”，其实发生在模型读到字之前：文件在"门口"就被解析坏了。证据很直接：知乎那篇《PDF直接丢给AI，到底划不划算？》写得很清楚，同一个PDF上传后，不同产品走的解析路线完全不同，有的只提取文件里的数字文本，有的走视觉模型。知乎入口不一样，结果自然不一样。
所以"AI读文档翻车"要先分诊，再谈要不要花钱。三种病，病根不同，药也不同。
病一：根本没读到——图片型PDF没有"文字层"
典型症状：AI直接回你"读不了这个文件"，或者吐出一堆和原文对不上的乱码摘要。
中招最狠的是扫描版和拍照件。小红书那篇955赞的吐槽帖描述得很典型：打开能看、能翻页，就是不能复制、不能搜索、页眉页脚乱飞——因为它本质上是一摞图片，没有文字层。小红书密码文件同理，知乎上讨论国自然评审的那个回答被顶了很多评论：每个本子PDF打开都要输密码，丢给AI根本读不了。
自查只要10秒：在PDF里试着拖选文字，选不动，基本就是图片型。这时候模型再聪明也没用——喂进去的就是空的。解法是先过一道OCR，把文字层"还给"文件，再交给AI。
病二：读到了，但是"脏读"——版面被压扁
这种最阴险：AI读进去了，于是你放松了警惕，但表格错列、双栏串行、页眉混进正文，它全都"诚实地"读错。《喂AI之前，先把PDF洗干净》那篇为什么能有1892收藏？因为作者点破了：它不是没读，而是读进去了太多脏东西——页眉、页脚、水印全混进正文。小红书知乎那篇专讲这个坑的文章给了个很扎心的例子：模型准确找到了表里的12.6%，却把它从"成本同比"挪到了"营收同比"。知乎数字是真的，页码是真的，对应关系是错的——这种错误比编数字更难被发现。文章结论也值得所有重文档的人抄下来：PDF是给人看排版的，结构化文件才是给机器算的；别先导出PDF，再让AI把行列关系"猜"回来。
病二的标准动作是：先解析、再提问。把复杂PDF转成干净的Markdown再喂，表格和栏序在解析阶段就固定下来——这也是知乎那篇的核心结论：PDF适合阅读和分发，结构化文件更适合计算与筛选。知乎用哪个转换器，B站有个很实在的参照：《7份PDF实测》拿原生文本报告、可填写表单、双栏论文等7类真实PDF跑了MarkItDown、Docling、Marker、MinerU四个主流工具，16927播放、897收藏。哔哩哔哩另一期6812播放的对比给了分工结论：轻量批量转换用MarkItDown快，论文、扫描件、表格公式多的硬骨头交给MinerU这类重解析工具。
病三：读得懂单篇，但咽不下一整箱——批量过载
前两类是"喂脏了"，这一类是"喂撑了"。八月起，用Codex、WorkBuddy这类agent工作流处理文献的帖子明显变多，而几乎每篇踩坑帖都在说同一件事：《大量的PDF文献，千万别一次全塞给Codex》讲的就是这个：几十甚至几百篇文献一口气丢进去，Token消耗很快，结果还容易遗漏和混乱。小红书8月26日那篇《直接把PDF丢给AI，一半的token就浪费掉了》算的是同一笔账。
反常识的一点在这：上下文窗口大，不等于读得准。整箱硬塞，模型既不知道哪段该用力，也说不清结论是第几页读来的——这也是为什么"AI读PDF终于能追出处"这种帖子能被当成进展来报。
解法是把"一次全塞"换成"先索引、再精读"：让AI先对每篇产出结构化卡片（方法、数据、结论、页码范围），你挑出真正要精读的几篇，再带着出处去问。微博上有人把电脑里几百本扫描资料书批量转成文字和索引文件，晒出的工作区截图就是这个思路的终态：一摞PDF，对应一摞可检索的md。
三种路由：对号入座，别统一加钱
只是偶尔读一份报告（看个行业周报、读个产品手册）：网页端直接上传就够了，不用装任何东西。但引用里的数字，发出去之前做那个10秒分诊——把被读错的那段正文复制成纯文本再问一次：复述对了，是解析的锅，修文件；复述还错，才是模型的锅。这个动作能替你省下不少"为变笨的AI升级会员"的冤枉钱。
学生党、读文献、要精确引用（研一清库存、开题、组会综述）：值得投入的是一套"解析→Markdown→带页码提问"的链路，而不是更贵的模型订阅。9月底到11月是文献季，Zotero接AI那类教程帖这两周热度回升，839赞、1022收藏，玩法就是在文献管理器里直接挂上AI辅助读文献。小红书方向是对的——但记得，链路的第一步是解析质量，不是模型智商。
公告、合同、法律文本读者（财报党、尽调、法务）：唯一硬标准是"原文级出处追踪"。300页年报三分钟解读的帖子看着爽，但凡是拿AI结论对外署名的场合，没有能逐句跳回原文页码的工具，就只把它当草稿机。密码本、扫描件先自己OCR预处理，别指望上传端兜底。
最后说两句提醒
一是别拿教程帖校准预期："3分钟读完100页PDF"那类演示，默认了你的文件是干净的文本层PDF，普通人手里的扫描件、双栏件、表格页大概率复现不了。二是"直接喂PDF不费钱"这个说法已经被拆穿过：拖给AI去做总结，返回的内容经常不完整，还总被归咎于token不够。小红书真正贵的不是上传那一下，是答非所问之后你再问三遍的时间和Token。
值得继续观察的信号也明确：各家都在把办公动作搬进文档场景，agent工作流处理长文档的帖子从六月还零星、到八月已经成串，产品侧把视觉解析做进入口是趋势——等哪天你随手丢进去的PDF都能逐句带页码溯源，这篇里的坑会集体变小。在那之前，先记住分诊口诀：没读到，加文字层；读脏了，先解析；咽不下，先索引。改文件、改流程，最后才轮到换模型。
