PDF Context Refinery 상세 가이드

빠른 시작

PDF 파일을 LLM이 참조할 수 있는 깨끗한 마크다운으로 변환하는 가장 간단한 방법입니다.

PDF를 마크다운으로 변환해줘
이 교재를 지식베이스로 만들어줘
스캔 PDF OCR 정리해줘

이 한 줄이면 스킬이 자동으로 PDF를 분석하고, 최적의 변환 전략을 선택하여 마크다운을 생성합니다. 출력 파일은 기본적으로 입력 PDF와 같은 디렉토리에 생성됩니다.

교재나 보고서를 섹션별로 분할된 마크다운 파일 세트로 변환할 수 있습니다. RAG·지식베이스 용도에 적합합니다.

이 세무 교재를 챕터별 마크다운으로 나눠줘. 표와 한국어 띄어쓰기 살려서.

200페이지가 넘는 문서도 페이지 범위를 지정하면 필요한 부분만 변환할 수 있습니다.

이 PDF의 p.85~100만 마크다운으로 뽑아줘. 표는 마크다운 테이블로 재구성해서.

이미지 전용 스캔 PDF는 pdftoppm으로 페이지를 PNG로 렌더링한 뒤 Claude의 비전 기능으로 직접 읽어 마크다운을 만듭니다. tesseract가 필요하지 않습니다.

이 스캔 PDF를 OCR 처리해서 마크다운으로 정리해줘

빈 필드·사전 인쇄 라벨이 많은 서식 페이지는 텍스트 추출 대신 PNG 이미지로 임베딩하고, 주요 필드 설명만 짧게 남깁니다.

이 세금 신고 서식 PDF 정리해줘. 서식 페이지는 이미지로 남겨둬.

플래그	용도	예시
`-f <N> -l <M>`	처리할 페이지 범위 지정	`pdftotext -f 85 -l 100 -layout input.pdf ...`
`-r 200` / `-r 300`	PNG 렌더링 해상도 (서식용 200, 스캔 재처리용 300)	`pdftoppm -f 42 -l 42 -png -r 300 input.pdf .itda-skills/page`
`--type`	검증 스크립트 문서 유형	`python verify_quality.py out/ --pages 120 --type textbook`

청크는 반드시 작게: 한 번에 50페이지를 넘기면 내용 손실이 발생합니다. 30~40페이지 단위가 안전하며, 섹션 분할 시 5페이지 오버랩을 두면 문맥 연속성을 지킬 수 있습니다.
독립 섹션은 병렬 실행: 교재 섹션은 대부분 서로 독립적입니다. 단일 메시지에서 여러 Agent 호출을 동시에 실행하면 처리 시간을 크게 단축할 수 있습니다.
표 복원이 애매하면 인용문: 구조가 모호한 표는 깨진 마크다운 테이블보다 > 인용문이나 들여쓴 목록이 가독성이 좋습니다. 단, 구조가 보이면 테이블 쪽으로 기울이세요.
마크다운으로 어려운 콘텐츠는 이미지 + 설명: 수식·복잡한 다이어그램·수기 서명란 등 마크다운 문법으로 제대로 표현하기 어려운 요소는 해당 페이지를 PNG로 보존하고, 그 아래 LLM이 본 내용을 설명하는 짧은 캡션을 덧붙이세요.
검증 스크립트로 재처리 판단: verify_quality.py의 줄 수 비율이 임계값보다 낮거나 테이블 수가 0이면 페이지 범위를 반으로 줄여 재처리합니다.

poppler-utils 필수: pdftotext·pdfinfo·pdftoppm이 설치되어 있어야 합니다. macOS는 brew install poppler, Ubuntu/Debian은 apt-get install -y poppler-utils. Claude Cowork 환경에는 기본 설치되어 있습니다.
스캔 PDF는 Claude 비전 경로: OCR 엔진(tesseract 등)을 사용하지 않고 Claude가 PNG 이미지를 직접 읽어 텍스트를 재구성합니다. 해상도는 300 DPI 이상 권장.
출력 경로 원칙: 결과 마크다운과 images/ 디렉토리는 입력 PDF와 같은 디렉토리에 생성하는 것을 기본으로 합니다. 절대 홈 경로(~/)나 시스템 경로에 저장하지 마세요.
임시 파일 위치: 추출 중간 산출물(sample.txt, toc.txt, section_raw.txt 등)은 CWD 기준 .itda-skills/ 아래에 저장해야 Cowork 컨테이너와 호환됩니다.
암호화·DRM PDF 미지원: 비밀번호 보호나 추출 제한이 걸린 PDF는 pdftotext가 실패합니다. 사전에 잠금 해제가 필요합니다.
마크다운 표현 한계 콘텐츠: LaTeX 수식, 복잡한 벡터 다이어그램, 악보 같은 콘텐츠는 마크다운으로 온전히 재현되지 않습니다. 이미지로 보존한 뒤 LLM 설명 캡션으로 보충하는 방식을 권장합니다.