קובצי PDF ב-Claude Code: המרה, טוקנים ושימור המבנה

מה קורה לקובץ PDF ב-Claude, ולמה כל עמוד עולה 1,500–3,000 טוקנים?#

בתיעוד הרשמי של Anthropic מתואר התהליך בשלושה שלבים פשוטים:

זה נשמע הגיוני, אבל עלויות העיבוד גדלות ביחס ישר למספר העמודים. והנה הנתון שמסביר למה מגבלת המנוי שלכם נגמרת בגלל קובץ PDF אחד:

כדי להבין כמה זה, Anthropic מדדה את אותו קובץ PDF בן 3 עמודים ב-Bedrock בשני מצבים. במצב טקסט (Converse Document Chat), הוא צרך ~1,000 טוקנים. בניתוח חזותי (Claude PDF Chat), הוא צרך ~7,000 טוקנים. הוספת תמונות מייקרת את העיבוד פי 7.

צילומי מסך של עמודים גרועים אפילו יותר. צילום מסך ברזולוציה של 1000×1000 פיקסלים עולה כ-1,300 טוקנים.

המנגנון פשוט: קובצי PDF יקרים כי Claude לא סומך על ה-OCR שלו. הוא משתמש גם בטקסט וגם בתמונה כדי להשוות ביניהם — ואתם משלמים על שתי השכבות בבת אחת. במסמכים גדולים אפשר לפעול אחרת: לשמור את הקובץ כ-Markdown בתיקיית הפרויקט ולומר ל-Claude: „הנה מסמך עם מידע — חלק אותו לחלקים”. הוא יפזר את התוכן בין הקבצים שלו וימשיך לעבוד עם טקסט מאורגן במקום לצרוך הכול בבת אחת.

כמה טוקנים צורך קובץ PDF במשימה טיפוסית?#

המספרים המדויקים (מודל Sonnet 4.x, קלט במחיר של $3 למיליון טוקנים):

וזה רק עבור מחזור אחד של 4 בקשות. אחר כך נכנס לתמונה מטמון הנחיות (TTL של 5 דקות כברירת מחדל, עד שעה ברמת שירות מורחבת, עם הנחה של עד 90% על בקשות חוזרות בתוך חלון הזמן) — והחיסכון מצטבר.

בכל פעם שאתם מעלים את אותו קובץ PDF בצ'אט חדש, Claude קורא אותו שוב; המטמון לא עובר בין צ'אטים.

אם תמירו פעם אחת את אותו PDF בן 15 עמודים ל-Markdown ותצרפו אותו לכל אחד מארבעה צ׳אטים חדשים כקובץ .md, הדוגמה משתמשת ב-15 × 300 × 4 = 18,000 טוקני קלט במקום 135,000. ‏300 טוקנים לעמוד שהומר ו-2,250 לעמוד PDF הם הנחות בחישוב, ולא קבועים שנמדדו לכל PDF. ספרו את המסמך בפועל ואמתו איכות המרה לפני הערכת חיסכון.

החישוב הזה משמעותי עוד יותר במנוי Claude Pro. דוח אחד בן 100 עמודים עלול לכלות את כל המכסה של 5 שעות. אחרי המרה ל-Markdown, יותר מ-10 מסמכים כאלה נכנסים באותה מסגרת שימוש.

מהן מגבלות ה-API של Anthropic לקובצי PDF ב-2026?#

בתיעוד של Anthropic מופיעות המגבלות בראש העמוד (נכון ל-31 במאי 2026):

ל-Claude.ai (אפליקציית האינטרנט לצרכנים) יש מגבלות אחרות: לכל היותר 500 MB לקובץ ועד 20 קבצים בצ'אט. אבל ניתוח חזותי פועל רק בקובצי PDF של עד 100 עמודים — מעבר לכך Claude רואה טקסט בלבד, ללא תרשימים ודיאגרמות.

שלוש דרכים לשלוח קובץ PDF דרך ה-API:

1. באמצעות URL - "source": {"type": "url", "url": "..."} - הדרך הפשוטה ביותר כשהמסמך נמצא באינטרנט.
2. ב-Base64 - "source": {"type": "base64", "media_type": "application/pdf", "data": "..."} - עבור קבצים מקומיים.
3. דרך Files API - "source": {"type": "file", "file_id": "file_abc123"} - לבקשות חוזרות; נדרשת כותרת הבטא anthropic-beta: files-api-2025-04-14.

Files API היא הדרך העיקרית לחסוך כשעובדים עם אותו קובץ PDF בכמה צ'אטים. מעלים אותו פעם אחת, מקבלים file_id, ואז משתמשים בו בכל האינטראקציות. עם cache_control: ephemeral, בקשות חוזרות עולות 10% מהמחיר הרגיל.

Anthropic מספקת גם המלצות רשמיות לצמצום השימוש:

שיטה 1: איך מגדירים את MarkItDown ב-5 דקות?#

MarkItDown הוא פרויקט רשמי של Microsoft ומתוחזק בידי צוות AutoGen. יש לו 134 אלף כוכבים ו-9.2 אלף forks ב-GitHub (נכון לסוף מאי 2026). מטרת הפרויקט מנוסחת ישירות בקובץ README:

פורמטים נתמכים:

• מסמכים: PDF,‏ DOCX,‏ PPTX,‏ XLSX
• אינטרנט: HTML,‏ JSON,‏ XML,‏ CSV
• מדיה: אודיו עם תמלול, תמונות עם EXIF ו-OCR, סרטוני YouTube (באמצעות כתוביות)
• ארכיונים: ZIP,‏ EPub
• אחר: כל הקבצים המצורפים בקובצי Outlook MSG

התקנה

דרישה: Python 3.10+ (בדרך כלל כבר מותקן ב-macOS; ב-Windows צריך להתקין אותו בנפרד).

pip install 'markitdown[all]'

אם אין צורך בכל הפורמטים, אפשר להתקין רק את אלה שבוחרים:

pip install 'markitdown[pdf, docx, pptx]'

המרת קובץ יחיד

המקרה הפשוט ביותר:

markitdown document.pdf > document.md

לאחר מכן, הקובץ document.md יופיע בתיקייה הנוכחית. צרפו אותו ל-Claude Code באמצעות @document.md או פשוט הניחו אותו לצד הפרויקט.

API של Python

אם תרצו לשלב אותו בסקריפט שלכם:

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("research-paper.pdf")
print(result.text_content)

# אפשר לשמור אותו מיד:
with open("research-paper.md", "w") as f:
    f.write(result.text_content)

מה MarkItDown לא יכול לעשות

• OCR לקובצי PDF סרוקים - לא מחזיר דבר. לסריקות דרושים PyMuPDF4LLM או Docling.
• פריסות מורכבות עם כמה עמודות - סדר הקריאה עלול להשתבש.
• כתובות URL מוטמעות מקובצי PDF - הוא לא משמר אותן.

לקובצי PDF פשוטים (דוחות, מאמרים, תיעוד), MarkItDown הוא הבחירה הטובה ביותר: כלי רב-תכליתי שמתקינים בתוך דקה, ללא צורך בידע ב-Python. ביצועיו במסמכים עם טקסט קירילי ובסריקות מוצגים במדידות בניתוח של המרת PDF לטקסט עבור AI.

שיטה 2: מה PyMuPDF4LLM מציע, ומתי הוא עדיף?#

MarkItDown מציע מגוון רחב של פורמטים; PyMuPDF4LLM מציע עיבוד PDF מעמיק.

הגרסה נכון ל-31 במאי 2026 היא 1.27.2.3 (שוחררה ב-24 באפריל 2026).

מה כלול

• עמודים מרובי עמודות עם סדר קריאה נכון
• המרת טבלאות ל-Markdown בטעם GitHub
• הסרה אוטומטית של כותרות עליונות ותחתונות
• חילוץ תמונות באמצעות קישורים יחסיים לתיקייה נפרדת
• OCR חכם: מופעל רק באזורים שאינם קריאים, וחוסך ~50% מזמן העיבוד
• מנוע C מקורי, אין צורך ב-GPU

התקנה

pip install pymupdf4llm

שימוש

import pymupdf4llm

# שימוש בסיסי - ישר ל-Markdown:
md_text = pymupdf4llm.to_markdown("document.pdf")

# שמירה:
with open("document.md", "w") as f:
    f.write(md_text)

בשורה אחת, כפי שהובטח:

python3 -c "import pymupdf4llm; \
  open('document.md','w').write(pymupdf4llm.to_markdown('document.pdf'))"

מתי לבחור ב-PyMuPDF4LLM במקום ב-MarkItDown

• כשיש בקובץ ה-PDF קישורים רבים שצריך לשמר (MarkItDown מאבד אותם).
• כשהמסמך סרוק ונדרש OCR.
• כשצריך מהירות בעיבוד אלפי קבצים מקומיים — מנוע C מקורי מהיר יותר ממעטפות Python.
• כשצריך את התמונות מקובץ ה-PDF בתיקייה נפרדת לעיבוד נוסף.

פרטי הרישוי (חשוב לעסקים)

ל-PyMuPDF4LLM רישיון כפול: AGPL v3 או Artifex מסחרי.

המשמעות של AGPL: אם משתמשים בספרייה ב-SaaS ציבורי, חובה לפרסם את קוד המקור של השירות כולו תחת אותו רישיון AGPL. לשימוש פנימי (הסקריפט שלכם במחשב הנייד), אין הגבלות.

לפיתוח מסחרי ללא חשיפת הקוד, רכשו רישיון מ-Artifex (artifex.com). המחירים אינם מפורסמים; יש לבקש אותם ממחלקת המכירות.

אם אתם בונים מוצר ללקוחות, בדקו את הרישיון כבר בתחילת הדרך. MarkItDown (MIT) ו-Docling (MIT) בטוחים יותר לשימוש ב-SaaS.

שיטה 3: איך מחברים את שרת MarkItDown MCP ל-Claude Code?#

MarkItDown במצב CLI פירושו „אני ממיר קבצים ידנית מראש”; שרת MCP פירושו „Claude Code מחליט מתי להמיר”.

התקנה

דרוש מנהל החבילות uv. אין צורך להתקין את השרת בנפרד; uv מוריד אותו בפעם הראשונה שהוא מופעל.

הגדרה ב-Claude Code

פקודה אחת מחברת את השרת לכל הפרויקטים שלכם, עם גרסה מקובעת:

claude mcp add --scope user --env 'ORT_DISABLE_TELEMETRY=1' --env 'UV_PYTHON=3.12' --transport stdio markitdown -- uvx markitdown-mcp@0.0.1a7
claude mcp list

בכניסה markitdown אמור להופיע הכיתוב “Connected.” בהפעלה הראשונה יורדות כ-70 חבילות וההתקנה נמשכת עד דקה; לאחר מכן השרת עולה בתוך שנייה או שתיים.

הנה הסיבה לכך שהפקודה זקוקה לשני המשתנים. ORT_DISABLE_TELEMETRY=1 מכבה נתונים סטטיסטיים שמנוע onnxruntime שבתוך השרת שולח כברירת מחדל ל-Microsoft ב-Mac וב-Linux. ‏UV_PYTHON=3.12 מפעיל את השרת ב-Python 3.12, שעבורו יש חבילות מוכנות ב-Windows,‏ Linux ובמחשבי Mac עם Apple Silicon. במחשבי Mac עם Intel וב-macOS 13 ומטה, השרת לא מותקן תחת Python 3.14. יש הסתייגות לגבי Intel ו-3.12: ‏uv יבנה את ספריית cryptography מקוד המקור, מכיוון שלא הייתה חבילה מוכנה ל-Intel מאז יוני 2026. ההתקנה נמשכת זמן רב יותר ועלולה להיכשל. אם אין לכם Python 3.12, ‏uv יוריד אותו עבורכם.

השרת פועל ישירות במחשב שלכם ויכול לפתוח כל קובץ שיש לכם גישה אליו. אם Claude Code היה פתוח, הפעילו אותו מחדש, ו-markitdown יופיע ברשימת שרתי MCP.

איך משתמשים בו

ב-Claude Code פשוט אומרים:

המר את /Users/your-user/Documents/report.pdf ל-Markdown ונתח את הנקודות העיקריות.

Claude קורא בעצמו ל-convert_to_markdown(uri), מקבל את ה-Markdown ועובד איתו — קובץ ה-PDF כלל אינו נטען להקשר.

כתובות URI נתמכות

• file:// - קבצים מקומיים
• http://,‏ https:// - מסמכים מקוונים
• data: - נתונים מוטבעים (Base64)

אבטחה

מתוך קובץ README הרשמי:

כברירת מחדל, הוא מקושר ל-localhost. אם מפעילים אותו דרך HTTP/SSE (האפשרות --http --host 127.0.0.1 --port 3001), אל תחשפו את הפורט לרשת חיצונית ללא reverse proxy מאומת.

באיזו שיטה כדאי לבחור למשימה שלכם?#

טבלת השוואה מורחבת:

Marker מציג נתוני דיוק מרשימים במבחני ביצועים:

אבל Marker דורש GPU למהירות טובה ומגיע עם מודלים של למידת מכונה. עבור רוב המשימות (קובצי PDF רגילים עם טקסט), PyMuPDF4LLM או MarkItDown יעשו את העבודה בתוך שניות, ללא GPU.

כלל פשוט לבחירה

1. קובץ PDF אחד או שניים, וצריך אותם מהר - MarkItDown CLI.
2. עשרות קובצי PDF, דרושה אוטומציה - שרת MarkItDown MCP או PyMuPDF4LLM בסקריפט.
3. קובצי PDF עם קישורים ותמונות, כשחשוב לשמר את המבנה - PyMuPDF4LLM.
4. RAG בסביבת ייצור עסקית, כשחשובה יציבות הטבלאות - Docling.
5. מאמרים מדעיים עם נוסחאות - Marker.
6. לא רוצים לחשוב על זה; רוצים ש-Claude ימיר - שרת MarkItDown MCP.

איך כותבים סקריפט מוכן לשימוש שממיר תיקיית מסמכים באופן אוטומטי?#

דוגמה מעשית: נניח שיש לכם 40 דוחות PDF ו-PPTX מלקוחות בתיקייה אחת — דוחות ברוקראז', חוזים ומצגות. העלאת התיקייה ישירות ל-Claude חסרת תועלת: חלון ההקשר יתמלא במידע עוד לפני התשובה הראשונה. העבירו את כל התיקייה בסקריפט שלהלן, ואז המשיכו לעבוד עם קובצי .md קלים במקום קובצי PDF כבדים.

שמרו את הסקריפט הזה בשם scripts/docs-to-md.sh בתיקיית הבסיס של הפרויקט:

#!/bin/bash
# docs-to-md.sh - ממיר את כל המסמכים בתיקייה ל-Markdown באמצעות MarkItDown
# שימוש: bash docs-to-md.sh ./documents

set -e

INPUT_DIR="${1:-./documents}"
OUTPUT_DIR="${INPUT_DIR}/_md"

mkdir -p "$OUTPUT_DIR"

echo "Scanning $INPUT_DIR..."

for file in "$INPUT_DIR"/*.{pdf,docx,pptx,xlsx}; do
  [ -f "$file" ] || continue

  basename=$(basename "$file")
  name="${basename%.*}"
  output="$OUTPUT_DIR/${name}.md"

  if [ -f "$output" ] && [ "$output" -nt "$file" ]; then
    echo "Skipping $basename (already converted)"
    continue
  fi

  echo "Converting $basename..."
  markitdown "$file" > "$output"
done

echo "Done. Results are in $OUTPUT_DIR"

הגדירו אותו כקובץ בר-הרצה:

chmod +x scripts/docs-to-md.sh

הריצו אותו:

bash scripts/docs-to-md.sh ./reports

לאחר הריצה, התיקייה ./reports/_md/ תכיל גרסאות .md של כל המסמכים. צרפו אותן ל-Claude Code באמצעות @reports/_md/ ועבדו עם הטקסט הדחוס במקום עם קובצי PDF.

הסקריפט מדלג אוטומטית על קבצים שכבר הומרו (אם קובץ ה-.md חדש יותר מקובץ המקור) — הרצה חוזרת זולה ואינה מבצעת מחדש את כל העבודה.

המרה אידמפוטנטית והדרגתית

אם תרצו שהסקריפט יזהה קובצי PDF שהשתנו (נשמרו מחדש תחת אותו שם), הוסיפו בדיקת hash של התוכן:

hash=$(shasum -a 256 "$file" | cut -d' ' -f1)
hash_file="$OUTPUT_DIR/.${name}.sha256"

if [ -f "$hash_file" ] && [ "$(cat "$hash_file")" = "$hash" ]; then
  echo "Skipping $basename (hash matches)"
  continue
fi

markitdown "$file" > "$output"
echo "$hash" > "$hash_file"

הגרסה הזאת ממירה קובץ מחדש רק אם התוכן שלו השתנה.

מתי עדיף עדיין להשתמש בקובץ PDF ב-Claude במקום ב-Markdown?#

שלושה מקרים שבהם המרה ל-Markdown אינה מספקת:

1. ניתוח חזותי של דיאגרמות ותרשימים

אם Claude צריך „לקרוא” תרשים — עקומת מחיר, דיאגרמת תהליך או דיאגרמת ארכיטקטורה — המידע הזה לא נמצא ב-Markdown. ‏Markdown משמר רק את כיתובי האיורים; האיור עצמו אובד.

פתרון: העלו את קובץ ה-PDF והפעילו במפורש מצב חזותי. ב-Claude API הדגל פועל אוטומטית; ב-AWS Bedrock נדרש הדגל citations.

2. טבלאות מורכבות עם תאים ממוזגים

טבלאות Markdown הן שטוחות. אם בקובץ ה-PDF יש טבלה עם תאים ממוזגים, כותרות רב-רמתיות או טבלאות משנה מקוננות, הממיר ישטח אותה או יאבד את הקשרים בין החלקים.

פתרון: השתמשו ישירות בקובץ ה-PDF, השתמשו ב-Docling (הכלי המתאים ביותר לטיפול בטבלאות מורכבות), או עצבו אותה ידנית לאחר ההמרה.

3. מסמכים כמוצגים עם הפניות לעמודים

במסמכים משפטיים, בחוזים ובפרוטוקולים, חשוב שאפשר יהיה לצטט „עמוד 7, פסקה 3”. מספרי העמודים אובדים ב-Markdown.

פתרון: PDF + Files API + מטמון הנחיות. העלו את הקובץ פעם אחת ואז הפנו אליו באמצעות file_id; Claude רואה את מספור העמודים ויכול לצטט עמודים מסוימים.

מסמכים קצרים

אם קובץ PDF קצר מ-2 עמודים ומשתמשים בו פעם אחת, לא כדאי להמיר אותו. 5,000 טוקנים ל-PDF לעומת 800 ל-Markdown אינם חיסכון שמצדיק התקנת MarkItDown.

נקודת האיזון היא בערך 5+ עמודים או 2+ שימושים באותו מסמך. מתחת לכך, העלו את קובץ ה-PDF ישירות; מעל לכך, המירו אותו.

מהן 5 הטעויות הנפוצות ביותר שאנשים עושים עם קובצי PDF ב-Claude?#

1. העלאת אותו קובץ PDF בכל פעם בצ'אט חדש

ל-Claude Pro יש מגבלת הודעות בפרק זמן של 5 שעות — דוח אחד בן 50 עמודים יכול לכלות אותה עוד לפני השאלה השנייה.

יש לכך עיקרון פשוט: משימה אחת — צ'אט אחד. כש-AI מתחיל לצרוך כמות מופרזת של טוקנים, פירוש הדבר הוא שאתם דוחסים הכול לצ'אט אחד ומצרפים אליו את קובץ ה-PDF שוב ושוב. הקצו משימה קטנה אחת לכל חלון. המירו את המסמך ל-Markdown פעם אחת, ואז הוסיפו את קובץ ה-.md לכל חלון חדש לצד הפרויקט. העיגול של חלון ההקשר לא יהפוך לצהוב.

פתרון: או להמיר אותו פעם אחת ל-Markdown, או להשתמש ב-Files API עם file_id ובמטמון הנחיות.

2. צילום מסך במקום טקסט

דוגמה טיפוסית: מישהו רוצה להציג ל-Claude קטע קוד או טבלה, מצלם את כל המסך ברזולוציה של 1920×1080, ותוהה למה המגבלה נגמרת אחרי 5 בקשות.

צילום מסך ברזולוציה של 1000×1000 פיקסלים עולה ~1,300 טוקנים. אותו טקסט בהעתקה ידנית עולה 50–100 טוקנים. זהו הבדל של פי 13–26.

פתרון: חתכו את צילומי המסך היטב (כך שיכללו רק את החלק החשוב), או, עדיף, העתיקו את הטקסט ישירות.

3. קובץ PDF סרוק ללא OCR

MarkItDown לא יודע לבצע OCR. אם תמירו סריקה, התוצאה תהיה קובץ .md ריק (או 3 שורות של רעש).

פתרון: לסריקות השתמשו ב-PyMuPDF4LLM (עם OCR חכם מובנה) או ב-Docling.

4. התעלמות ממגבלת 100 העמודים

בתיעוד של Anthropic מופיעה מגבלה של 600 עמודים לבקשה — אבל בפועל, המגבלה למודלים עם הקשר של 200K (Sonnet 4.x,‏ Opus 4.x) היא 100 עמודים. מגבלת 600 העמודים מיועדת למודלים ישנים יותר או לרמות שירות מיוחדות.

אם תעלו דוח בן 150 עמודים ל-Sonnet 4.6, תקבלו שגיאה או, גרוע מכך, Claude יעבד רק את 100 העמודים הראשונים ויתנהג כאילו קרא את המסמך כולו.

פתרון: חלקו קובצי PDF ארוכים לחלקים לפני ההעלאה. או המירו אותם ל-Markdown — אין מגבלת עמודים, רק מגבלת טוקנים.

5. אי-שימוש במטמון הנחיות לבקשות חוזרות

אם אתם עובדים עם אותו מסמך דרך ה-API, עטפו אותו ב-cache_control: ephemeral. בקשות חוזרות בתוך 5 דקות עולות 10% מהמחיר הראשוני. בקשה אחת עולה יותר; על השאר מקבלים הנחה של 90%.

פתרון: הפעילו מטמון הנחיות כברירת מחדל לכל תוכן שאתם מעלים יותר מפעם אחת.

מה הלאה: הנדסת הקשר#

המרת PDF ל-Markdown היא דרך אחת לחסוך בטוקנים. היא אינה משפרת כשלעצמה את דיוק התשובות של Claude. הדיוק מגיע מהנדסת הקשר — התחום העוסק במה שמכניסים להקשר של המודל לפני ששואלים שאלה.

אם יש ב-CLAUDE.md שלכם 800 שורות, בפרויקט יש 10 שרתי MCP מיותרים, ואתם מצרפים קובץ PDF בן 100 עמודים, המרה ל-Markdown תמנע דליפה אחת, אבל שלוש האחרות יישארו. לכן המדריכים האלה עוסקים בנושאים הבאים:

• לאן נעלמים הטוקנים ב-Claude Code - 9 דפוסים של דליפת הקשר, ולא רק קובצי PDF.
• הנדסת הקשר ב-2026 - ניהול שיטתי של הקשר.
• מצב תכנון ב-Claude Code - מצב תכנון לפני ש-Claude מתחיל לכתוב קוד.