يمكن لنموذج اللغة الكبير (LLM) استرجاع ما احتفظت به خطوة الإدخال فقط، لذا فإن المهمة الأولى في خط أنابيب RAG هي تحويل ملفات Word و PDF و Excel والكتب الإلكترونية إلى Markdown نظيف. باستخدام GroupDocs.Markdown.Mcp يقوم وكيل الذكاء الاصطناعي بذلك محليًا، من Claude Desktop أو Claude Code أو Cursor أو أي عميل MCP آخر، ولا تغادر الملفات جهازك أبداً:

حوّل كل ملف PDF في هذا المجلد إلى Markdown، مع حفظ الصور كملفات، وإضافة المعلومات الأولية.

الإصدار خطوة بخطوة مع الإعدادات واستكشاف الأخطاء موجود في الوثائق: كيفية تحويل المستندات إلى Markdown لـ RAG باستخدام وكيل ذكاء اصطناعي.

لماذا تبدأ معظم خطوط أنابيب RAG بخطوة التحويل الخاطئة؟

العادة الشائعة هي اعتبار التحويل مجرد بنية تحتية: إرسال الملفات إلى أي محلل قريب، قبول أي نص يُعاد، وإنفاق الجهد على التضمينات. هذا يعكس ترتيب الأهمية. يقوم الـ chunker بالتقسيم بناءً على العناوين، والجدول الذي يصل كتيار من قيم الخلايا لا يجيب على أي سؤال، ومجموعة البيانات التي تُحمَّل إلى محلل طرف ثالث هي كشف لم تخطط له. عندما يكون الاسترجاع ضعيفًا، قد يكون السبب في أول ملف لمسته خط الأنابيب.

هذه المقالة تُقَدِّم ثلاث تصحيحات: احتفظ بالخطوة على جهازك الخاص، اختر خيارات الإخراج عن قصد، وتحقق من النتيجة بدلاً من الوثوق بها.

هل محلل السحابة هو المكان المناسب لإدخال المستندات؟

للمجموعة الداخلية، عادةً لا. الإدخال هو المرحلة الوحيدة التي ترى كل مستند تملكه: السياسات، قوائم الأسعار، تقارير ما بعد الوفاة. خدمة التحليل التي تستقبلها جميعًا قد رأت الأرشيف بأكمله، وليس ملفًا واحدًا.

GroupDocs.Markdown.Mcp يستخدم نقل MCP عبر stdio. يبدأ عميل الذكاء الاصطناعي الخادم كعملية فرعية، ومسار البيانات هو الوكيل → الخادم المحلي → نظام الملفات المحلي. لا يحتوي الخادم على منافذ واردة، ولا نقاط نهائية خارجية ولا تتبع. فقط ما يكتبه الوكيل في ردوده ينتقل إلى مزود النموذج. الترخيص القائم على الاستخدام هو الحالة الوحيدة التي تحتاج إلى حركة خروج: يُبلغ عن الاستخدام، ولا يُبلغ عن محتوى المستند، وملف الترخيص يعمل دون اتصال.

ابدأه باستخدام Docker:

docker run --rm -i -v $(pwd)/documents:/data \
  ghcr.io/groupdocs-markdown/markdown-net-mcp:latest

أو، باستخدام .NET 10 SDK، dnx GroupDocs.Markdown.Mcp --yes. ضع GROUPDOCS_MCP_STORAGE_PATH على المجلد الذي يحتوي على المجموعة.

أي خادم من GroupDocs يحول إلى Markdown: Markdown أم Conversion؟

كلاهما يمكنه إنتاج Markdown، ويجيبان على أسئلة مختلفة.

ما تحتاجه استخدام
Markdown يحافظ على البنية، مع التحكم في الصور، والنكهة، واختيار الصفحات، والمعلومات الأولية GroupDocs.Markdown.Mcp (this server)
Markdown كواحد من العديد من الأهداف، أو تحويل DOCX إلى PDF إلى XLSX في نفس سير العمل GroupDocs.Conversion.Mcp، الذي يدعم أكثر من 100 تنسيق في كلا الاتجاهين

إذا كان Markdown هو الوجهة وتهم جودته، اختر المحرك المخصص. إذا كنت تحول بين العديد من الصيغ وكان Markdown واحدًا منها فقط، اختر المحول العام؛ مسار PDF الخاص به مغطى في 3 طرق لتحويل ملفات PDF إلى Markdown جاهز لـ LLM (ولماذا يفوز المحلي).

ما الذي يجعل Markdown أفضل تنسيق لإدخال RAG؟

العناوين تبقى، الجداول تبقى جداول، القوائم تبقى قوائم. هذه هي الوحدات التي يعمل معها الـ chunker والـ embedder. يحول الخادم DOCX و DOC و RTF و ODT و XLSX و XLS و ODS و CSV و TSV و EPUB و MOBI و TXT و CHM وأكثر من 20 صيغة أخرى عبر أداة واحدة، convert_to_markdown. مصادر عائلة Word تتحول بأكثر نظافة لأن بنية الملف واضحة. أوراق الجداول تتحول إلى جداول Markdown.

ثلاثة خيارات مهمة للفهرس:

الخيار الإعداد للإدخال السبب
images "file"، أو "skip" للنص فقط القيمة الافتراضية base64 تضع URI بيانات بحجم عدة ميغابايت في وسط القطعة
frontMatter true YAML مع العنوان، المؤلف، التنسيق وعدد الصفحات يتحول إلى بيانات تعريفية للقطعة، بحيث يمكن للإجابة الاستشهاد بعنوان المستند وليس باسم الملف
flavor "github" (افتراضي) أو "commonmark" مطابقة المحلل الذي يقرأ النتيجة

جلسة مثال (مختصرة)

You:   Before converting anything: what is the license status of the markdown server?
Agent: get_license_status -> mode: licensed, engine GroupDocs.Markdown 26.3, server 26.9.0.
You:   Convert every PDF in this folder to Markdown, images as files, with front matter.
Agent: convert_to_markdown (images: "file", frontMatter: true) for each PDF.
       Saved one .md per document, with extracted images alongside.
You:   For each converted file, give me the source page count and the Markdown length.
Agent: get_document_info for each source, then the length of each saved .md.
       One 300-page file produced only 4 KB of Markdown: likely a scan.

كيف أتحقق من المجموعة قبل فهرستها؟

اعتبر التنفيذ غير موثوق حتى تقوم بمراجعته. طلب واحد يلتقط معظم الأخطاء:

لكل ملف تم تحويله، أخبرني بعدد صفحات المصدر وطول Markdown الناتج.

get_document_info يُعيد fileName و fileFormat و pageCount و title و author و isEncrypted دون تحويل، بحيث يمكن للوكيل مقارنة عدد الصفحات بما كتب. دليل يدوي من 300 صفحة أصبح 4 كيلوبايت من Markdown هو مسح ضوئي أو تشغيل مقطوع.

ملفات PDF الممسوحة ضوئيًا هي حد صعب. لا تحتوي على طبقة نص، وهذا الخادم لا يحتوي على خطوة OCR؛ عالج تلك الملفات بشكل منفصل.

حدود صادقة: حد التقييم

بدون ترخيص يعمل الخادم في وضع التقييم، حيث تُعالج الصفحات الثلاث الأولى فقط، مع علامة مائية تقييم على كل منها. الناتج هو Markdown صالح ولا يُبلغ عن تخطي البقية، لذا يبدو الفهرس المبني بهذه الطريقة مكتملًا لكنه شبه فارغ. اجعل get_license_status أول استدعاء في كل تشغيل إدخال.

FAQ

ما هو أفضل تنسيق لإدخال RAG؟

Markdown خيار قوي لأن الـ chunkers والـ embedders يتعاملون جيدًا مع العناوين والقوائم والجداول. استخدم images: "file" و frontMatter: true حتى لا تحمل القطع بيانات base64 وتحتفظ ببيانات التعريف المصدرية.

هل يمكنني تحويل Word إلى Markdown لنموذج لغة كبير دون رفع المستندات؟

نعم. يعمل GroupDocs.Markdown.Mcp كعملية محلية عبر stdio، ويقرأ الوكيل الملفات من المجلد الذي قمت بتكوينه.

هل يحول PDF إلى Markdown لقاعدة بيانات متجهية؟

يحول PDFs التي تحتوي على طبقة نص، مع استعادة العناوين والقوائم والجداول حيثما يسمح المصدر. PDFs الممسوحة ضوئيًا لا تحتوي على نص للتحويل، ولا توجد خطوة OCR.

تعمق أكثر