LLM může načíst jen to, co zachoval krok ingestování, takže první úkol RAG pipeline je převést soubory Word, PDF, Excel a e‑knihy na čistý Markdown. S GroupDocs.Markdown.Mcp to dělá AI agent lokálně, z Claude Desktop, Claude Code, Cursor nebo jakéhokoli jiného MCP klienta, a soubory nikdy neopustí váš počítač:

Převést každý PDF v tomto adresáři na Markdown, obrázky jako soubory, s front matter.

Verze krok za krokem s konfigurací a řešením problémů je v dokumentaci: Jak převést dokumenty na Markdown pro RAG s AI agentem.

Proč většina RAG pipeline začíná nesprávným krokem konverze?

Obvyklý zvyk je považovat konverzi za pouhý potrubí: poslat soubory k libovolnému nejbližšímu parseru, přijmout jakýkoli text, který se vrátí, a věnovat úsilí embedování. To obrací pořadí důležitosti. Chunker dělí podle nadpisů, tabulka, která přijde jako proud hodnot buněk, neodpovídá na žádnou otázku, a korpus nahraný do parseru třetí strany je odhalení, na které jste neplánovali. Když je vyhledávání špatné, příčina může být v prvním souboru, který pipeline zpracovala.

Tento příspěvek navrhuje tři opravy: udržet krok na vašem vlastním počítači, záměrně vybrat výstupní možnosti a ověřit výsledek místo tomu, že mu budete věřit.

Je cloudový parser správným místem pro ingestování dokumentů?

Pro interní korpus obvykle ne. Ingestování je jediná fáze, která vidí každý dokument, který vlastníte: politiky, ceníky, post‑mortem zprávy. Služba pro parsování, která je všechny přijme, vidí celý archiv, ne jen jeden soubor.

GroupDocs.Markdown.Mcp používá transport MCP stdio. Váš AI klient spustí server jako podřízený proces a cesta dat je agent → lokální server → lokální souborový systém. Server nemá žádné příchozí porty, žádné externí koncové body ani telemetrii. Pouze to, co agent zapíše ve svých odpovědích, putuje k poskytovateli modelu. Měřené licencování je jediný případ, který vyžaduje odchozí provoz: hlásí využití, nikdy neobsah dokumentu, a licenční soubor funguje offline.

Spusťte jej pomocí Dockeru:

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

nebo s .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. Nastavte GROUPDOCS_MCP_STORAGE_PATH na složku, která obsahuje korpus.

Který server GroupDocs převádí na Markdown: Markdown nebo Conversion?

Oba mohou vytvářet Markdown a odpovídají na různé otázky.

Potřebujete Použijte
Markdown, který zachovává strukturu, s kontrolou nad obrázky, variantou, výběrem stránek a front matter GroupDocs.Markdown.Mcp (this server)
Markdown jako jeden z mnoha cílů, nebo DOCX → PDF → XLSX ve stejném workflow GroupDocs.Conversion.Mcp, který pokrývá více než 100 formátů v obou směrech

Pokud je Markdown cílem a jeho kvalita je důležitá, zvolte dedikovaný engine. Pokud převádíte mezi mnoha formáty a Markdown je jen jedním z nich, zvolte obecný konvertor; jeho cesta pro PDF je popsána v 3 způsoby, jak převést PDF na Markdown připravený pro LLM (a proč lokální řešení vítězí).

Co dělá z Markdownu nejlepší formát pro ingestování RAG?

Nadpisy přežijí, tabulky zůstávají tabulkami, seznamy zůstávají seznamy. To jsou jednotky, se kterými pracuje chunker a embedder. Server převádí DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM a více než 20 dalších formátů pomocí jednoho nástroje convert_to_markdown. Zdroje z rodiny Word se převádějí nejčistěji, protože jejich struktura je v souboru explicitní. Listy tabulek se stávají Markdown tabulkami.

Tři možnosti jsou důležité pro index:

Možnost Nastavení pro ingestování Důvod
images "file", nebo "skip" pro čistý text Výchozí base64 vloží multi‑megabajtový data URI doprostřed chunku
frontMatter true YAML s názvem, autorem, formátem a počtem stránek se stane metadata chunku, takže odpověď může citovat název dokumentu, ne název souboru
flavor "github" (výchozí) nebo "commonmark" Odpovídá parseru, který výsledek čte

Ukázková relace (zkrácená)

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.

Jak zkontrolovat korpus před jeho indexováním?

Považujte běh za nedůvěryhodný, dokud ho neprohlédnete. Jeden prompt zachytí většinu selhání:

Pro každý převedený soubor mi řekni počet původních stránek a výslednou délku Markdownu.

get_document_info vrací fileName, fileFormat, pageCount, title, author a isEncrypted bez konverze, takže agent může porovnat počet stránek s tím, co zapsal. Manuál o 300 stránkách, který se změnil na 4 KB Markdownu, je sken nebo zkrácený běh.

Skenované PDF jsou tvrdý limit. Nemají textovou vrstvu a tento server nemá krok OCR; tyto soubory zpracujte odděleně.

Upřímná omezení: limit hodnocení

Bez licence server běží v evaluačním režimu, kde jsou zpracovány jen první 3 stránky, každá s evaluační vodotiskem. Výstup je platný Markdown a nic nehlásí, že zbytek byl přeskočen, takže index vytvořený tímto způsobem vypadá kompletně, ale je téměř prázdný. Udělejte get_license_status první volání každého ingestovacího běhu.

Často kladené otázky

Jaký je nejlepší formát pro ingestování RAG?

Markdown je silná volba, protože chunkery a embedery dobře pracují s nadpisy, seznamy a tabulkami. Použijte images: "file" a frontMatter: true, aby chunky neobsahovaly base64 a zachovávaly metadata zdroje.

Mohu převést Word na Markdown pro LLM bez nahrávání dokumentů?

Ano. GroupDocs.Markdown.Mcp běží jako lokální proces přes stdio a agent čte soubory ze složky, kterou jste nastavili.

Převádí PDF na Markdown pro vektorovou databázi?

Převádí PDF, která mají textovou vrstvu, s nadpisy, seznamy a tabulkami, které lze obnovit, pokud to zdroj umožňuje. Skenované PDF nemají text k převodu a neexistuje krok OCR.

Jděte hlouběji