Ein LLM kann nur das abrufen, was der Ingestion‑Schritt erhalten hat, daher besteht die erste Aufgabe einer RAG‑Pipeline darin, Word‑, PDF‑, Excel‑ und E‑Book‑Dateien in sauberes Markdown zu konvertieren. Mit GroupDocs.Markdown.Mcp erledigt ein KI‑Agent das lokal, von Claude Desktop, Claude Code, Cursor oder jedem anderen MCP‑Client, und die Dateien verlassen niemals Ihren Rechner:

Alle PDFs in diesem Ordner in Markdown konvertieren, Bilder als Dateien, mit Front Matter.

Die Schritt‑für‑Schritt‑Version mit Konfiguration und Fehlersuche befindet sich in der Dokumentation: Wie man Dokumente für RAG mit einem KI‑Agenten in Markdown konvertiert.

Warum beginnen die meisten RAG‑Pipelines mit dem falschen Konvertierungsschritt?

Die übliche Gewohnheit ist, die Konvertierung als reine Infrastruktur zu behandeln: die Dateien an den nächstgelegenen Parser senden, den zurückgelieferten Text akzeptieren und den Aufwand in Embeddings stecken. Das kehrt die Reihenfolge der Wichtigkeit um. Ein Chunker teilt nach Überschriften, eine Tabelle, die als Strom von Zellenwerten ankommt, beantwortet keine Frage, und ein Korpus, das zu einem Drittanbieter‑Parser hochgeladen wird, ist eine Offenlegung, die Sie nicht geplant haben. Wenn die Retrieval‑Leistung schlecht ist, kann die Ursache in der ersten Datei liegen, die die Pipeline berührt hat.

Dieser Beitrag argumentiert für drei Korrekturen: den Schritt auf Ihrer eigenen Maschine behalten, Ausgabeoptionen bewusst wählen und das Ergebnis überprüfen, anstatt ihm zu vertrauen.

Ist ein Cloud‑Parser der richtige Ort für die Dokumenten‑Ingestion?

Für ein internes Korpus ist das in der Regel nicht der Fall. Ingestion ist die einzige Phase, die jedes Ihrer Dokumente sieht: Richtlinien, Preislisten, Nachberichte. Ein Parsing‑Dienst, der alle erhält, hat das gesamte Archiv gesehen, nicht nur eine Datei.

GroupDocs.Markdown.Mcp verwendet den MCP‑Stdio‑Transport. Ihr KI‑Client startet den Server als Kindprozess, und der Datenpfad ist Agent, lokaler Server, lokales Dateisystem. Der Server hat keine eingehenden Ports, keine externen Endpunkte und keine Telemetrie. Nur das, was der Agent in seinen Antworten schreibt, gelangt zum Modell‑Anbieter. Metered‑Licensing ist der einzige Fall, der ausgehenden Datenverkehr benötigt: Es meldet die Nutzung, niemals den Dokumenteninhalt, und eine Lizenzdatei funktioniert offline.

Starten Sie ihn mit Docker:

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

oder, mit dem .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. Setzen Sie GROUPDOCS_MCP_STORAGE_PATH auf den Ordner, der das Korpus enthält.

Welcher GroupDocs‑Server konvertiert zu Markdown: Markdown oder Conversion?

Beide können Markdown erzeugen und beantworten unterschiedliche Fragen.

Sie benötigen Verwendung
Markdown, das die Struktur beibehält, mit Kontrolle über Bilder, Flavor, Seitenauswahl und Front Matter GroupDocs.Markdown.Mcp (this server)
Markdown als eines von vielen Zielen, oder DOCX zu PDF zu XLSX im selben Workflow GroupDocs.Conversion.Mcp, das über 100+ Formate in beide Richtungen abdeckt

Wenn Markdown das Ziel ist und seine Qualität wichtig ist, wählen Sie die dedizierte Engine. Wenn Sie zwischen vielen Formaten konvertieren und Markdown nur eines davon ist, wählen Sie den allgemeinen Konverter; sein PDF‑Pfad wird in 3 Wege, PDFs in LLM‑bereites Markdown zu verwandeln (und warum lokal gewinnt) behandelt.

Was macht Markdown zum besten Format für die RAG‑Ingestion?

Überschriften bleiben erhalten, Tabellen bleiben Tabellen, Listen bleiben Listen. Das sind die Einheiten, mit denen ein Chunker und ein Embedder arbeiten. Der Server konvertiert DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM und über 20 weitere Formate über ein Tool, convert_to_markdown. Word‑Familien‑Quellen konvertieren am saubersten, weil ihre Struktur im Dateiformat explizit ist. Tabellenblätter werden zu Markdown‑Tabellen.

Drei Optionen sind für einen Index wichtig:

Option Einstellung für Ingestion Grund
images "file", oder "skip" nur für Fließtext Das Standard‑base64 legt einen mehrmegabytegroßen Data‑URI in die Mitte eines Chunks
frontMatter true YAML mit Titel, Autor, Format und Seitenzahl wird zu Chunk‑Metadaten, sodass eine Antwort den Dokumenttitel zitieren kann und nicht den Dateinamen
flavor "github" (Standard) oder "commonmark" Passt zum Parser, der das Ergebnis liest

Beispielsession (gekürzt)

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.

Wie prüfe ich das Korpus, bevor ich es indexiere?

Behandeln Sie den Durchlauf als nicht vertrauenswürdig, bis Sie ihn überprüft haben. Eine Eingabeaufforderung fängt die meisten Fehler ab:

Für jede konvertierte Datei geben Sie mir die Quellseitenzahl und die resultierende Markdown‑Länge.

get_document_info gibt fileName, fileFormat, pageCount, title, author und isEncrypted zurück, ohne zu konvertieren, sodass der Agent die Seitenzahl mit dem, was er geschrieben hat, vergleichen kann. Ein 300‑Seiten‑Handbuch, das nur 4 KB Markdown wurde, ist ein Scan oder ein abgeschnittener Durchlauf.

Gescannte PDFs stellen eine harte Grenze dar. Sie haben keine Textebene, und dieser Server hat keinen OCR‑Schritt; behandeln Sie diese Dateien separat.

Ehrliche Grenzen: das Evaluations‑Limit

Ohne Lizenz läuft der Server im Evaluationsmodus, bei dem nur die ersten 3 Seiten verarbeitet werden, mit einem Evaluations‑Wasserzeichen auf jeder. Die Ausgabe ist gültiges Markdown und es wird nichts gemeldet, dass der Rest übersprungen wurde, sodass ein auf diese Weise erstellter Index vollständig aussieht und fast leer ist. Machen Sie get_license_status zum ersten Aufruf jedes Ingestion‑Durchlaufs.

FAQ

Was ist das beste Format für die RAG‑Ingestion?

Markdown ist eine gute Wahl, weil Chunker und Embedder Überschriften, Listen und Tabellen gut verarbeiten. Verwenden Sie images: "file" und frontMatter: true, damit Chunks kein Base64 enthalten und ihre Quell‑Metadaten behalten.

Kann ich Word für ein LLM in Markdown konvertieren, ohne die Dokumente hochzuladen?

Ja. GroupDocs.Markdown.Mcp läuft als lokaler Prozess über stdio, und der Agent liest die Dateien aus dem von Ihnen konfigurierten Ordner.

Wandelt es ein PDF für eine Vektor‑Datenbank in Markdown um?

Es konvertiert PDFs, die eine Textebene besitzen, mit Überschriften, Listen und Tabellen, die dort wiederhergestellt werden, wo die Quelle es zulässt. Gescannte PDFs haben keinen zu konvertierenden Text, und es gibt keinen OCR‑Schritt.

Weiterführende Informationen