Puedes permitir que un agente de IA vea una página de un documento en lugar de leer un volcado de texto del mismo. El servidor GroupDocs.Viewer.Mcp renderiza cualquier página de un archivo PDF, Word, Excel o PowerPoint como PNG y la devuelve al agente, y lo hace localmente en tu máquina:

¿Cuántas páginas tiene report.pdf? Entonces muéstrame la última.

La versión paso a paso con configuración y solución de problemas está en la documentación: Cómo permitir que un agente de IA vea páginas de documentos.

¿Por qué falla la extracción de texto en documentos reales?

Un extractor de texto devuelve los caracteres en orden de lectura. No devuelve el gráfico de barras entre dos párrafos, el sello “APPROVED” en la esquina, el diseño de columnas de una tabla de precios, o una página que es un escaneo y no tiene caracteres en absoluto. Un agente que trabaja con esa salida responde con confianza sobre un documento que solo ha visto a medias, y la mitad que falta suele ser la parte sobre la que preguntaste.

La solución no es un mejor prompt. Es una entrada diferente: la página como una imagen, entregada a un modelo que acepta entrada de imagen.

Enfoque incorrecto: canalizar todo a través de un extractor de texto

El valor predeterminado común es convertir el documento a texto, pegar el texto en la ventana de contexto y hacer preguntas. Funciona para prosa. Se rompe de cuatro maneras que puedes verificar en cualquier documento que poseas:

  • El diseño desaparece, por lo que no se puede responder “¿el total está en la columna derecha?”.
  • Las figuras dentro de gráficos y diagramas desaparecen, porque están dibujadas, no escritas.
  • Los sellos, firmas y escritura a mano desaparecen.
  • Un PDF escaneado no produce texto.

Un modelo no puede reparar la información que se perdió antes de que viera el documento.

Enfoque correcto: renderizar una página PDF a una imagen para el LLM

render_page renderiza una página como PNG, devuelve la imagen en línea al agente y guarda una copia en tu carpeta de salida como <name>_page<N>.png. El servidor admite más de 170 formatos, incluidos PDF, DOCX, XLSX, PPTX, ODT, RTF, HTML, EML y MSG. Un modelo con capacidad de visión entonces ve la página como lo harías tú.

El agente no debe adivinar los números de página, por lo que combina render_page con get_view_info, que devuelve el tipo de archivo, el recuento de páginas y el tamaño de cada página sin renderizar nada. Una tercera herramienta, get_license_status, informa el modo de licencia activo.

¿Cómo ejecuto el servidor para Claude, Cursor o Copilot?

La imagen Docker es autónoma:

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

Con el SDK .NET 10 instalado, dnx GroupDocs.Viewer.Mcp --yes ejecuta el mismo servidor sin Docker. Regístralo en Claude Desktop, Claude Code, Cursor, VS Code con GitHub Copilot, Windsurf y otros clientes; la página hub enumera la configuración exacta para cada uno. El cliente inicia el servidor como un proceso hijo y se comunica con él a través de la entrada y salida estándar, por lo que no hay puerto de entrada ni punto final que asegurar.

Sesión de ejemplo

Esta es una ilustración construida a partir del comportamiento documentado de las dos herramientas, no una captura de pantalla.

You:   How many pages does report.pdf have? Then show me the last one.

Agent: [calls get_view_info on report.pdf]
       report.pdf is a PDF with 2 pages, both 612 x 792 points (US Letter).
       [calls render_page with page = 2]
       Page 2 of 'report.pdf' Saved to: <output folder>/report_page2.png
       Here is what page 2 shows: ...

La imagen aparece en línea en los clientes que la muestran. La respuesta de texto es la descripción del agente de lo que ve en la página.

¿Qué decide el agente y qué hace el motor?

El agente decide qué página responde a la pregunta y qué preguntar al modelo sobre ella. El motor realiza la parte que debe ser exacta: abrir el archivo, paginarlo como lo hace el documento y producir el PNG. El modelo nunca tiene que adivinar el diseño de la página, porque recibe la página renderizada.

Limitaciones honestas

  • Modo de evaluación. Sin una licencia, las páginas renderizadas llevan una marca de agua de evaluación y un proceso del servidor abre como máximo 15 documentos. La marca de agua puede cubrir el detalle exacto que preguntas. Pregunta al agente “Is the viewer server licensed?” para que llame a get_license_status antes de confiar en lo que lee.
  • Solo PNG. La salida es una imagen PNG; no hay opción de formato.
  • Sin verificación de número de página. render_page no rechaza un número de página que supere la última página. Verifica el recuento con get_view_info primero.
  • El modelo debe aceptar imágenes. Con un modelo solo de texto, el agente aún recibe la ruta del archivo guardado, pero no puede decirte qué hay en la página.
  • Las imágenes son grandes. Cada página es un PNG en línea, a menudo de unos cientos de kilobytes. Renderiza solo las páginas que la tarea necesita, no todo el archivo.
  • Una cosa sale de la máquina. La imagen renderizada va al agente y de allí al modelo que use. Un modelo alojado localmente lo mantiene todo en la máquina.

Preguntas frecuentes

¿Puede Claude ver la página PDF y su diseño? Sí, si la página PDF se renderiza a una imagen y el modelo Claude en uso acepta entrada de imagen. render_page produce esa imagen localmente y la devuelve al cliente.

¿Tengo que subir el documento a algún lugar para renderizarlo? El servidor lee el archivo de la carpeta que montas y escribe la imagen junto a él; el documento no es subido por el servidor. La imagen de la página sí va al modelo de tu agente.

¿Funciona para Excel y PowerPoint, no solo para PDF? Sí. PowerPoint renderiza una imagen por diapositiva, y las hojas de Excel se dividen en páginas, con el recuento visible a través de get_view_info.

Profundiza