Un LLM ne peut récupérer que ce que l’étape d’ingestion a préservé, donc la première tâche d’un pipeline RAG consiste à transformer les fichiers Word, PDF, Excel et e‑book en Markdown propre. Avec GroupDocs.Markdown.Mcp, un agent IA le fait localement, depuis Claude Desktop, Claude Code, Cursor ou tout autre client MCP, et les fichiers ne quittent jamais votre machine :

Convertir chaque PDF de ce dossier en Markdown, les images en fichiers, avec front matter.

La version étape par étape avec configuration et dépannage se trouve dans la documentation : Comment convertir des documents en Markdown pour le RAG avec un agent IA.

Pourquoi la plupart des pipelines RAG commencent-ils par la mauvaise étape de conversion ?

L’habitude habituelle est de traiter la conversion comme de la plomberie : envoyer les fichiers au parseur le plus proche, accepter le texte qui revient, et consacrer l’effort aux embeddings. Cela inverse l’ordre d’importance. Un chunker se sépare sur les titres, une table qui arrive sous forme de flux de valeurs de cellules ne répond à aucune question, et un corpus téléchargé vers un parseur tiers constitue une divulgation que vous n’aviez pas prévue. Lorsque la récupération est médiocre, la cause peut se situer dans le premier fichier touché par le pipeline.

Cet article préconise trois corrections : garder l’étape sur votre propre machine, choisir les options de sortie intentionnellement, et vérifier le résultat au lieu de le croire.

Un parseur cloud est-il le bon endroit pour l’ingestion de documents ?

Pour un corpus interne, généralement non. L’ingestion est la seule étape qui voit chaque document que vous possédez : politiques, listes de prix, post‑mortems. Un service de parsing qui les reçoit tous a vu l’ensemble de l’archive, pas un seul fichier.

GroupDocs.Markdown.Mcp utilise le transport MCP stdio. Votre client IA démarre le serveur comme un processus enfant, et le chemin des données est agent, serveur local, système de fichiers local. Le serveur n’a aucun port entrant, aucun point de terminaison externe et aucune télémétrie. Seul ce que l’agent écrit dans ses réponses se transmet au fournisseur du modèle. La licence à la consommation est le seul cas qui nécessite un trafic sortant : elle rapporte l’utilisation, jamais le contenu du document, et un fichier de licence fonctionne hors ligne.

Lancez‑le avec Docker :

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

ou, avec le SDK .NET 10, dnx GroupDocs.Markdown.Mcp --yes. Pointez GROUPDOCS_MCP_STORAGE_PATH vers le dossier qui contient le corpus.

Quel serveur GroupDocs convertit en Markdown : Markdown ou Conversion ?

Les deux peuvent produire du Markdown, et ils répondent à des questions différentes.

Vous avez besoin de Utilisez
Markdown qui conserve la structure, avec contrôle sur les images, le format, la sélection de pages et le front matter GroupDocs.Markdown.Mcp (this server)
Markdown comme l’une des nombreuses cibles, ou DOCX vers PDF vers XLSX dans le même flux de travail GroupDocs.Conversion.Mcp, which covers 100+ formats in both directions

Si le Markdown est la destination et que sa qualité compte, choisissez le moteur dédié. Si vous convertissez entre de nombreux formats et que le Markdown n’est qu’une des cibles, choisissez le convertisseur général ; son itinéraire PDF est couvert dans 3 façons de transformer les PDF en Markdown prêt pour les LLM (et pourquoi le local l’emporte).

Qu’est‑ce qui fait du Markdown le meilleur format pour l’ingestion RAG ?

Les titres survivent, les tableaux restent des tableaux, les listes restent des listes. Ce sont les unités avec lesquelles un chunker et un embedder travaillent. Le serveur convertit DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM et plus de 20 autres formats via un seul outil, convert_to_markdown. Les sources de la famille Word se convertissent le plus proprement car leur structure est explicite dans le fichier. Les feuilles de calcul deviennent des tableaux Markdown.

Trois options sont importantes pour un index :

Option Paramètre pour l’ingestion Raison
images "file", ou "skip" pour le texte uniquement Le base64 par défaut insère un URI de données multi‑mégaoctets au milieu d’un chunk
frontMatter true Le YAML avec titre, auteur, format et nombre de pages devient métadonnées du chunk, ainsi une réponse peut citer le titre du document et non le nom du fichier
flavor "github" (par défaut) ou "commonmark" Correspondre au parseur qui lit le résultat

Exemple de session (abrégé)

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.

Comment vérifier le corpus avant de l’indexer ?

Traitez l’exécution comme non fiable jusqu’à ce que vous l’ayez examinée. Une invite capture la plupart des échecs :

Pour chaque fichier converti, indiquez-moi le nombre de pages source et la longueur du Markdown résultant.

get_document_info renvoie fileName, fileFormat, pageCount, title, author et isEncrypted sans conversion, ainsi l’agent peut comparer le nombre de pages à ce qu’il a écrit. Un manuel de 300 pages devenu 4 KB de Markdown est une numérisation ou une exécution tronquée.

Les PDF numérisés sont une limite stricte. Ils n’ont aucune couche de texte, et ce serveur n’a aucune étape OCR ; traitez ces fichiers séparément.

Limites honnêtes : le plafond d’évaluation

Sans licence, le serveur fonctionne en mode évaluation, où seules les trois premières pages sont traitées, avec un filigrane d’évaluation sur chacune. La sortie est du Markdown valide et rien ne signale que le reste a été ignoré, ainsi un index construit de cette façon semble complet et est presque vide. Faites de get_license_status le premier appel de chaque exécution d’ingestion.

FAQ

Quel est le meilleur format pour l’ingestion RAG ?

Le Markdown est un choix solide car les chunkers et les embedders gèrent bien les titres, les listes et les tableaux. Utilisez images: "file" et frontMatter: true afin que les chunks ne contiennent pas de base64 et conservent leurs métadonnées sources.

Puis-je convertir Word en Markdown pour un LLM sans télécharger les documents ?

Oui. GroupDocs.Markdown.Mcp s’exécute comme un processus local via stdio, et l’agent lit les fichiers depuis le dossier que vous avez configuré.

Le convertit‑il un PDF en Markdown pour une base de données vectorielle ?

Il convertit les PDF qui possèdent une couche de texte, avec les titres, listes et tableaux récupérés lorsque la source le permet. Les PDF numérisés n’ont aucun texte à convertir, et il n’y a aucune étape OCR.

Approfondir