An LLM יכול רק לאחזר את מה שהשלב של הקליטה שמר, ולכן המשימה הראשונה של צינור RAG היא להמיר קבצי Word, PDF, Excel וקבצי e‑book ל‑Markdown נקי. עם GroupDocs.Markdown.Mcp סוכן AI עושה זאת מקומית, מ‑Claude Desktop, Claude Code, Cursor או כל לקוח MCP אחר, והקבצים אף פעם לא עוזבים את המחשב שלך:

המרת כל קובץ PDF בתיקייה זו ל‑Markdown, תמונות כקבצים, עם front matter.

הגרסה צעד‑אחר‑צעד עם תצורה ופתרון בעיות נמצאת בתיעוד: איך להמיר מסמכים ל‑Markdown עבור RAG עם סוכן AI.

למה רוב צינורות RAG מתחילים בצעד ההמרה השגוי?

ההרגל הרגיל הוא להתייחס להמרה כצינוריות: לשלוח את הקבצים לכל parser הקרוב, לקבל כל טקסט שמוחזר, ולהשקיע את המאמץ באימג’ינג. זה הופך את סדר החשיבות. מחלק (chunker) מחלק לפי כותרות, טבלה שמגיעה כזרם של ערכי תאים אינה עונה על שום שאלה, וקורפוס שהועלה ל‑parser של צד שלישי הוא גילוי שלא תכננת. כאשר האחזור גרוע, הסיבה יכולה להיות בקובץ הראשון שהצינור נגע בו.

פוסט זה טוען שלושה תיקונים: לשמור את הצעד במכונה שלך, לבחור אפשרויות פלט בכוונה, ולאמת את התוצאה במקום לבטוח בה.

האם parser בענן הוא המקום המתאים לקליטת מסמכים?

עבור קורפוס פנימי, בדרך כלל לא. הקליטה היא השלב היחיד שרואה כל מסמך שבבעלותך: מדיניות, רשימות מחירים, דו"חות פוסט‑מורטם. שירות parsing שמקבל את כולם ראה את כל הארכיון, ולא קובץ בודד.

GroupDocs.Markdown.Mcp משתמש בתעבורת MCP stdio. לקוח ה‑AI שלך מתחיל את השרת כתהליך בן, והנתיב של הנתונים הוא סוכן, שרת מקומי, מערכת קבצים מקומית. לשרת אין פורטים נכנסים, אין נקודות קצה חיצוניות ואין טלמטריה. רק מה שהסוכן כותב בתשובותיו מגיע לספק המודל. רישיון מבוסס מדידה הוא המקרה היחיד שדורש תעבורה יוצאת: הוא מדווח על שימוש, לעולם לא על תוכן המסמך, וקובץ רישיון פועל במצב לא מקוון.

הפעל אותו עם Docker:

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

או, עם .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. הפנה את GROUPDOCS_MCP_STORAGE_PATH לתיקייה שמכילה את הקורפוס.

איזה שרת GroupDocs ממיר ל‑Markdown: Markdown או Conversion?

שניהם יכולים לייצר Markdown, והם עונים על שאלות שונות.

אתה צריך השתמש
Markdown ששומר על המבנה, עם שליטה על תמונות, flavor, בחירת עמודים ו‑front matter GroupDocs.Markdown.Mcp (this server)
Markdown כאחד ממספר יעדים, או DOCX ל‑PDF ל‑XLSX באותו זרימת עבודה GroupDocs.Conversion.Mcp, שמכסה יותר מ‑100 פורמטים בשני הכיוונים

אם Markdown הוא היעד ואיכותו חשובה, בחר במנוע המיועד. אם אתה ממיר בין פורמטים רבים ו‑Markdown הוא רק אחד מהם, בחר בממיר הכללי; נתיב ה‑PDF שלו מכוסה ב‑איך להמיר מסמכים ל‑Markdown עבור RAG עם סוכן AI.

מה עושה את Markdown הפורמט הטוב ביותר לקליטת RAG?

כותרות נשמרות, טבלאות נשארות טבלאות, רשימות נשארות רשימות. אלו הן היחידות שה‑chunker וה‑embedder עובדים איתן. השרת ממיר DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM ועוד יותר מ‑20 פורמטים באמצעות כלי אחד, convert_to_markdown. מקורות ממשפחת Word מתורגמים בצורה הנקייה ביותר מכיוון שהמבנה שלהם מפורש בקובץ. גיליונות אלקטרוניים הופכים לטבלאות Markdown.

שלוש אפשרויות חשובות לאינדקס:

אפשרות הגדרה לקליטה סיבה
images "file", או "skip" לטקסט בלבד ברירת המחדל base64 מציבה URI של נתונים של כמה מגהבייטים באמצע של chunk
frontMatter true YAML עם כותרת, מחבר, פורמט וספירת עמודים הופך למטא‑נתוני chunk, כך שתשובה יכולה לצטט את כותרת המסמך ולא את שם הקובץ
flavor "github" (ברירת מחדל) או "commonmark" התאם ל‑parser שקורא את התוצאה

דוגמת שיחה (מקוצרת)

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.

איך לבדוק את הקורפוס לפני שאני מאנדקס אותו?

התייחס להרצה כלא מהימנה עד שתבדוק אותה. פקודה אחת תופסת את רוב הכשלים:

לכל קובץ מומר, אמור לי את מספר העמודים המקורי ואת אורך ה‑Markdown שנוצר.

get_document_info מחזיר fileName, fileFormat, pageCount, title, author ו‑isEncrypted ללא המרה, כך שהסוכן יכול להשוות את ספירת העמודים למה שכתב. מדריך של 300 עמודים שהפך ל‑4 ק״ב של Markdown הוא סריקה או הרצה מקוצרת.

קבצי PDF סרוקים הם מגבלה קשיחה. אין להם שכבת טקסט, ולשרת הזה אין שלב OCR; יש לטפל בקבצים אלה בנפרד.

מגבלות כנות: מגבלת ההערכה

בלי רישיון השרת פועל במצב הערכה, שבו רק שלושת העמודים הראשונים מעובדים, עם סימן מים של הערכה על כל אחד. הפלט הוא Markdown תקין ושום דבר לא מדווח שהשאר דולג, ולכן אינדקס שנבנה כך נראה שלם והוא כמעט ריק. הפוך את get_license_status לקריאה הראשונה של כל הרצת קליטה.

שאלות נפוצות

מהו הפורמט הטוב ביותר לקליטת RAG?

Markdown הוא בחירה חזקה מכיוון ש‑chunkers ו‑embedders מתמודדים היטב עם כותרות, רשימות וטבלאות. השתמש ב‑images: "file" וב‑frontMatter: true כך שה‑chunks לא יכילו base64 וישמרו את מטא‑נתוני המקור שלהם.

האם ניתן להמיר Word ל‑Markdown עבור LLM ללא העלאת המסמכים?

כן. GroupDocs.Markdown.Mcp פועל כתהליך מקומי דרך stdio, והסוכן קורא את הקבצים מהתיקייה שהגדרת.

האם הוא ממיר PDF ל‑Markdown עבור מסד נתונים וקטורי?

הוא ממיר קבצי PDF שיש להם שכבת טקסט, עם כותרות, רשימות וטבלאות המשוחזרים כאשר המקור מאפשר זאת. קבצי PDF סרוקים אין להם טקסט להמרה, ואין שלב OCR.

להעמיק יותר