LLM hanya dapat mengambil apa yang dipertahankan oleh langkah ingest, jadi pekerjaan pertama dari pipeline RAG adalah mengubah file Word, PDF, Excel, dan e‑book menjadi Markdown bersih. Dengan GroupDocs.Markdown.Mcp sebuah agen AI melakukan itu secara lokal, dari Claude Desktop, Claude Code, Cursor atau klien MCP lainnya, dan file tidak pernah meninggalkan mesin Anda:

Konversi setiap PDF dalam folder ini ke Markdown, gambar sebagai file, dengan front matter.

Versi langkah demi langkah dengan konfigurasi dan pemecahan masalah ada di dokumentasi: Cara mengonversi dokumen ke Markdown untuk RAG dengan agen AI.

Mengapa kebanyakan pipeline RAG memulai dengan langkah konversi yang salah?

Kebiasaan biasanya adalah memperlakukan konversi sebagai pipa: mengirim file ke parser mana pun yang terdekat, menerima teks apa pun yang dikembalikan, dan menghabiskan upaya pada embedding. Itu membalikkan urutan pentingnya. Sebuah chunker memecah berdasarkan heading, sebuah tabel yang tiba sebagai aliran nilai sel tidak menjawab pertanyaan apa pun, dan korpus yang diunggah ke parser pihak ketiga adalah pengungkapan yang tidak Anda rencanakan. Ketika pengambilan data buruk, penyebabnya bisa berada pada file pertama yang disentuh pipeline.

Postingan ini mengusulkan tiga koreksi: menjaga langkah tersebut di mesin Anda sendiri, memilih opsi output dengan sengaja, dan memverifikasi hasilnya alih‑alih mempercayainya.

Apakah parser cloud tempat yang tepat untuk ingest dokumen?

Untuk korpus internal, biasanya tidak. Ingest adalah satu tahap yang melihat setiap dokumen yang Anda miliki: kebijakan, daftar harga, post‑mortem. Layanan parsing yang menerima semuanya telah melihat seluruh arsip, bukan satu file.

GroupDocs.Markdown.Mcp menggunakan transport MCP stdio. Klien AI Anda memulai server sebagai proses anak, dan jalur data adalah agen, server lokal, sistem file lokal. Server tidak memiliki port masuk, tidak ada endpoint eksternal dan tidak ada telemetri. Hanya apa yang ditulis agen dalam balasannya yang dikirim ke penyedia model. Lisensi berbasis meter adalah satu kasus yang memerlukan lalu lintas keluar: ia melaporkan penggunaan, tidak pernah konten dokumen, dan file lisensi berfungsi secara offline.

Mulai dengan Docker:

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

atau, dengan .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. Arahkan GROUPDOCS_MCP_STORAGE_PATH ke folder yang berisi korpus.

Server GroupDocs mana yang mengonversi ke Markdown: Markdown atau Conversion?

Keduanya dapat menghasilkan Markdown, dan mereka menjawab pertanyaan yang berbeda.

Anda butuhkan Gunakan
Markdown yang mempertahankan struktur, dengan kontrol atas gambar, flavor, pemilihan halaman, dan front matter GroupDocs.Markdown.Mcp (server ini)
Markdown sebagai salah satu banyak target, atau DOCX ke PDF ke XLSX dalam alur kerja yang sama GroupDocs.Conversion.Mcp, yang mencakup lebih dari 100 format dalam kedua arah

Jika Markdown adalah tujuan dan kualitasnya penting, pilih mesin khusus. Jika Anda mengonversi antara banyak format dan Markdown hanya salah satunya, pilih konverter umum; rute PDF‑nya dibahas dalam 3 cara mengubah PDF menjadi Markdown siap LLM (dan mengapa lokal menang).

Apa yang membuat Markdown menjadi format terbaik untuk ingest RAG?

Heading tetap ada, tabel tetap tabel, daftar tetap daftar. Itu adalah unit yang digunakan chunker dan embedder. Server mengonversi DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM dan lebih dari 20 format lainnya melalui satu alat, convert_to_markdown. Sumber keluarga Word mengonversi paling bersih karena struktur mereka eksplisit dalam file. Lembar spreadsheet menjadi tabel Markdown.

Tiga opsi penting untuk sebuah indeks:

Opsi Pengaturan untuk ingest Alasan
images "file", atau "skip" untuk hanya prosa Default base64 menempatkan data URI multi‑megabyte di tengah chunk
frontMatter true YAML dengan judul, penulis, format, dan jumlah halaman menjadi metadata chunk, sehingga jawaban dapat menyebut judul dokumen bukan nama file
flavor "github" (default) atau "commonmark" Cocokkan parser yang membaca hasilnya

Contoh sesi (disingkat)

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.

Bagaimana cara memeriksa korpus sebelum saya mengindeksnya?

Anggap proses sebagai tidak tepercaya sampai Anda memeriksanya. Satu prompt menangkap sebagian besar kegagalan:

Untuk setiap file yang dikonversi, beri tahu saya jumlah halaman sumber dan panjang Markdown yang dihasilkan.

get_document_info mengembalikan fileName, fileFormat, pageCount, title, author, dan isEncrypted tanpa mengonversi, sehingga agen dapat membandingkan jumlah halaman dengan apa yang ditulisnya. Manual 300 halaman yang menjadi 4 KB Markdown adalah hasil scan atau proses terpotong.

PDF yang dipindai adalah batas keras. Mereka tidak memiliki lapisan teks, dan server ini tidak memiliki langkah OCR; tangani file tersebut secara terpisah.

Batas jujur: batas evaluasi

Tanpa lisensi server berjalan dalam mode evaluasi, di mana hanya 3 halaman pertama yang diproses, dengan watermark evaluasi pada masing‑masing. Outputnya adalah Markdown yang valid dan tidak ada yang melaporkan bahwa sisanya dilewati, sehingga indeks yang dibangun dengan cara ini terlihat lengkap namun hampir kosong. Jadikan get_license_status panggilan pertama pada setiap proses ingest.

FAQ

Apa format terbaik untuk ingest RAG?

Markdown adalah pilihan yang kuat karena chunker dan embedder menangani heading, daftar, dan tabel dengan baik. Gunakan images: "file" dan frontMatter: true sehingga chunk tidak membawa base64 dan mempertahankan metadata sumbernya.

Bisakah saya mengonversi Word ke Markdown untuk LLM tanpa mengunggah dokumen?

Ya. GroupDocs.Markdown.Mcp berjalan sebagai proses lokal melalui stdio, dan agen membaca file dari folder yang Anda konfigurasikan.

Apakah ini mengubah PDF menjadi Markdown untuk basis data vektor?

Ia mengonversi PDF yang memiliki lapisan teks, dengan heading, daftar, dan tabel yang dipulihkan bila sumber memungkinkan. PDF yang dipindai tidak memiliki teks untuk dikonversi, dan tidak ada langkah OCR.

Selami lebih dalam