企業文書を AI 対応に — 信頼性が高く、オンプレミスで、意味的に準備しましょう。
組織が PDF、DOCX、XLSX、ePub 形式で文書を管理しているケースは非常に一般的です。LLM（Large Language Model）は HTML やプレーンテキストでの処理に優れていますが、これらのネイティブ文書形式は、文書や文書群と対話したい LLM + RAG パイプラインで効果的に使用できるように変換が必要です。
LLM (Large Language Model) — 大規模テキストコーパスで事前学習された AI モデルで、テキストを生成し質問に回答します。
RAG (Retrieval‑Augmented Generation) — LLM と外部知識ベース（例: 企業文書）を組み合わせ、モデルがドメイン固有のコンテンツを取得・推論できるようにする手法。
以下のシーケンス図は、質問に対する回答を生成する際の典型的な手順を示しています。
システム（LLM + RAG）から得られる回答の品質は、システム自体だけでなく、ソース文書が検索パイプラインに投入されたときに構造と意味をどれだけ保持しているかにも依存します。
問題
文書のフォーマットは視覚的なものだけでなく、セマンティクスも保持しています。見出し、リスト、表、太字/斜体の強調、キャプション、インライン画像はすべて、LLM がコンテキストを理解するための意味情報を提供します。ページ全体を平坦な画像として扱う OCR 変換などの安易な変換は、これらのセマンティクスを失いがちです。その結果、RAG の検索や下流の LLM の回答が不正確またはノイズが多くなることがあります。
スキャン文書に対して OCR は有用ですが、リストがページをまたいで分割されたり、表の罫線が誤認識されたり、注釈が失われたりと、構造が頻繁に除去されます。また、大規模アーカイブを処理する際にはコストとインフラ負荷も増大します。
解決策
構造を認識したまま文書を解析し、その構造を LLM フレンドリーなセマンティック形式 ― Markdown ― にエクスポートする代替アプローチがあります。Markdown は軽量で広くサポートされ、見出し、リスト、表、コードブロック、強調、キャプション、画像参照など、検索品質を向上させる要素をすべて保持します。
GroupDocs.Markdown for .NET は、PDF、DOCX、XLSX、ePub などの一般的な文書形式を、RAG システムへのインジェストに適したクリーンでセマンティックな Markdown に変換します。オンプレミスの .NET ライブラリであるため、すべての処理は自社環境内で完結し、外部サービスへの依存やデータ漏洩、リモート GPU への依存はありません。
はじめ方
GroupDocs.Markdown for .NET は NuGet パッケージとして提供されており、公式の MSI と ZIP でもダウンロードできます。
.NET CLI で NuGet パッケージをインストールします：
dotnet add package GroupDocs.Markdown
または公式ダウンロードページからインストーラとアセンブリを取得してください： https://releases.groupdocs.com/markdown/net/
使用例（Program.cs に追加）：
// 名前空間をインポート
using GroupDocs.Markdown;
// ライセンスを設定（評価版の場合はオプション）
License.Set("GroupDocs.Markdown.lic");
// ソース文書用コンバータを作成
var converter = new MarkdownConverter("rich-text-formatting.docx");
// 変換してファイルに保存
converter.Convert("rich-text-formatting.md");
変換された rich-text-formatting.md ファイルは、アプリケーションと同じフォルダーに保存されます。
以下のスクリーンショットは、入力 DOCX ファイルと出力 Markdown を示しています。
ライセンスなしで実行すると、評価モードではページ数が制限されます（例: 最初の 3 ページ）。フル機能を試すには、一時ライセンスをリクエストしてください。
一時ライセンスを取得するには、Purchase Wizard を開き、連絡先情報を入力し、Contact Details 手順で Get a temporary license をクリックします。一時ライセンスはメールで送付されます。
一時ライセンスの詳細はこちら: https://purchase.groupdocs.com/temporary-license/
対応ファイル形式
GroupDocs.Markdown for .NET は、エンタープライズおよび電子書籍で一般的に使用される幅広い形式に対応しています。サポートされている拡張子の完全なリストは次のとおりです。
- PDF
pdf
- スプレッドシート
.xls,.xlsx,.xlsb,.xlsm,.xlt,.xltx,.xltm,.xlam,.csv,.tsv,.ods,.ots,.fods,.numbers,.sxc
- Word / リッチテキスト
.doc,.docx,.dot,.dotm,.dotx,.docm,.rtf,.odt,.ott
- 電子書籍
.azw3,.mobi,.epub
- テキスト / マークアップ / ヘルプ
.chm,.xml,.txt
動作概要（内部 — 高レベル）
文書が処理されると、主に次の 2 つのフェーズが実行されます。
-
ドキュメントモデル抽出
文書は、段落、見出し、リスト、表、画像、脚注、注釈などの構造要素を表すインメモリオブジェクトモデルにパースされます。パーサは、リストの階層や表のセル、画像キャプションなどのセマンティクスを保持しようと努めます。 -
Markdown 生成
オブジェクトモデルを走査し、画像処理方法、表フォーマット、見出しレベル、特別な注釈などの設定可能な変換オプションに従って Markdown に変換します。結果は、LLM がインデックス作成や検索に利用できる、可読性の高いセマンティック Markdown ファイルになります。
エクスポート例
上記のコード例は DOCX を Markdown にエクスポートする方法を示しています。このコード例を使用して、ソースファイルと出力ファイルをデモとして確認しましょう。
ソース DOCX
Preview powered by GroupDocs.Viewer for .NET UI.
出力 Markdown
This document contains a variety of formatted elements that are used to test document rendering quality during file conversion
# <a name="_toc76372684"></a>**Font Formatting**
Source Sans Pro Light, 14 pt.
Simple text in Times New Roman 12 followed by an empty paragraph<sub>subscript</sub> and<sup>superscript</sup>.
Various characters: ‘ “ & < > £ ¥ § ¨ © ª « ® » ¼
Paragraph with multiple segments of text formatted in different fonts, sizes and colors. Very different sizes and colors including **bold**, *italic*, underline and 1 2 3 4 5 ~~strikethrough~~. Make sure that the lines wrapped in the same way in Word and in Pdf.
This text has shading and highlighting and borders, and it is supported.
# <a name="_toc76372685"></a>**Paragraph Formatting**
Paragraph shading should not form empty gaps even with spacing 12 after.
Centered paragraph with a line break had a problem.\
Centered paragraph with a line break had a problem.
Right aligned paragraphs must be right aligned properly.
Right aligned paragraph with line break works well.\
Right aligned paragraph with line break works well.
This paragraph has a border.
Right aligned condensed text had a problem.
Right aligned expanded text had a problem.
Spacing after and before do not add up, just the greater is used. This paragraph has 12 after. Also, when indents are different, the shading does not join.
This paragraph has 12 before, but in total there is only 12 above. Also note that shading belongs to the paragraph at the top and shading of this paragraph does not go down unless next paragraph has shading too. There are 24 points below.
There are 24 points above, but the gap between this and previous paragraph is only 24.
This paragraph is a test for double line spacing. This paragraph is a test for double line spacing. It also have 0.5” for the first line.
This is a test for 1.5 line spacing. This is a test for 1.5 line spacing. Also has -0.5” indent for the first line.
This paragraph has a page break
and centered. It actually creates two paragraphs.
This is a test for Exactly 20 points of spacing. This is a test for Exactly 20 points of spacing. TTTTTT (20, 22, 24, 26, 28, 30).
There is a continuous section break after this line.
This line is in the new section. Next here is an empty section.
This line is in the fourth section.
# <a name="_toc76372686"></a>**Paragraph Justify**
This is a justified paragraph with a single segment. 111111111111111111111111111111111111111111.
Also a justified **paragraph** reset to left because of multiple segments. 111111111111111111111111111111111111111111.
# **Non-English Characters**
Wingdings: (x, Symbol: WÄ
Russian: Теперь немного по русски.
# <a name="_toc76372687"></a>**Tables**
|Cell 1.1 Left|Cell 1.2 Right|||
| :- | -: | :- | :- |
|Cell 2.1 Centered vertically|Cell 2.2 with background|Cell 2.3 with line break<br>and coloured border.||
|Cell 3.1 Bottom vertically|<p>Cell 3.2</p><p>Centered</p><p>Horizontally</p>|Cell 3.3 No border||
|Left red, blue top, green right and yellow bottom.|
| :- |
|Table with left indent and merged cells.||||
| :- | :- | :- | :- |
|||||
|||||
**Cell padding etc.**
|<p>Cell padding.</p><p>Top: 0.1, bottom 0.2</p><p>Left: 0.5, Right 0.4</p>|Zero padding on all sides, right aligned.|
| :- | -: |
|Outer 1.1|Outer 1.2. There is a nested table here||
| :- | :-: | -: |
|**Nested 1.1**|**Nested 1.2**|
| :- | :- |
|||Outer 1.3|
| :- | :-: | -: |
#
# <a name="_toc76372688"></a>**Lists**
**Numbered list:**
1. Item 1
1. Item 2
1. Item 2.1
1. Item 2.2
1. Item 3
**Bulleted list:**
- Item 1
- Item 2
- Item 2.1
- Item 2.2
- Item 3
#
# <a name="_toc76372689"></a>**Images**
This section starts from a new page.
**Ellipse text**
 is here and inline ellipse  is here.
新しいページから始まるセクションです。
縦向きで余白があります。
# <a name="_toc76372690"></a>**フィールド**
マージフィールド «FirstName»
ページ番号 5
ハイパーリンク [Aspose.com](http://www.aspose.com)
目次
[フォント書式設定 1](#_toc76372684)
[段落書式設定 1](#_toc76372685)
[非英語文字 2](#_toc76372686)
[表 2](#_toc76372687)
[リスト 2](#_toc76372688)
[画像 4](#_toc76372689)
[フィールド 5](#_toc76372690)
# **フォームフィールド**
編集 <a name="text1"></a>test text
チェックボックス <a name="check1"></a>
コンボボックス <a name="dropdown1"></a>
# **脚注と文末脚注**
この行の末尾に脚注があります。[^1]
この行の末尾に文末脚注があります。[^2]
[^1]: 脚注 1。
[^2]: 文末脚注 1。
---
## 要約
**GroupDocs.Markdown for .NET** は、さまざまな文書形式を LLM + RAG システム向けにセマンティックな Markdown に変換します。文書構造と意味を保持し、オンプレミスで実行でき、一般的なエンタープライズ形式に対応しているため、AI 活用のために大量の文書コレクションを準備する組織にとって実用的な選択肢です。
---
## 詳細情報
- 製品ホーム: https://products.groupdocs.com/markdown/net/
- ドキュメント: https://docs.groupdocs.com/markdown/net/
- ライセンス情報: https://about.groupdocs.com/legal/
- ダウンロード: https://releases.groupdocs.com/markdown/net/
---
## サポートとフィードバック
ご質問や技術的なサポートが必要な場合は、[Free Support Forum](https://forum.groupdocs.com/)をご利用ください — 喜んでお手伝いします。