An LLM은 인게스트 단계에서 보존된 내용만 검색할 수 있으므로, RAG 파이프라인의 첫 번째 작업은 Word, PDF, Excel 및 전자책 파일을 깨끗한 Markdown으로 변환하는 것입니다. GroupDocs.Markdown.Mcp를 사용하면 AI 에이전트가 로컬에서 Claude Desktop, Claude Code, Cursor 또는 다른 MCP 클라이언트에서 이를 수행하며, 파일은 절대 머신을 떠나지 않습니다:

이 폴더의 모든 PDF를 Markdown으로 변환하고, 이미지는 파일로 저장하며, front matter를 포함합니다.

구성 및 문제 해결이 포함된 단계별 버전은 문서에 있습니다: AI 에이전트를 사용한 RAG용 문서를 Markdown으로 변환하는 방법.

대부분의 RAG 파이프라인이 잘못된 변환 단계로 시작하는 이유는?

보통의 습관은 변환을 배관 작업처럼 다루는 것입니다: 파일을 가장 가까운 파서에 보내고, 반환되는 텍스트를 그대로 받아들이며, 임베딩에 노력을 집중합니다. 이는 중요도의 순서를 뒤바꿉니다. 청커는 헤딩을 기준으로 분할하고, 셀 값 스트림으로 도착하는 테이블은 어떤 질문에도 답하지 못합니다, 그리고 제3자 파서에 업로드된 코퍼스는 계획하지 않은 공개가 됩니다. 검색 결과가 좋지 않을 때, 원인은 파이프라인이 처음 다룬 파일에 있을 수 있습니다.

이 글은 세 가지 수정 사항을 주장합니다: 단계를 자신의 머신에 두고, 출력 옵션을 의도적으로 선택하며, 결과를 신뢰하지 말고 검증합니다.

클라우드 파서가 문서 인게스트에 적합한가요?

내부 코퍼스의 경우, 보통 적합하지 않습니다. 인게스트는 여러분이 보유한 모든 문서를 보는 유일한 단계입니다: 정책, 가격 목록, 사후 분석 등. 모든 문서를 받는 파싱 서비스는 전체 아카이브를 보게 되며, 개별 파일만 보는 것이 아닙니다.

GroupDocs.Markdown.Mcp는 MCP stdio 전송을 사용합니다. AI 클라이언트가 서버를 자식 프로세스로 시작하고, 데이터 경로는 에이전트 → 로컬 서버 → 로컬 파일 시스템입니다. 서버는 인바운드 포트가 없고, 외부 엔드포인트와 텔레메트리가 없습니다. 에이전트가 응답에 기록하는 내용만 모델 제공자에게 전달됩니다. 사용량 기반 라이선스는 외부 트래픽이 필요한 유일한 경우이며, 사용량을 보고하지만 문서 내용은 절대 전송되지 않으며, 라이선스 파일은 오프라인에서도 작동합니다.

Docker로 시작합니다:

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

또는 .NET 10 SDK를 사용하여 dnx GroupDocs.Markdown.Mcp --yes를 실행합니다. GROUPDOCS_MCP_STORAGE_PATH를 코퍼스를 보관하는 폴더로 지정합니다.

어떤 GroupDocs 서버가 Markdown으로 변환하나요: Markdown 또는 Conversion?

두 서버 모두 Markdown을 생성할 수 있으며, 서로 다른 질문에 답합니다.

필요한 것 사용
구조를 유지하고 이미지, flavor, 페이지 선택 및 front matter를 제어할 수 있는 Markdown GroupDocs.Markdown.Mcp (이 서버)
다양한 대상 중 하나인 Markdown, 또는 동일 워크플로에서 DOCX → PDF → XLSX 변환 GroupDocs.Conversion.Mcp, 양방향으로 100개 이상의 포맷을 지원합니다

Markdown이 최종 목적이고 품질이 중요하다면 전용 엔진을 선택하세요. 여러 포맷을 변환하고 Markdown이 그 중 하나에 불과하다면 일반 변환기를 선택하세요; PDF 경로는 PDF를 LLM 준비된 Markdown으로 변환하는 3가지 방법 (그리고 로컬이 승리하는 이유)에서 다룹니다.

Markdown이 RAG 인게스트에 가장 적합한 포맷인 이유는?

헤딩은 유지되고, 테이블은 테이블 그대로, 리스트는 리스트 그대로 유지됩니다. 이것이 청커와 임베더가 작업하는 단위입니다. 서버는 DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM 등 20개 이상의 포맷을 하나의 도구 convert_to_markdown를 통해 Markdown으로 변환합니다. Word 계열 소스는 파일에 구조가 명시되어 있어 가장 깔끔하게 변환됩니다. 스프레드시트 시트는 Markdown 테이블이 됩니다.

인덱스를 위해 중요한 세 가지 옵션은 다음과 같습니다:

옵션 인게스트 설정 이유
images "file", or "skip" for prose only 기본 base64는 멀티 메가바이트 데이터 URI를 청크 중간에 삽입합니다
frontMatter true title, author, format, page count가 포함된 YAML이 청크 메타데이터가 되어, 답변이 파일 이름이 아니라 문서 제목을 인용할 수 있습니다
flavor "github" (default) or "commonmark" 결과를 읽는 파서와 일치시킵니다

예시 세션 (축약)

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.

인덱싱하기 전에 코퍼스를 어떻게 확인할 수 있나요?

실행 결과를 직접 확인하기 전까지는 신뢰하지 말고 다루세요. 하나의 프롬프트가 대부분의 실패를 포착합니다:

변환된 각 파일에 대해 원본 페이지 수와 결과 Markdown 길이를 알려 주세요.

get_document_info는 변환 없이 fileName, fileFormat, pageCount, title, author, isEncrypted를 반환하므로 에이전트가 페이지 수를 기록된 내용과 비교할 수 있습니다. 300페이지 매뉴얼이 4KB의 Markdown으로 변환되었다면 이는 스캔이거나 잘린 실행입니다.

스캔된 PDF는 근본적인 제한입니다. 텍스트 레이어가 없으며, 이 서버는 OCR 단계를 제공하지 않으므로 해당 파일은 별도로 처리해야 합니다.

솔직한 제한: 평가 캡

라이선스가 없으면 서버는 평가 모드로 실행되며, 처음 3페이지만 처리되고 각 페이지에 평가 워터마크가 삽입됩니다. 출력은 유효한 Markdown이지만 나머지가 건너뛰어졌다는 보고는 없으므로, 이렇게 만든 인덱스는 완전해 보이지만 사실 거의 비어 있습니다. 각 인게스트 실행의 첫 호출을 get_license_status로 설정하세요.

FAQ

RAG 인게스트에 가장 적합한 포맷은 무엇인가요?

Markdown은 청커와 임베더가 헤딩, 리스트, 테이블을 잘 처리하기 때문에 강력한 선택입니다. images: "file"와 frontMatter: true를 사용하면 청크에 base64가 포함되지 않고 원본 메타데이터를 유지합니다.

문서를 업로드하지 않고 Word를 LLM용 Markdown으로 변환할 수 있나요?

예. GroupDocs.Markdown.Mcp는 stdio를 통해 로컬 프로세스로 실행되며, 에이전트는 설정한 폴더에서 파일을 읽습니다.

PDF를 벡터 데이터베이스용 Markdown으로 변환하나요?

텍스트 레이어가 있는 PDF는 헤딩, 리스트, 테이블을 복구하여 변환합니다. 스캔된 PDF는 변환할 텍스트가 없으며, OCR 단계가 없습니다.

더 깊이 파고들기