An LLM może pobrać tylko to, co zachował krok ingestii, więc pierwszym zadaniem potoku RAG jest przekształcenie plików Word, PDF, Excel i e‑booków w czysty Markdown. Dzięki GroupDocs.Markdown.Mcp agent AI robi to lokalnie, z Claude Desktop, Claude Code, Cursor lub dowolnego innego klienta MCP, a pliki nigdy nie opuszczają Twojego komputera:

Przekonwertuj każdy PDF w tym folderze na Markdown, obrazy jako pliki, z front matter.

Wersja krok po kroku z konfiguracją i rozwiązywaniem problemów znajduje się w dokumentacji: Jak konwertować dokumenty do Markdown dla RAG przy użyciu agenta AI.

Dlaczego większość potoków RAG zaczyna od niewłaściwego kroku konwersji?

Zwyczajowo traktuje się konwersję jako element infrastruktury: wysyła się pliki do dowolnego najbliższego parsera, akceptuje się zwrócony tekst i poświęca się wysiłek na osadzanie. To odwraca kolejność ważności. Chunker dzieli na nagłówki, tabela, która przychodzi jako strumień wartości komórek, nie odpowiada na żadne pytanie, a korpus przesłany do parsera zewnętrznego jest ujawnieniem, którego nie planowano. Gdy wyszukiwanie jest słabe, przyczyną może być pierwszy plik, którego dotknął potok.

Ten wpis proponuje trzy poprawki: zachowaj krok na własnym komputerze, świadomie wybieraj opcje wyjściowe oraz weryfikuj wynik zamiast mu ufać.

Czy parser w chmurze jest właściwym miejscem dla ingestii dokumentów?

Dla wewnętrznego korpusu zazwyczaj nie. Ingestia jest jedynym etapem, który widzi każdy posiadany dokument: polityki, cenniki, raporty post‑mortem. Usługa parsowania, która otrzymuje je wszystkie, widziała cały archiwum, a nie pojedynczy plik.

GroupDocs.Markdown.Mcp używa transportu MCP stdio. Twój klient AI uruchamia serwer jako proces potomny, a ścieżka danych to agent, lokalny serwer, lokalny system plików. Serwer nie ma portów przychodzących, żadnych zewnętrznych punktów końcowych ani telemetrii. Tylko to, co agent zapisuje w swoich odpowiedziach, trafia do dostawcy modelu. Licencjonowanie na zasadzie zużycia jest jedynym przypadkiem wymagającym ruchu wychodzącego: raportuje użycie, nigdy treść dokumentu, a plik licencji działa offline.

Uruchom go za pomocą Dockera:

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

lub, przy użyciu .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. Ustaw GROUPDOCS_MCP_STORAGE_PATH na folder zawierający korpus.

Który serwer GroupDocs konwertuje do Markdown: Markdown czy Conversion?

Oba mogą generować Markdown i odpowiadają na różne pytania.

Czego potrzebujesz Użyj
Markdown zachowujący strukturę, z kontrolą nad obrazami, wariantem, wyborem stron i front matter GroupDocs.Markdown.Mcp (this server)
Markdown jako jeden z wielu celów, lub DOCX do PDF do XLSX w tym samym przepływie pracy GroupDocs.Conversion.Mcp, który obsługuje ponad 100 formatów w obu kierunkach

Jeśli Markdown jest celem i jego jakość ma znaczenie, wybierz dedykowany silnik. Jeśli konwertujesz między wieloma formatami i Markdown jest tylko jednym z nich, wybierz ogólny konwerter; jego trasa PDF jest opisana w 3 sposoby na przekształcenie PDF‑ów w Markdown gotowy dla LLM (i dlaczego lokalne rozwiązanie wygrywa).

Co sprawia, że Markdown jest najlepszym formatem dla ingestii RAG?

Nagłówki przetrwają, tabele pozostają tabelami, listy pozostają listami. Są to jednostki, z którymi pracuje chunker i embedder. Serwer konwertuje DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM i ponad 20 innych formatów za pomocą jednego narzędzia, convert_to_markdown. Źródła z rodziny Word konwertują się najczystej, ponieważ ich struktura jest wyraźna w pliku. Arkusze kalkulacyjne stają się tabelami Markdown.

Trzy opcje mają znaczenie przy indeksowaniu:

Opcja Ustawienie dla ingestii Powód
images "file" lub "skip" dla samego tekstu Domyślne base64 umieszcza wielomegabajtowy URI danych w środku fragmentu
frontMatter true YAML z tytułem, autorem, formatem i liczbą stron staje się metadanymi fragmentu, więc odpowiedź może cytować tytuł dokumentu, a nie nazwę pliku
flavor "github" (domyślnie) lub "commonmark" Dopasuj parser, który odczytuje wynik

Przykładowa sesja (skrócona)

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.

Jak sprawdzić korpus przed jego indeksowaniem?

Traktuj uruchomienie jako niepewne, dopóki go nie przejrzysz. Jedno zapytanie wychwytuje większość błędów:

Dla każdego przekonwertowanego pliku podaj liczbę stron źródłowych i długość wynikowego Markdown.

get_document_info zwraca fileName, fileFormat, pageCount, title, author oraz isEncrypted bez konwersji, więc agent może porównać liczbę stron z tym, co zapisał. 300‑stroniczy podręcznik, który stał się 4 KB Markdown, to skan lub przycięte uruchomienie.

Zeskanowane PDF‑y są twardym limitem. Nie mają warstwy tekstowej, a ten serwer nie posiada kroku OCR; obsłuż te pliki osobno.

Szczere ograniczenia: limit wersji ewaluacyjnej

Bez licencji serwer działa w trybie ewaluacyjnym, w którym przetwarzane są tylko pierwsze 3 strony, z znakiem wodnym wersji ewaluacyjnej na każdej. Wynik jest prawidłowym Markdown i nic nie informuje, że reszta została pominięta, więc indeks zbudowany w ten sposób wygląda na kompletny, a jest prawie pusty. Ustaw get_license_status jako pierwsze wywołanie każdego uruchomienia ingestii.

FAQ

Jaki jest najlepszy format dla ingestii RAG?

Markdown jest solidnym wyborem, ponieważ chunkery i embeddery dobrze radzą sobie z nagłówkami, listami i tabelami. Użyj images: "file" i frontMatter: true, aby fragmenty nie zawierały base64 i zachowały metadane źródła.

Czy mogę konwertować Word do Markdown dla LLM bez przesyłania dokumentów?

Tak. GroupDocs.Markdown.Mcp działa jako lokalny proces korzystający ze stdio, a agent odczytuje pliki z folderu, który skonfigurowałeś.

Czy konwertuje PDF do Markdown dla bazy wektorowej?

Konwertuje PDF‑y posiadające warstwę tekstową, z nagłówkami, listami i tabelami odzyskanymi tam, gdzie źródło na to pozwala. Zeskanowane PDF‑y nie mają tekstu do konwersji i nie ma kroku OCR.

Zagłęb się