Um LLM só pode recuperar o que a etapa de ingestão preservou, portanto o primeiro trabalho de um pipeline RAG é transformar arquivos Word, PDF, Excel e e‑book em Markdown limpo. Com o GroupDocs.Markdown.Mcp um agente de IA faz isso localmente, a partir do Claude Desktop, Claude Code, Cursor ou qualquer outro cliente MCP, e os arquivos nunca deixam sua máquina:

Converta todos os PDFs nesta pasta para Markdown, imagens como arquivos, com front matter.

A versão passo a passo com configuração e solução de problemas está na documentação: Como converter documentos para Markdown para RAG com um agente de IA.

Por que a maioria dos pipelines RAG começa com a etapa de conversão errada?

O hábito usual é tratar a conversão como encanamento: enviar os arquivos para qualquer analisador que esteja mais próximo, aceitar qualquer texto que retorne e dedicar o esforço às incorporações. Isso inverte a ordem de importância. Um chunker divide pelos títulos, uma tabela que chega como um fluxo de valores de células não responde a nenhuma pergunta, e um corpus enviado a um analisador de terceiros é uma divulgação que você não planejou. Quando a recuperação é fraca, a causa pode estar no primeiro arquivo que o pipeline tocou.

Este post defende três correções: manter a etapa na sua própria máquina, escolher as opções de saída de forma intencional e verificar o resultado em vez de confiar nele.

Um analisador em nuvem é o lugar certo para a ingestão de documentos?

Para um corpus interno, geralmente não. A ingestão é a única etapa que vê todos os documentos que você possui: políticas, listas de preços, análises pós‑mortem. Um serviço de análise que os recebe todos viu todo o arquivo, não apenas um arquivo.

O GroupDocs.Markdown.Mcp usa o transporte MCP stdio. Seu cliente de IA inicia o servidor como um processo filho, e o caminho dos dados é agente, servidor local, sistema de arquivos local. O servidor não tem portas de entrada, nenhum endpoint externo e nenhuma telemetria. Apenas o que o agente escreve em suas respostas viaja para o provedor do modelo. Licenciamento por medição é o único caso que precisa de tráfego de saída: ele relata uso, nunca o conteúdo do documento, e um arquivo de licença funciona offline.

Inicie‑o com Docker:

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

ou, com o .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. Aponte GROUPDOCS_MCP_STORAGE_PATH para a pasta que contém o corpus.

Qual servidor GroupDocs converte para Markdown: Markdown ou Conversion?

Ambos podem produzir Markdown, e respondem a perguntas diferentes.

O que você precisa Uso
Markdown que mantém a estrutura, com controle sobre imagens, flavor, seleção de páginas e front matter GroupDocs.Markdown.Mcp (este servidor)
Markdown como um dos vários destinos, ou DOCX para PDF para XLSX no mesmo fluxo de trabalho GroupDocs.Conversion.Mcp, que cobre mais de 100 formatos em ambas as direções

Se o Markdown for o destino e sua qualidade for importante, escolha o motor dedicado. Se você converte entre muitos formatos e o Markdown é apenas um deles, escolha o conversor geral; sua rota PDF está coberta em 3 maneiras de transformar PDFs em Markdown pronto para LLM (e por que o local vence).

O que torna o Markdown o melhor formato para ingestão RAG?

Títulos permanecem, tabelas continuam tabelas, listas permanecem listas. Essas são as unidades com que um chunker e um embedder trabalham. O servidor converte DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM e mais de 20 formatos adicionais através de uma única ferramenta, convert_to_markdown. Fontes da família Word convertem de forma mais limpa porque sua estrutura é explícita no arquivo. Planilhas se tornam tabelas Markdown.

Três opções são importantes para um índice:

Opção Configuração para ingestão Razão
images "file" ou "skip" apenas para prosa O padrão base64 coloca um URI de dados de vários megabytes no meio de um chunk
frontMatter true YAML com título, autor, formato e contagem de páginas torna‑se metadados do chunk, de modo que uma resposta pode citar o título do documento e não o nome do arquivo
flavor "github" (padrão) ou "commonmark" Correspondência com o analisador que lê o resultado

Sessão de exemplo (abreviada)

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.

Como verificar o corpus antes de indexá‑lo?

Trate a execução como não confiável até que você a tenha analisado. Um prompt captura a maioria das falhas:

Para cada arquivo convertido, informe a contagem de páginas de origem e o comprimento do Markdown resultante.

get_document_info retorna fileName, fileFormat, pageCount, title, author e isEncrypted sem converter, então o agente pode comparar a contagem de páginas com o que ele escreveu. Um manual de 300 páginas que se tornou 4 KB de Markdown é uma digitalização ou uma execução truncada.

PDFs digitalizados são um limite rígido. Eles não têm camada de texto, e este servidor não tem etapa de OCR; trate esses arquivos separadamente.

Limites honestos: o limite de avaliação

Sem uma licença o servidor funciona em modo de avaliação, onde apenas as primeiras 3 páginas são processadas, com uma marca d’água de avaliação em cada uma. A saída é Markdown válido e nada relata que o restante foi ignorado, portanto um índice construído dessa forma parece completo e está quase vazio. Faça get_license_status a primeira chamada de cada execução de ingestão.

Perguntas Frequentes

Qual é o melhor formato para ingestão RAG?

Markdown é uma escolha forte porque chunkers e embedders lidam bem com títulos, listas e tabelas. Use images: "file" e frontMatter: true para que os chunks não contenham base64 e mantenham seus metadados de origem.

Posso converter Word para Markdown para um LLM sem fazer upload dos documentos?

Sim. O GroupDocs.Markdown.Mcp funciona como um processo local via stdio, e o agente lê os arquivos da pasta que você configurou.

Ele transforma um PDF em Markdown para um banco de dados vetorial?

Ele converte PDFs que têm camada de texto, com títulos, listas e tabelas recuperados onde a fonte permite. PDFs digitalizados não têm texto para converter, e não há etapa de OCR.

Aprofunde-se