An LLM chỉ có thể truy xuất những gì bước nhập liệu đã bảo tồn, vì vậy công việc đầu tiên của một pipeline RAG là chuyển các tệp Word, PDF, Excel và e‑book thành Markdown sạch. Với GroupDocs.Markdown.Mcp, một tác nhân AI thực hiện việc này cục bộ, từ Claude Desktop, Claude Code, Cursor hoặc bất kỳ khách hàng MCP nào khác, và các tệp không bao giờ rời khỏi máy của bạn:

Chuyển đổi mọi PDF trong thư mục này sang Markdown, hình ảnh dưới dạng tệp, kèm front matter.

Phiên bản từng bước với cấu hình và khắc phục sự cố có trong tài liệu: Cách chuyển đổi tài liệu sang Markdown cho RAG với một tác nhân AI.

Tại sao hầu hết các pipeline RAG lại bắt đầu với bước chuyển đổi sai?

Thói quen thường gặp là coi việc chuyển đổi như một công việc ống nước: gửi các tệp tới bất kỳ trình phân tích nào gần nhất, chấp nhận bất kỳ văn bản nào trả về, và dành công sức cho việc nhúng. Điều đó đảo ngược thứ tự quan trọng. Một chunker tách dựa trên tiêu đề, một bảng xuất hiện dưới dạng luồng các giá trị ô không trả lời bất kỳ câu hỏi nào, và một tập hợp tài liệu được tải lên trình phân tích của bên thứ ba là một tiết lộ mà bạn không dự định. Khi việc truy xuất kém, nguyên nhân có thể nằm ở tệp đầu tiên mà pipeline đã chạm tới.

Bài viết này đề xuất ba điều chỉnh: giữ bước này trên máy của bạn, chọn các tùy chọn đầu ra một cách có chủ đích, và xác minh kết quả thay vì tin tưởng vào nó.

Trình phân tích đám mây có phải là nơi phù hợp cho việc nhập liệu tài liệu không?

Đối với một tập hợp tài liệu nội bộ, thường không. Nhập liệu là giai đoạn duy nhất nhìn thấy mọi tài liệu bạn sở hữu: chính sách, bảng giá, báo cáo hậu kiểm. Một dịch vụ phân tích nhận tất cả chúng đã xem toàn bộ kho lưu trữ, không chỉ một tệp.

GroupDocs.Markdown.Mcp sử dụng giao thức truyền tải MCP stdio. Khách hàng AI của bạn khởi động máy chủ như một tiến trình con, và đường dữ liệu là tác nhân, máy chủ cục bộ, hệ thống tệp cục bộ. Máy chủ không có cổng vào, không có điểm cuối bên ngoài và không có telemetry. Chỉ những gì tác nhân ghi trong các phản hồi của nó mới truyền tới nhà cung cấp mô hình. Giấy phép tính theo mức sử dụng là trường hợp duy nhất cần lưu lượng ra: nó báo cáo việc sử dụng, không bao giờ báo cáo nội dung tài liệu, và tệp giấy phép hoạt động offline.

Khởi động nó bằng Docker:

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

hoặc, với .NET 10 SDK, dnx GroupDocs.Markdown.Mcp --yes. Đặt GROUPDOCS_MCP_STORAGE_PATH vào thư mục chứa tập hợp tài liệu.

Máy chủ GroupDocs nào chuyển đổi sang Markdown: Markdown hay Conversion?

Cả hai đều có thể tạo ra Markdown, và chúng trả lời các câu hỏi khác nhau.

Bạn cần Sử dụng
Markdown giữ cấu trúc, với khả năng kiểm soát hình ảnh, flavor, lựa chọn trang và front matter GroupDocs.Markdown.Mcp (this server)
Markdown là một trong nhiều mục tiêu, hoặc DOCX sang PDF sang XLSX trong cùng một quy trình GroupDocs.Conversion.Mcp, which covers 100+ formats in both directions

Nếu Markdown là đích và chất lượng của nó quan trọng, hãy chọn engine chuyên dụng. Nếu bạn chuyển đổi giữa nhiều định dạng và Markdown chỉ là một trong số chúng, hãy chọn bộ chuyển đổi chung; đường PDF của nó được đề cập trong 3 cách chuyển PDF thành Markdown sẵn cho LLM (và tại sao chạy cục bộ thắng).

Điều gì khiến Markdown là định dạng tốt nhất cho việc nhập liệu RAG?

Tiêu đề được giữ lại, bảng vẫn là bảng, danh sách vẫn là danh sách. Đó là các đơn vị mà chunker và embedder làm việc. Máy chủ chuyển đổi DOCX, DOC, RTF, ODT, XLSX, XLS, ODS, CSV, TSV, EPUB, MOBI, TXT, CHM và hơn 20 định dạng khác thông qua một công cụ, convert_to_markdown. Các nguồn thuộc họ Word chuyển đổi sạch nhất vì cấu trúc của chúng được thể hiện rõ trong tệp. Các sheet bảng tính trở thành các bảng Markdown.

Ba tùy chọn quan trọng cho một chỉ mục:

Tùy chọn Cài đặt cho nhập liệu Lý do
images "file", hoặc "skip" cho chỉ văn bản Mặc định base64 đặt một URI dữ liệu đa megabyte vào giữa một chunk
frontMatter true YAML với tiêu đề, tác giả, định dạng và số trang trở thành siêu dữ liệu của chunk, vì vậy câu trả lời có thể trích dẫn tiêu đề tài liệu chứ không phải tên tệp
flavor "github" (mặc định) hoặc "commonmark" Khớp với trình phân tích đọc kết quả

Phiên làm việc mẫu (rút gọn)

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.

Làm sao kiểm tra tập hợp tài liệu trước khi lập chỉ mục?

Coi quá trình chạy là không đáng tin cậy cho đến khi bạn đã xem xét nó. Một lời nhắc bắt hầu hết các lỗi:

Đối với mỗi tệp đã chuyển đổi, cho tôi biết số trang nguồn và độ dài Markdown kết quả.

get_document_info trả về fileName, fileFormat, pageCount, title, author và isEncrypted mà không cần chuyển đổi, vì vậy tác nhân có thể so sánh số trang với những gì nó đã ghi. Một hướng dẫn 300 trang chỉ tạo ra 4 KB Markdown là một bản scan hoặc một lần chạy bị cắt ngắn.

PDF được scan là một giới hạn cứng. Chúng không có lớp văn bản, và máy chủ này không có bước OCR; hãy xử lý các tệp đó riêng.

Giới hạn thực tế: hạn chế đánh giá

Không có giấy phép, máy chủ chạy ở chế độ đánh giá, chỉ xử lý 3 trang đầu tiên, với watermark đánh giá trên mỗi trang. Đầu ra là Markdown hợp lệ và không có gì báo cáo rằng phần còn lại đã bị bỏ qua, vì vậy một chỉ mục được xây dựng theo cách này trông đầy đủ nhưng thực chất gần như rỗng. Hãy gọi get_license_status là lệnh đầu tiên của mỗi lần nhập liệu.

Câu hỏi thường gặp

Định dạng tốt nhất cho việc nhập liệu RAG là gì?

Markdown là lựa chọn mạnh mẽ vì chunker và embedder xử lý tiêu đề, danh sách và bảng tốt. Sử dụng images: "file" và frontMatter: true để các chunk không chứa base64 và giữ siêu dữ liệu nguồn.

Tôi có thể chuyển Word sang Markdown cho LLM mà không tải lên tài liệu không?

Có. GroupDocs.Markdown.Mcp chạy như một tiến trình cục bộ qua stdio, và tác nhân đọc các tệp từ thư mục bạn đã cấu hình.

Nó có chuyển PDF sang Markdown cho cơ sở dữ liệu vector không?

Nó chuyển đổi các PDF có lớp văn bản, với tiêu đề, danh sách và bảng được khôi phục khi nguồn cho phép. PDF được scan không có văn bản để chuyển đổi, và không có bước OCR.

Đi sâu hơn