Làm cho tài liệu doanh nghiệp của bạn sẵn sàng cho AI — đáng tin cậy, chạy tại chỗ và ngữ nghĩa.
Việc các tổ chức lưu trữ tài liệu dưới dạng PDF, DOCX, XLSX và ePub là khá phổ biến. Trong khi các mô hình ngôn ngữ lớn (LLM) hoạt động tốt với HTML hoặc văn bản thuần, những định dạng tài liệu gốc này cần được chuyển đổi trước khi có thể được sử dụng hiệu quả trong các pipeline LLM + RAG, nơi chúng ta muốn “trò chuyện” với một tài liệu hoặc một tập tài liệu.
LLM (Mô hình Ngôn ngữ Lớn) — mô hình AI được huấn luyện trước, tạo ra văn bản và trả lời dựa trên một kho văn bản khổng lồ.
RAG (Truy xuất‑tăng‑Sinh) — phương pháp kết hợp LLM với một cơ sở tri thức ngoại vi (ví dụ, tài liệu doanh nghiệp) để mô hình có thể truy xuất và lập luận trên nội dung miền.
Sơ đồ tuần tự dưới đây minh họa các bước điển hình để tạo câu trả lời cho một câu hỏi:
Chất lượng câu trả lời bạn nhận được từ một Hệ thống (LLM + RAG) phụ thuộc cả vào chính Hệ thống và cách các tài liệu nguồn duy trì cấu trúc và ngữ nghĩa khi được đưa vào pipeline truy xuất.
Vấn đề
Định dạng tài liệu không chỉ có tính hình ảnh — nó còn mang ngữ nghĩa. Các tiêu đề, danh sách, bảng, in đậm/định dạng nghiêng, chú thích và hình ảnh nội dòng đều truyền tải ý nghĩa giúp LLM hiểu ngữ cảnh. Việc chuyển đổi tài liệu một cách thô sơ (ví dụ, dùng OCR coi mỗi trang là một hình ảnh phẳng) thường làm mất các ngữ nghĩa này. Kết quả là việc truy xuất trong RAG và các câu trả lời LLM có thể trở nên không chính xác hoặc nhiễu.
OCR có thể giúp với tài liệu scan, nhưng thường làm mất cấu trúc (danh sách bị chia qua các trang, viền bảng bị hiểu sai, chú thích bị mất). Nó cũng tăng chi phí và gánh nặng hạ tầng khi xử lý các kho lưu trữ lớn.
Giải pháp
Một cách tiếp cận thay thế là phân tích tài liệu có nhận thức cấu trúc và xuất cấu trúc đó sang một định dạng thân thiện với LLM — Markdown. Markdown nhẹ, được hỗ trợ rộng rãi và bảo toàn các tiêu đề, danh sách, bảng, khối mã, nhấn mạnh, chú thích và tham chiếu hình ảnh — chính những tính năng giúp cải thiện chất lượng truy xuất.
GroupDocs.Markdown for .NET chuyển đổi các định dạng tài liệu phổ biến (PDF, DOCX, XLSX, ePub và nhiều hơn) thành Markdown ngữ nghĩa sạch sẽ, phù hợp để đưa vào các hệ thống RAG. Đây là một thư viện .NET chạy hoàn toàn tại chỗ, vì vậy mọi xử lý đều diễn ra trong môi trường của bạn — không cần dịch vụ bên ngoài, không rò rỉ dữ liệu và không phụ thuộc vào GPU từ xa.
Cách bắt đầu
GroupDocs.Markdown for .NET có sẵn dưới dạng gói NuGet, đồng thời cũng có bản tải xuống dưới dạng MSI và ZIP.
Cài đặt gói NuGet bằng .NET CLI:
dotnet add package GroupDocs.Markdown
Hoặc tải các bộ cài và assembly từ trang tải về chính thức: https://releases.groupdocs.com/markdown/net/
Ví dụ sử dụng (thêm vào Program.cs):
// Import the namespace
using GroupDocs.Markdown;
// Set the license (optional for evaluation)
License.Set("GroupDocs.Markdown.lic");
// Instantiate the converter for a source document
var converter = new MarkdownConverter("rich-text-formatting.docx");
// Convert and save output to file
converter.Convert("rich-text-formatting.md");
File rich-text-formatting.md đã chuyển đổi sẽ được lưu trong cùng thư mục với ứng dụng của bạn.
Ảnh chụp màn hình dưới đây cho thấy file DOCX đầu vào và file Markdown đầu ra.
Nếu bạn chạy mà không có giấy phép, chế độ đánh giá sẽ chỉ xử lý một số trang giới hạn (ví dụ, ba trang đầu). Để dùng toàn bộ tính năng, hãy yêu cầu giấy phép tạm thời.
Để yêu cầu giấy phép tạm thời, mở Purchase Wizard https://purchase.groupdocs.com/buy/cart?ppId=115659&utm_source=blog, nhập thông tin liên hệ và nhấn Get a temporary license ở bước Contact Details. Giấy phép tạm thời sẽ được gửi qua email cho bạn.
Tìm hiểu thêm về giấy phép tạm thời: https://purchase.groupdocs.com/temporary-license/.
Các định dạng hỗ trợ
GroupDocs.Markdown for .NET hỗ trợ một loạt các định dạng thường gặp trong doanh nghiệp và ebook. Danh sách đầy đủ các phần mở rộng được hỗ trợ:
- PDF
pdf
- Bảng tính
.xls,.xlsx,.xlsb,.xlsm,.xlt,.xltx,.xltm,.xlam,.csv,.tsv,.ods,.ots,.fods,.numbers,.sxc
- Word / Rich Text
.doc,.docx,.dot,.dotm,.dotx,.docm,.rtf,.odt,.ott
- Ebook
.azw3,.mobi,.epub
- Văn bản / Markup / Trợ giúp
.chm,.xml,.txt
Cách hoạt động (cấp độ cao)
Khi một tài liệu được xử lý, có hai giai đoạn chính:
-
Trích xuất mô hình tài liệu
Tài liệu được phân tích thành một mô hình đối tượng trong bộ nhớ, mô tả các phần tử cấu trúc (đoạn văn, tiêu đề, danh sách, bảng, hình ảnh, chú thích, …). Trình phân tích cố gắng bảo toàn ngữ nghĩa (ví dụ, mức độ lồng danh sách, ô bảng, chú thích hình ảnh). -
Tạo Markdown
Mô hình đối tượng được duyệt và chuyển sang Markdown dựa trên các tùy chọn chuyển đổi có thể cấu hình (cách xử lý hình ảnh, định dạng bảng, mức tiêu đề, chú thích đặc biệt, …). Kết quả là một file Markdown dễ đọc, có ngữ nghĩa, sẵn sàng để được lập chỉ mục bởi pipeline RAG của bạn.
Ví dụ Xuất
Mã mẫu ở trên cho thấy cách xuất DOCX sang Markdown. Hãy xem xét ví dụ này và kiểm tra các file nguồn và đầu ra như một minh chứng.
DOCX nguồn
Tệp nguồn rich-text-formatting.docx chứa nhiều khối nội dung và được định dạng kỹ lưỡng để làm nổi bật các thành phần ngữ nghĩa chính.
Xem trước bằng GroupDocs.Viewer for .NET UI.
Markdown đầu ra
Nội dung đầu ra của rich-text-formatting.md được hiển thị bên dưới, cho thấy cách các yếu tố định dạng khác nhau được biểu diễn trong file Markdown tạo ra.
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**
There is an image in a black border in the top right corner, but it will drop down into the text. There is also a transparent ellipse with text that overlaps the picture.
**Inline JPEG** trong một đoạn riêng.
  **đoạn văn bản này nằm sau ảnh**.
Hình ảnh trong bảng. Căn trái và căn phải.
||
Văn bản hộp inline  ở đây và ellipse trong line  ở đây.
---
# **Trường**
Merge field «FirstName»
Số trang 5
Liên kết [Aspose.com](http://www.aspose.com)
**Mục lục**
[Font Formatting 1](#_toc76372684)
[Paragraph Formatting 1](#_toc76372685)
[Non-English Characters 2](#_toc76372686)
[Tables 2](#_toc76372687)
[Lists 2](#_toc76372688)
[Images 4](#_toc76372689)
[Fields 5](#_toc76372690)
# **Form Fields**
Sửa <a name="text1"></a>văn bản kiểm tra
Checkbox <a name="check1"></a>
Combobox <a name="dropdown1"></a>
# **Chân trang và Chú thích cuối**
Dòng này có một **footnote** ở cuối.[^1]
Dòng này có một **endnote** ở cuối.[^2]
[^1]: Chân trang 1.
[^2]: Chú thích 1.
---
## Tóm tắt
GroupDocs.Markdown for .NET giúp bạn chuyển đổi một loạt các định dạng tài liệu thành Markdown ngữ nghĩa, sẵn sàng cho các hệ thống LLM + RAG. Nó bảo toàn cấu trúc và ý nghĩa của tài liệu, chạy hoàn toàn tại chỗ và hỗ trợ các định dạng doanh nghiệp phổ biến — là lựa chọn thực tế cho các tổ chức cần chuẩn bị bộ sưu tập tài liệu lớn cho AI.
---
## Tìm hiểu thêm
- Trang sản phẩm: https://products.groupdocs.com/markdown/net/
- Tài liệu: https://docs.groupdocs.com/markdown/net/
- Thông tin giấy phép: https://about.groupdocs.com/legal/
- Tải xuống: https://releases.groupdocs.com/markdown/net/
---
## Hỗ trợ & phản hồi
Nếu có câu hỏi hoặc cần hỗ trợ kỹ thuật, vui lòng truy cập **[Diễn đàn Hỗ trợ miễn phí](https://forum.groupdocs.com/)** — chúng tôi rất sẵn lòng giúp đỡ.