An LLM 只能检索到摄取步骤保留下来的内容，因此 RAG 流程的第一项工作是将 Word、PDF、Excel 和电子书文件转换为干净的 Markdown。使用 GroupDocs.Markdown.Mcp，AI 代理可以在本地完成此操作，支持 Claude Desktop、Claude Code、Cursor 或任何其他 MCP 客户端，文件永远不会离开你的机器：
将此文件夹中的所有 PDF 转换为 Markdown，图片保存为文件，并包含 front matter。
一步步的配置和故障排除指南请参见文档：如何使用 AI 代理将文档转换为 RAG 用的 Markdown
为什么大多数 RAG 流程会从错误的转换步骤开始？
通常的做法是把转换当作管道处理：把文件发送给最近的解析器，接受返回的任何文本，然后把精力放在嵌入上。这颠倒了重要性的顺序。分块器会依据标题进行切分，作为单元格值流出现的表格根本无法回答任何问题，而将语料库上传到第三方解析器则会泄露你未计划的内容。当检索效果不佳时，原因可能出在流程触及的第一个文件上。
本文主张进行三项纠正：在自己的机器上完成此步骤，有目的地选择输出选项，并验证结果而不是盲目信任。
云解析器是文档摄取的合适位置吗？
对于内部语料库，通常不是。摄取是唯一会看到你拥有的每个文档的阶段：政策、价目表、事后报告。一个接收所有文档的解析服务会看到整个档案库，而不是单个文件。
GroupDocs.Markdown.Mcp 使用 MCP stdio 传输。你的 AI 客户端将服务器作为子进程启动，数据路径为：代理 → 本地服务器 → 本地文件系统。服务器没有入站端口、外部端点，也没有遥测。只有代理在回复中写入的内容会传递给模型提供商。计量授权是唯一需要出站流量的情况：它报告使用情况，永不传输文档内容，授权文件可离线使用。
使用 Docker 启动：
docker run --rm -i -v $(pwd)/documents:/data \
ghcr.io/groupdocs-markdown/markdown-net-mcp:latest
或使用 .NET 10 SDK，dnx GroupDocs.Markdown.Mcp --yes。将 GROUPDOCS_MCP_STORAGE_PATH 指向存放语料库的文件夹。
哪个 GroupDocs 服务器负责转换为 Markdown：Markdown 还是 Conversion？
两者都能生成 Markdown，但它们解决的问题不同。
| 您需要 | 使用 |
|---|---|
| 保持结构的 Markdown，能够控制图片、风格、页面选择和 front matter | GroupDocs.Markdown.Mcp（此服务器） |
| 将 Markdown 作为众多目标之一，或在同一工作流中实现 DOCX → PDF → XLSX | GroupDocs.Conversion.Mcp，支持 100 多种格式的双向转换 |
如果 Markdown 是最终目标且质量至关重要，请选择专用引擎。如果你需要在多种格式之间转换且 Markdown 只是其中之一，请选择通用转换器；其 PDF 路径已在将 PDF 转换为适用于 LLM 的 Markdown 的 3 种方法（以及本地优势）中介绍。
为什么 Markdown 是 RAG 摄取的最佳格式？
标题会被保留，表格仍然是表格，列表仍然是列表。这些正是分块器和嵌入器处理的单元。服务器通过单一工具 convert_to_markdown 能转换 DOCX、DOC、RTF、ODT、XLSX、XLS、ODS、CSV、TSV、EPUB、MOBI、TXT、CHM 等 20 多种格式。Word 系列的源文件转换最为干净，因为其结构在文件中是显式的。电子表格会转换为 Markdown 表格。
索引时有三项选项需要关注：
| 选项 | 摄取设置 | 原因 |
|---|---|---|
images |
"file"，或仅保留正文时使用 "skip" |
默认的 base64 会在块中插入多兆字节的 data URI |
frontMatter |
true |
将包含标题、作者、格式和页数的 YAML 作为块元数据，这样答案可以引用文档标题而不是文件名 |
flavor |
"github"（默认）或 "commonmark" |
与读取结果的解析器保持一致 |
示例会话（节选）
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.
如何在建立索引前检查语料库？
将运行视为不可信，直到你检查完为止。以下提示可以捕获大多数错误：
对每个转换后的文件，告诉我源文件的页数以及生成的 Markdown 长度。
get_document_info 会返回 fileName、fileFormat、pageCount、title、author 和 isEncrypted，且不进行转换，这样代理就可以将页数与实际生成的内容进行对比。一个 300 页的手册只生成了 4 KB 的 Markdown，说明是扫描件或被截断的运行。
扫描的 PDF 是硬性限制。它们没有文本层，而此服务器也没有 OCR 步骤；请单独处理这些文件。
诚实的限制：评估上限
没有授权时，服务器以评估模式运行，仅处理前 3 页，并在每页加上评估水印。输出仍是有效的 Markdown，但不会报告其余页面被跳过，因此以这种方式构建的索引看似完整却几乎为空。请在每次摄取运行的第一步调用 get_license_status。
FAQ
什么是 RAG 摄取的最佳格式？
Markdown 是强有力的选择，因为分块器和嵌入器能够很好地处理标题、列表和表格。使用 images: "file" 和 frontMatter: true，可以避免块中出现 base64，并保留源文件的元数据。
我可以在不上传文档的情况下将 Word 转换为 LLM 使用的 Markdown 吗？
可以。GroupDocs.Markdown.Mcp 以本地进程方式运行，通过 stdio 与代理交互，代理会从你配置的文件夹读取文件。
它能将 PDF 转换为用于向量数据库的 Markdown 吗？
它会转换具有文本层的 PDF，保留标题、列表和表格（前提是源文件支持）。扫描的 PDF 没有可转换的文本，也没有 OCR 步骤。