让您的企业文档具备 AI 可用性 — 可靠、部署在本地、并保持语义。
组织经常把文档保存在 PDF、DOCX、XLSX 和 ePub 等格式中。虽然 LLM（大语言模型）对 HTML 或纯文本的处理非常出色，但这些原生文档格式在用于 LLM + RAG 流水线（我们想要与单个文档或一组文档进行对话）之前，需要先进行转换。
LLM（Large Language Model） — 一种预训练的 AI 模型，可基于大量文本语料生成文本并给出答案。
RAG（Retrieval‑Augmented Generation） — 将 LLM 与外部知识库（例如企业文档）相结合的方案，使模型能够检索并推理领域内容。
下面的时序图展示了生成问题答案的典型步骤：
系统（LLM + RAG）给出的答案质量，既取决于系统本身，也取决于在检索管道中喂入的源文档在结构和意义上保持得有多好。
问题
文档格式不仅仅是视觉呈现——它们承载语义。标题、列表、表格、粗体/斜体、图注和内嵌图片等都传递上下文信息，帮助 LLM 理解内容。使用 OCR 将每页视为平面图像的粗暴转换往往会丢失这些语义，导致 RAG 检索和下游 LLM 回答出现不准确或噪声。
OCR 对扫描文档有帮助，但常常会破坏结构（跨页列表、错位的表格边框、丢失的批注），并在处理大规模档案时增加成本和基础设施负担。
解决方案
一种可行的做法是使用具备结构感知的解析器，将文档结构导出为语义化、LLM 友好的格式 —— Markdown。Markdown 轻量、兼容性强，能够保留标题、列表、表格、代码块、强调、图注和图片引用等特性，这些正是提升检索质量的关键。
GroupDocs.Markdown for .NET 能将常见文档格式（PDF、DOCX、XLSX、ePub 等）转换为干净、语义化的 Markdown，适用于导入 RAG 系统。它是本地 .NET 库，所有处理都在您的环境中完成 —— 没有外部服务、不会泄漏数据，也无需依赖远程 GPU。
入门指南
GroupDocs.Markdown for .NET 通过 NuGet 包提供，也可下载 MSI 与 ZIP 安装包。
使用 .NET CLI 安装 NuGet 包：
dotnet add package GroupDocs.Markdown
或从官方网站下载并安装：https://releases.groupdocs.com/markdown/net/
示例代码（添加到 Program.cs）：
// 引入命名空间
using GroupDocs.Markdown;
// 设置许可证（评估时可选）
License.Set("GroupDocs.Markdown.lic");
// 为源文档实例化转换器
var converter = new MarkdownConverter("rich-text-formatting.docx");
// 转换并保存输出文件
converter.Convert("rich-text-formatting.md");
转换后的 rich-text-formatting.md 文件会与应用程序所在文件夹同级保存。
以下截图展示了输入的 DOCX 文件和输出的 Markdown。
如果未提供许可证，评估模式仅会处理有限页数（例如前 3 页）。如需完整功能，请申请临时许可证。
获取临时许可证，请打开 Purchase Wizard，填写联系人信息，并在 Contact Details 步骤点击 Get a temporary license。临时许可证将通过电子邮件发送给您。
了解临时许可证的更多信息：https://purchase.groupdocs.com/temporary-license/
支持的文件格式
GroupDocs.Markdown for .NET 支持多种常见企业与电子书格式。完整的扩展名列表：
- PDF
pdf
- 电子表格
.xls,.xlsx,.xlsb,.xlsm,.xlt,.xltx,.xltm,.xlam,.csv,.tsv,.ods,.ots,.fods,.numbers,.sxc
- Word / 富文本
.doc,.docx,.dot,.dotm,.dotx,.docm,.rtf,.odt,.ott
- 电子书
.azw3,.mobi,.epub
- 文本 / 标记 / 帮助文件
.chm,.xml,.txt
工作原理（内部实现 — 高层概览）
文档处理分为两个主要阶段：
-
文档模型提取
将文档解析为内存对象模型，表示段落、标题、列表、表格、图片、脚注、批注等结构元素。解析器尽可能保留语义（如列表层级、表格单元格、图片标题）。 -
Markdown 生成
遍历对象模型并依据可配置的转换选项（如何处理图片、表格格式、标题层级、特殊批注等）生成 Markdown。最终得到的 Markdown 文件语义完整、易于索引，适配您的 RAG 流水线。
导出示例
上面的代码示例展示了如何将 DOCX 导出为 Markdown。下面我们通过实际文件来演示。
源 DOCX
源文件 rich-text-formatting.docx 包含多种内容块，并经过大量格式化以突出主要语义元素。
Preview powered by GroupDocs.Viewer for .NET UI.
输出 Markdown
生成的 rich-text-formatting.md 内容如下（已在 Markdown 代码块中展示，保持原样）：
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**
在段落中还有一个透明椭圆形带文字的图片。
内联 JPEG（单独段落）：
该图右上角有黑色边框，实际会下移到正文中。还有一个透明椭圆形文字覆盖在图片上。
内联 JPEG（单独段落）：
该文本位于图片之后。
表格中的图片。左对齐和右对齐。
||
| :- | -: |
内联文本框  这里是文本，行内椭圆  在此处。
从新页面开始的新章节。
它使用纵向（portrait）方向和页边距。
# <a name="_toc76372690"></a>**字段**
合并字段 «FirstName»
页码 5
超链接 [Aspose.com](http://www.aspose.com)
目录
[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)
# **表单字段**
编辑 <a name="text1"></a>测试文本
复选框 <a name="check1"></a>
组合框 <a name="dropdown1"></a>
# **脚注和尾注**
这行文字的末尾有脚注。[^^1]
这行文字的末尾有尾注。[^^2]
[^^1]: 脚注 1。
[^^2]: 尾注 1。
---
## 摘要
GroupDocs.Markdown for .NET 可帮助您将多种文档格式转换为适用于 LLM + RAG 系统的语义化 Markdown。它保留文档结构和含义，运行于本地环境，无需外部服务，支持常见企业格式——是组织在准备大型文档集合供 AI 使用时的实用选择。
---
## 了解更多
- 产品主页: https://products.groupdocs.com/markdown/net/
- 文档中心: https://docs.groupdocs.com/markdown/net/
- 许可信息: https://about.groupdocs.com/legal/
- 下载地址: https://releases.groupdocs.com/markdown/net/
---
## 支持与反馈
如有疑问或需要技术帮助，请访问我们的 [免费支持论坛](https://forum.groupdocs.com/)，我们乐意为您提供帮助。