Markitdown

Conversión de documentos a Markdown

Envuelve MarkItDown, la herramienta de Microsoft (Python, licencia MIT) para convertir formatos de documento a Markdown. Markdown es el formato más eficiente en tokens para dar documentos a un modelo, y la conversión con script es determinística: no dependes de que el modelo "interprete" un binario.

Pre-requisito

Python 3.10+ y el paquete instalado:

pip install 'markitdown[all]'

Si el comando markitdown no existe, reporta al usuario el comando de instalación anterior en lugar de intentar leer el binario directamente.

Proceso

1. Verifica que el archivo de entrada existe y su extensión está soportada (pdf, docx, pptx, xlsx, xls, html, csv, json, xml, epub).

2. Convierte a un archivo Markdown junto al original:

   markitdown <archivo-entrada> -o <archivo-entrada>.md
   

3. Lee el .md resultante, no el original, para cualquier análisis posterior.

4. Si el resultado supera ~500 líneas y el usuario pidió algo puntual (por ejemplo "las reglas de validación de monto"), extrae solo las secciones relevantes al contexto en lugar de cargar todo.

Reglas

• Nunca pegues el documento completo en la respuesta si el usuario pidió un resumen o una extracción: responde con lo pedido y menciona la ruta del .md generado.
• Documentos escaneados (imagen dentro de PDF) pueden salir vacíos: MarkItDown sin extras no hace OCR confiable. Si el resultado está vacío o casi vacío, repórtalo en lugar de inventar contenido.
• No conviertas archivos fuera del workspace del proyecto sin confirmación del usuario.

Contexto de Contoso Banco

El uso típico en este repo: especificaciones regulatorias en PDF y contratos de API del core bancario en DOCX. Al convertirlos, guárdalos en docs/fuentes/ para que queden versionados junto al código que los implementa.