开源项目推荐｜Docling：把复杂文档转换成 AI 能理解的结构

文档解析决定 RAG 的上限

企业知识大量存在于 PDF、Word、演示文稿和扫描件中。若只提取连续文本，标题层级、表格、图注、阅读顺序和页码可能全部丢失，后续检索再强也无法恢复证据。Docling 的目标是把复杂文档转换为适合生成式 AI 使用的结构化内容。

官方仓库：https://github.com/docling-project/docling

为什么值得关注

Docling 支持多种常见文档格式，关注版面、表格和文档结构，并可输出便于下游处理的表示。它适合知识库预处理、合同与报告分析、文档问答和批量归档。与只做 OCR 的工具不同，它更强调完整文档理解和转换管道。

结构保留能改善切分：标题与段落可以组成语义单元，表格不必被拆成无意义行，引用还能关联页码。LlamaIndex 等框架可继续负责索引和查询，Qdrant 则保存向量，各层职责清楚。

解析结果必须抽样验收

复杂双栏、合并单元格、公式、旋转页和低质量扫描仍可能失败。团队应按真实文档类型建立样本，检查阅读顺序、表格单元格、标题层级和丢失率。对关键财务或法律字段，可让独立模型对照原页截图检查结构化结果，再由人员处理冲突。

文档也可能含个人和商业敏感信息。部署时控制文件来源、临时目录、日志和保留期限；远程 URL 使用短期只读权限。

与 AnyAIS 的组合方式

Docling 负责将文档转成可靠结构，AnyAIS 提供 Embedding、生成模型、文件分析 MCP、DASP 会话和统一计量。原生文件能力不足时，解析结果可作为明确证据进入模型，而不是把整个文件盲目塞入 Prompt。

适合谁

文档种类复杂、表格和版面信息重要、准备构建 RAG 或文档 Agent 的团队，适合 Docling。先用代表性样本衡量结构准确率，再决定是否与 OCR 或商业解析服务组合。

从统一文档表示开始设计管道

Docling 可以把多种输入转换为统一的 DoclingDocument，再导出 Markdown、HTML、文本或无损 JSON。官方支持范围包含 PDF、DOCX、XLSX、PPTX、EPUB、图片等格式，不同格式所需依赖和可保留信息并不完全相同。团队应为每类文件建立允许列表，并记录解析器版本与参数，避免同一文档在更新后悄悄改变结构。

对 RAG 来说，Markdown 适合快速阅读和通用切分，但复杂表格、合并单元格和精确版面可能需要保留 JSON 或 HTML。原始文件、结构化结果、切分块和向量索引之间应保存可追溯标识，答案引用才能回到具体页和元素。删除源文件时，也要同步处理派生内容和索引。

只启用真正需要的处理步骤

OCR、表格结构、公式和图片描述都会增加计算时间。可读取文本层的 PDF 不必强制整页 OCR，简单报告也不一定需要最慢的表格模式。官方管道选项提供超时和多种处理配置，生产批量任务应设置文件大小、页数、超时、并发与临时空间限制，并把部分成功与完整成功区分开。

质量评测要按文档类型分层。合同关注条款层级和编号，财报关注表格行列与单位，论文关注公式、脚注和引用，扫描件关注 OCR。每类准备代表性样本，比较阅读顺序、元素召回、表格一致性和下游问答命中。关键字段让独立模型对照页面截图检查，再由人员处理冲突，可以降低单一路径同时解析和验收造成的盲区。

官方资料

Docling 支持格式：https://docling-project.github.io/docling/usage/supported_formats/

Docling 管道选项：https://docling-project.github.io/docling/reference/pipeline_options/

Docling 官方仓库：https://github.com/docling-project/docling