LlamaIndex 开源文档解析协议 DPP：140 条规则给解析器一本统一答案书

2026 年 10 月 28 日，做 RAG 框架起家的 LlamaIndex 放出了一份看起来很"极客"、却可能悄然改变文档处理行业的工作草案：Document Parsing Protocol（文档解析协议，简称 DPP），编号 0.1。它一口气列出了 140 条规则，专门规定一张文档页被转成结构化 Markdown 时，"什么是对的"——覆盖正文、表格、表单、图表、示意图，甚至化学式和乐谱。每一份规则都配了示例页和"期望输出"。一句话总结它的野心：给所有文档解析器，发一本统一的"答案书"。

问题出在 OCR 和"答案"之间

要理解 DPP 在干什么，得先看它想解决什么。光学字符识别（OCR）能把一页里的字和数都认出来，但认出来不等于"读懂了结构"。一个表格里，某个父级表头可能决定了一个数字到底属于哪一年、哪个业务单元；一旦这个表头在转换时丢了，数字没变，答案却可能全错。更微妙的是，两个解析工具可能把页上的每个字都正确提取了，却在"结构"上各执一词：对齐排列的文字到底算不算表格？一个两级表头该不该合并成一行？一张跨页断掉的表算一次还是两次？流程图该怎么表达？

LlamaIndex 的论点是：这些分歧会一路传导到下游——agent 只会对解析器交给它的东西做推理，而目前根本没有一份公认的参照，来判断哪种结构选择才是对的。于是同一个页面，A 工具和 B 工具可能都"正确"，却给出两种无法互相验证的结果。

规则长什么样

DPP 最有意思的部分是它对"看似正确、实则丢失信息"的情形的约束。一个经典例子：一张销售表，最上面一行是年份、下面一行是季度。有的解析器会把两级表头揉成"2024 Q2"这样的标签，agent 用起来也许照样能答对，但 DPP 判定这不合规——因为这个标签从没在页面上真出现过，而且每个工具都会各起一个名字。DPP 的做法是：把每个印出来的表头层级都保留在它自己的行里，并标清确切的列跨度。普通 Markdown 的管道表格表达不了跨行跨列的合并，于是 DPP 规定：哪里 Markdown 语法不够用，就用 HTML 表格标记来补。

类似的规则还有不少：没填的表单字段写成 [blank]，这样它不会被误认为是工具漏掉的字段；复选框保留为 [x] 或 [ ]；图表被转成数据表，每个类别一行、每个序列一列，而从柱子和散点估出来的数值，精度被限制在该坐标轴能支持的位数以内；示意图在能保住标签和箭头方向时，用 Mermaid 这类语言来表达；文件里藏着、页面上却看不见的文字直接略过，而页面上能看见却读不出的文字则标 [illegible]（无法辨认）。DPP 也明确了"允许的差异"：比如表格行包不包 thead、tbody 都算合规，前提是同一篇文档保持一种写法。

从评测基准里长出来的"答案书"

DPP 不是凭空设计的，它脱胎于 LlamaIndex 给自家文档解析评测基准 ParseBench 做标注时用的约定。换句话说，它是把"我们怎么判断一页解析得好不好"这件事，从团队直觉变成了可讨论、可复用的规则。LlamaIndex 把它摆上桌的初衷，是让任何做评测基准、标训练数据、审解析结果的人，都拿着同一本答案书，好让两次评测不再对同一个页面收下不同的答案。

在开源与许可上，DPP 也分得很清：GitHub 仓库 run-llama/document_parsing_protocol 里的代码是 MIT 许可，而协议文本和示例采用的是 CC BY 4.0，允许署名后商用。配套的 parseprotocol.com 把每条规则摊开在期望输出旁边，还提供了 Claude 技能和 ChatGPT 参考文件，让你拿一张最乱的页面去试规则，并一步步走完苹果公司 FY2024 的营运报表作为示范。

它真的是"标准"吗

必须说清：DPP 目前只是一个厂商主导的提案，不是被行业采纳的标准。它发布在 LlamaIndex 推出 OCRia-1 文档模型（10 月 22 日）之后几天，又紧挨着它的商业产品 LlamaParse——这让"中立性"成了绕不开的疑问。网站自己也坦白：一个"已定"的规则，只是在这份草案内部算定，不代表被任何外部机构批准；随附的检查器只是评审指引，而非自动化的合规测试套件。最后 DPP 能不能从"某家公司的标注手册"变成"行业共享标准"，取决于竞品解析厂商和基准维护者究竟是采纳它，还是另起一套竞争性的约定。

但对正在搭建检索增强生成、文档自动化、财务票据处理或企业知识库的团队来说，DPP 的关键意义在于：先统一"什么算解析正确"，才能更可靠地选模型、设计评测、优化下游。社区里已经出现几类典型声音——支持者认为它把过去靠人工直觉的解析验收，变成了可讨论、可复用的规则；也有人指出，140 条规则能提升一致性，却未必消除歧义，不同业务对表格、表单的下游用法不同，单一标准仍需保留扩展空间；开发者最关心的，是它能否落地为机器可读的标注格式、规则校验器、示例数据集和可复现的评分流程；企业用户则在意它是否覆盖真实世界里的扫描件、低质量图片、多语言文档、复杂版式和行业专用表单。无论如何，DPP 把"文档解析的正确性"这个长期被忽视的问题，正式推上了台面。

据 LlamaIndex 官方博客及多家 AI 技术媒体 2026 年 10 月 28 日报道整理。