-
buo4 技术教程组 用户
做 RAG 的人都知道一个残酷的现实：决定效果的往往不是模型，是解析。
你手上是几十页带合并单元格的 PDF 财报、是扫描件、是排版复杂的合同、是带图注的技术手册。把它们扔进管道，得到的是一堆断句错乱的文本块——表格被压成一行，标题和正文混在一起，脚注插进了段落中间。
检索质量差，你以为是向量模型不行，换了几个 embedding 还是不行。问题其实在最前面那一步。
Docling 就是专门解决这一步的：解析多种格式的文档——包括高级 PDF 理解——并无缝对接生成式 AI 生态。
解析能力覆盖得多广
这是 Docling 最值得看的部分。README 里列的格式清单相当长：
支持的输入格式： PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、WAV、MP3、WebVTT、Box Notes、邮件格式（EML、MSG）、图片（PNG、TIFF、JPEG 等）、LaTeX、DocLang、纯文本。
高级 PDF 理解： 页面布局、阅读顺序、表格结构、代码、公式、图像分类。
导出格式： Markdown、HTML、WebVTT、DocLang、DocTags、无损 JSON。
应用特定的 XML schema： DocLang、USPTO 专利、JATS 文章、XBRL 财务报告。
只说格式数量容易显得像个清单，但实际用起来差别很大。很多工具能处理"标准 PDF"，一碰到双栏排版、跨页表格、图片内嵌文字就开始乱。Docling 在 PDF 上列的那几项——阅读顺序、表格结构——恰恰是最常见的翻车点。
几个不太常见的能力
统一的文档表示格式。 Docling 有一个自己的 DoclingDocument 表示格式，README 说它"统一且富有表现力"。这一步的意义在于：不管你输入是 PDF 还是 Word，中间都转成同一种结构，后续处理和导出逻辑就不用为每种格式写一套。
图表理解。 柱状图、饼图、折线图可以被转成表格或代码，并附上详细描述。这个能力在财报、研报场景里挺实用——图表里的数据往往是关键信息，但纯文本解析拿不到。
音频与视频支持。 用 ASR 模型做语音识别。视频文件（MP4、AVI、MOV、MKV、WebM）也能解析，还能提取代表性关键帧。把会议录屏转成可检索文本这种需求，路径就通了。
本地执行。 README 特意写了"针对敏感数据和气隙环境"。对于不能把文档传到云端的场景，这是硬需求。
OCR 支持。 针对扫描件和图片的广泛 OCR 能力，另外还支持多种视觉语言模型，比如 IBM 的 GraniteDocling。
多种接入方式。
- CLI ——简单直接
- Python 库 ——README 标注为推荐方式
- MCP server ——可以接入任何 Agent
- API server（docling-serve）——作为服务运行
插件式集成。 官方列出支持 LangChain、LlamaIndex、Crew AI、Haystack。
三步跑起来
安装
pip install docling
支持 macOS、Linux 和 Windows，x86_64 与 arm64 都行。注意 Python 3.9 支持在 docling 2.70.0 版本被移除了，需要用 3.10 或以上。
转换文档（CLI）
docling https://arxiv.org/pdf/2206.01062
在当前目录生成一个 .md 文件，内容是结构化后的文档。
用视觉语言模型增强
docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062
也可以用 GraniteDocling 之外的其他 VLM。
谁适合用它
适合：
- 做 RAG 但检索质量卡在解析这一步
- 文档里有大量表格、公式、图表需要保留结构
- 有扫描件需要 OCR
- 数据敏感，不能传给第三方 API
- 想把音视频内容也纳入检索范围
- 需要在 Agent 流程里加文档解析（有 MCP server）
不太适合：
- 只处理干净的 Markdown 或纯文本
- 需要极低延迟的在线解析（完整 PDF 理解是有计算成本的）
- 完全不需要保留文档结构，只要纯文本
说点实在的
文档解析这个环节长期被低估，因为它不性感。大家更愿意讨论 embedding 模型选哪个、向量库用哪个、rerank 策略怎么调，而解析这一步经常被当成"前置处理"，随便找个库过了就行。
但实际跑过就知道，解析的质量是上限。前面把表格压成一行，后面再厉害的检索也找不回来。
Docling 的价值在于它把这件事当正事做：支持 20 多种输入格式、专门处理 PDF 的布局和表格结构、有统一的中间表示、还提供 MCP 和 API 两种集成方式。格式覆盖的广度也说明它是奔着"通用解析层"去的，而不是只解决某一种文件。
如果手上的 RAG 效果一直上不去，值得先检查一下最前面那一步。