Docling

Docling 是一个开源的 Python 和 TypeScript 库，用于对非结构化数据进行高级文档处理。它解决了常被忽视的“最后一公里”问题，即将真实世界的文档——如 PDF 和 PowerPoint——转换为干净、可机器读取的格式。与传统提取器不同，Docling 使用基于计算机视觉的方法来解析文档的布局和语义结构，使其输出对于 增强检索生成（RAG） 流水线特别有价值。它可将复杂文档转换为结构化格式，如 JSON 或 Markdown，并支持 LLM 的结构化输出 等技术。这与 ColPali 不同，后者直接将页面图像输入视觉-语言模型以进行检索。 Docling 的开源特性和基于 Python 的核心（建立在自定义的 Pydantic 数据模型上）为团队提供了灵活的自托管替代方案，相比于 Azure 文档智能、Amazon Textract 和 Google Document AI 等专有云工具更具自主性。该项目由 IBM Research 支持，开发快速，并提供可即插即用的架构，可与 LangGraph 等其他框架集成，非常值得构建生产级 AI 数据管道的团队进行评估。