技能介绍

问题：异构文档难以可靠进入 AI 流程

把 PDF、Office 文档、HTML、扫描件甚至音频塞进同一个 AI 工作流时，格式差异会迅速放大：同一份报告可能是带复杂表格的 pdf，也可能是双栏排版且含跨页引用的 docx；扫描件的 OCR 结果常常丢失段落边界，而音频转写文本又缺少版面线索。这些非结构化或半结构化输入进入检索、总结、问答链路后，容易出现分块错误、引用错乱或 token 浪费，导致模型回答看起来通顺却偏离源文档。

工作方式：面向 agent 与检索管道的解析转换

该工具包围绕 Docling 的开源能力，把多种输入转换为可被程序消费的结构化输出，而不是简单做格式搬运。核心能力包括：在本地环境执行转换，减少把敏感文档送出去的风险；对图像型页面启用 OCR，把扫描件变成可索引文本；保留标题层级、表格结构、列表与段落关系，便于下游按语义切块；提供与 agent 框架和检索 pipeline 对接的入口，让解析结果能直接驱动工具调用、RAG 索引或多模态提示。

关键步骤大致是：先确认输入类型，例如 pdf、docx、xlsx、pptx、html、图片或 audio；再按文档类型选择解析器与必要的 OCR 策略；接着抽取文本、版面元素和结构信息；最后输出面向 AI 工作流的结构化结果，交给下游进行分块、嵌入、检索或生成。对于 agent 应用，它也可以作为文档理解环节，把「读取一份合同/报告并提取要点」变成可重复调用的能力。

适用边界与注意点

适合需要多格式摄入、且希望保留文档结构以支持检索与引用的场景，尤其是本地部署、数据边界明确、但输入来源庞杂的工程团队。若主要处理纯文本 Markdown 或结构一致的 CSV，收益会相对有限。注意上游要求 Python 3.10 及以上：docling 2.70.0 已不再支持 Python 3.9；在真实业务里还需评估版面复杂表格、多栏排版、手写标注、低清扫描件和多语言 OCR 对精度与性能的影响，并把输出字段映射到现有文档解析、分块与引用策略，避免「能转出来」不等于「能被正确使用」。