63K Star!企业文档进 AI 前,最值钱的脏活被这个开源项目接住了

你有没有发现，很多 AI 项目做着做着，最后都会卡在同一个地方：

不是模型不够强。

而是企业里的文档太脏。

合同是 PDF，财报是 XBRL，培训资料是 PPT，产品手册是 Word，历史资料是扫描件，邮件里还有一堆附件。你想把这些东西放进 RAG、知识库、客服机器人、合同审查系统，第一步就会被文档解析打回现实。

这也是为什么我这次选了 Docling。

它不是一个花哨的 Agent，也不是一个只会展示 demo 的 AI 应用，而是专门处理文档进入 AI 之前那段最麻烦、也最有商业价值的管道。

项目来自 docling-project/docling，GitHub 上已经有 63K+ Star，采用 MIT License。它的目标很直接：把 PDF、DOCX、PPTX、XLSX、HTML、EPUB、邮件、图片、音频、LaTeX 等多种格式，解析成 AI 更容易使用的结构化内容。

一句话说：Docling 做的是企业 AI 的入口清洗层。

真正能落地的 AI，先解决文档进不来的问题

很多企业做知识库，第一反应是买向量数据库、接大模型、做聊天界面。

但真正上线时才发现，最耗时间的不是聊天框，而是文档处理。

PDF 里有双栏排版，阅读顺序会乱。

表格一跨页，抽出来就变形。

扫描件需要 OCR，图片里的内容也不能丢。

财报、专利、论文、合同还有自己的结构，不能简单当成一整段文本切块。

如果前面的解析做不好，后面的 RAG 再漂亮也没用。模型拿到的是碎掉的表格、乱序的段落、缺失的标题，自然就会答偏。

Docling 的价值就在这里：它不试图替你做完整应用，而是把企业文档变成干净、结构化、可被 AI 消化的内容。

这件事看起来不性感，但非常适合商业化。

因为几乎所有企业 AI 项目都绕不开它。

它到底能处理什么？

Docling 的覆盖面很实在。

它支持 PDF、DOCX、PPTX、XLSX、HTML、EPUB、WAV、MP3、WebVTT、Box Notes、EML、MSG、PNG、TIFF、JPEG、LaTeX、纯文本等格式。

更关键的是，它不是只把文件粗暴转成文本。

在 PDF 理解上，它会处理页面版面、阅读顺序、表格结构、代码、公式、图片分类等问题；在导出上，它支持 Markdown、HTML、WebVTT、DocLang、DocTags 和 lossless JSON。

这对业务系统很重要。

因为企业要的不是“把文字抠出来”，而是要保留结构：

• 标题还是标题
• 表格还是表格
• 段落顺序不能乱
• 公式和代码不能变成乱码
• 文档来源和层级要能追踪

Docling 还支持几类很有商业味道的专用结构：USPTO 专利、JATS 学术文章、XBRL 财务报告。

这意味着它不只是通用文档转换工具，还能进入一些付费意愿更强的垂直场景。

怎么用起来？

上手方式很简单。

pip install docling

然后直接用 CLI 转一个文档：

docling https://arxiv.org/pdf/2206.01062

它会在当前目录生成结构化的 Markdown 文件。

如果要放进自己的系统，也可以用 Python API：

from docling.document_converter import DocumentConvertersource = "contract.pdf"converter = DocumentConverter()result = converter.convert(source)print(result.document.export_to_markdown())

这套接口对产品团队很友好。

你可以把它接到上传入口：用户上传合同、报告、课件、标书，后端先用 Docling 解析，再进入切块、embedding、检索、问答、审核这些流程。

Docling 还提供 MCP server 和 API server，也就是可以让它更容易接入 Agent 或独立部署成服务。

商业价值在哪里？

这类项目最好的地方，是可以直接变成服务，而不是只能写一篇技术文章。

我会优先看这几个落地方向。

1. 企业知识库文档清洗服务

很多公司已经有飞书、钉钉、Notion、网盘、Confluence，但内容形态非常杂。你可以做一个“文档入库前处理层”：批量解析、结构化、去噪、转 Markdown/JSON，再交给 RAG 系统。

收费方式可以按文档量、页数、私有化部署收。

2. 合同和标书解析

合同、招投标文件、采购文件通常都是 PDF 或 Word，而且结构稳定、付费意愿强。Docling 可以作为解析层，后面接条款抽取、风险识别、差异对比、自动摘要。

这不是泛泛的 AI 助手，而是能卖给法务、采购、咨询公司的具体工具。

3. 财报和行业报告入库

Docling 支持 XBRL 这类财务报告结构。对金融、投研、咨询团队来说，把财报、公告、研报解析成可检索、可引用、可问答的数据，是很明确的刚需。

4. 专利和论文数据库

USPTO、JATS 这类结构支持，对专利分析、科研资料管理、医药研发情报都有价值。这里的客户更在意准确率和可追溯，而不是页面做得多炫。

5. 私有化文档 AI 管道

Docling 支持本地执行，这对银行、律所、制造、医疗、政企客户很关键。敏感文件不能出内网，能本地跑就比很多 SaaS 工具更容易进入交付。

它比普通 PDF 转 Markdown 工具强在哪？

普通工具解决的是“能不能转”。

Docling 更像是在解决“转出来能不能用”。

这两件事差别很大。

如果只是个人读论文，普通 PDF 转文本也许够用。

但如果是企业级应用，后面要做检索、引用、审计、问答、报告生成，结构就非常重要。

一个表格跨页断掉，财务指标就可能错。

一个标题层级丢了，知识库切块就会乱。

一个段落阅读顺序错了，模型总结就会偏。

所以 Docling 的真正价值不是“把文件变成 Markdown”，而是把复杂文档变成更可靠的 AI 输入。

这也是它适合做商业项目的原因：越是企业场景，越愿意为稳定、可控、可私有化的基础设施付钱。

也要注意边界

Docling 的代码是 MIT License，对商业使用很友好。

但如果你要正式做产品，还要注意两件事。

第一，模型和依赖的许可证要单独看。

项目本身是 MIT，但 README 里也提醒，具体模型的使用要看对应模型包的许可。商业交付时，这一步不能省。

第二，文档解析不是一次性解决所有问题。

不同企业的文件模板、扫描质量、语言、表格复杂度都不一样。真正交付时，通常还需要做模板适配、异常处理、人工校验入口和质量评估。

但这并不削弱它的价值。

恰恰相反，这说明它适合作为商业服务的底座，而不是一个一次性脚本。

写在最后

AI 项目里最容易被低估的，往往不是模型，而是管道。

企业不是没有文档，企业的问题是文档太多、太杂、太乱，进不了 AI 系统。

Docling 把这件脏活做成了开源基础设施：多格式解析、结构化表示、OCR、表格、公式、Markdown/JSON 导出、LangChain/LlamaIndex/CrewAI/Haystack 集成、本地运行、服务化部署。

这不是假大空的“AI 改变世界”。

这是一个很朴素但很值钱的判断：谁能把企业文档稳定送进 AI，谁就站在了企业智能化的入口。

GitHub 项目地址：https://github.com/docling-project/docling

官方文档：https://docling-project.github.io/docling

今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！