⁴

做 RAG 检索天天翻车？扒完 6.7 万星的 Docling，我终于找到了文档解析的最优解！

不会喷火的小火龙

2026-09-22 15:39

阅读404

不会喷火的小火龙

2026-09-22 15:39

阅读 404

大家好，我是不会喷火的小火龙。

最近在自研知识库和 Agent 的过程中，我遇到了一个让我抓狂的问题：同样的 PDF 文档，同样的大模型，为什么用传统方式抽取后做 RAG 问答，大模型的回答经常是一本正经的胡说八道？

我反反复复换了好几个向量库，调了无数 Prompt，甚至升级了更贵的大模型。最后才发现，问题根本不在模型和检索算法上，而在最不起眼的第一步：文档解析。

如图 1 所示，这就是绝大多数 RAG 检索翻车的真实现场。

Garbage In, Garbage Out。搞不定文档解析的"第一公里"，无论换什么顶级大模型，你的 RAG 永远在吃垃圾。

今天这篇文章，来深度拆解 GitHub 上 6.7 万 Star、IBM Research 开源的文档解析神器 Docling，讲清楚三件事：传统 PDF 抽取为什么必然翻车、Docling 的轻量小模型如何在 CPU 上破局、以及你的项目到底该选哪个方案。

一、传统 PDF 抽取做 RAG，为什么是一场灾难？

先说一个很多人没意识到的事实：PDF 是一种"打印渲染格式"，它存储的是"这个字符画在屏幕 (x, y) 坐标的什么位置"，而不是"这段话属于哪个章节、这个表格有几行几列"。

PDF 天然丢弃了逻辑结构。传统的纯文本抽取工具（如 PyPDF、pdfplumber），本质上是在用物理坐标硬猜语义。

这会导致三个致命的翻车硬伤。

第一，双栏混排串行。学术论文、研究报告大量使用左右两栏排版。传统工具按物理 Y 轴从上到下读取，会把左栏第 3 行和右栏第 3 行拼成一句话，语义完全颠倒。大模型拿到的上下文从头到尾就是错的。

第二，复杂表格粉碎性骨折。这是公认的重灾区。多行合并单元格、无框线表格被传统工具拍扁成一行字符串，行列对齐关系彻底丢失。你问"2026 年 Q3 营收是多少"，模型把 Q2 的数字回答给你，因为它根本分不清哪行对应哪列。

如下表所示，在面对合并单元格和复杂表格时，两种方式的差距触目惊心：

传统文本抽取 vs 结构化提取在复杂表格下的表现对比

对比维度	传统纯文本抽取（PyPDF 等）	Docling 结构化提取
双栏论文	左右栏串行拼接，语义错乱	按真实阅读顺序重组，段落完整
合并单元格表格	单元格边界丢失，行列全部错位	准确重建行列拓扑关系，输出干净 Markdown 表格
无框线表格	完全无法识别表格结构，输出纯散文	通过 TableFormer 模型识别隐含表格边界
跨页表格	表格在页面断裂处截断为两段无关文本	智能拼接跨页内容，保持表格完整
公式与代码	公式变为乱码符号串	识别公式区域并保留原始格式

第三，机械切片破坏 AST。即便你用了稍好的工具提取出了还算干净的文本，后面的分块环节同样致命。主流 RAG 框架默认按 500 或 1000 个字符盲切，完全不管你切在了一个段落中间、还是一个表格的第三行。检索回来的片段残缺不全，大模型只能基于半截话去回答。

二、扒开 Docling 源码：它是如何用轻量小模型破局的？

Docling 是 IBM Research 开源的文档解析框架，采用宽松的 MIT 协议，GitHub Star 已突破 6.7 万。

它的工程哲学和很多人预期的不一样：IBM 没有盲目依赖几十亿参数的重型视觉大模型（那意味着动辄 16G 以上显存和极慢的推理速度），而是选择了一条更克制的路线，用专门优化的轻量小模型，各自解决一个特定的工程难题。

如图 2 所示，Docling 的核心在于其分层解耦的轻量多模型流水线：

图 2：传统文本提取流水线 vs Docling 结构化多模态解析流水线

三大底层支柱：

DocLayNet 版面语义识别。IBM Research 基于大规模人工标注文档数据集训练的版面分析模型，精准区分正文、标题、双栏排版、图片注释和页眉页脚，并还原正确的人类阅读顺序。双栏论文不再串行拼接，因为模型知道应该先读完左栏再读右栏。

TableFormer 表格结构识别。专门针对表格场景的 Transformer 小模型，输入是表格区域的图像，输出是每个单元格的行列拓扑坐标。合并单元格、无框线表格、跨页表格都能准确还原为干净的 Markdown 或 HTML 表格。

DoclingDocument 统一中间抽象。Docling 把 PDF、DOCX、PPTX、HTML 等多源异构文档统一解析为一棵结构化的文档 AST 语法树（DoclingDocument），向下游导出时可以无损转换为 Markdown、JSON、DocTags 等多种格式。

IBM 技术报告（arXiv:2408.09869）中的原话：

"powered by state-of-the-art specialized AI models for layout analysis (DocLayNet) and table structure recognition (TableFormer), and runs efficiently on commodity hardware in a small resource budget."

在普通硬件上、以极小的资源开销高效运行。

三、RAG 进阶利器：丢掉机械字符切片，拥抱 HybridChunker

搞定了文档结构化转换，还有一道关卡：切片。

传统 RAG 框架的 RecursiveCharacterTextSplitter 按固定字符数（500/1000）盲切文本，完全不管你切在了一个段落中间还是一个表格的第三行。前面辛辛苦苦还原出的排版结构，在切片环节又被摧毁了。

如图 4 所示，传统固定字符切片和 HybridChunker 语法树智能分块的差距一目了然：

图 4：传统固定字符切片 vs HybridChunker 语法树智能分块

Docling 原生内置的 HybridChunker 基于前一步生成的 DoclingDocument AST 语法树切分，感知 Markdown 的标题层级、段落边界和完整表格，绝不在表格单元格中间截断，小段落自动合并到上一个分块，超长段落按句子边界自然截断。

核心代码只需要几行：

▼
python
复制代码
from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker

# 第 1 步：解析 PDF 为结构化文档
converter = DocumentConverter()
result = converter.convert("financial_report.pdf")

# 第 2 步：基于 AST 智能分块
chunker = HybridChunker(tokenizer="BAAI/bge-small-en-v1.5")
chunks = list(chunker.chunk(result.document))

for i, chunk in enumerate(chunks[:3]):
    print(f"--- Chunk {i} ---")
    print(chunk.text[:200])

四、本地轻量闭环实测：Docling + Ollama + SQLite

一套高精度的文档问答系统，完全不需要依赖昂贵的云端 API 或重型 GPU。

技术栈非常简单：

1）文档解析：Docling 本地 CPU 运行，解析 PDF/DOCX/PPTX 输出结构化 Markdown； 2）向量嵌入：本地 Ollama 驱动轻量 nomic-embed-text 模型（仅 274MB），无需调用任何外部 API； 3）向量存储：单文件、零依赖的 SQLite 存储，无需部署任何数据库服务。

整个技术栈在一台普通笔记本上即可跑通，不依赖网络、不发送数据到第三方。

我选取了 IBM 官方发布的《Docling Technical Report》学术论文（共 9 页，含双栏混排、多级标题和跨页合并表格），以同一个检索问题进行对决： Query: "What are the specialized AI models used in Docling for layout analysis and table recognition?"（Docling 用于版面分析和表格识别的专用模型分别是什么？）

控制台输出的真实对比数据如下：

不仅是指标差距，翻开两边召回的具体内容，差距更明显：

传统 PyPDF 召回的 Top 1 切片：

▼
text
复制代码
psearch-experience, our cloud-native service for knowledge
exploration tasks.
Layout Analysis Model
Our layout analysis model is an object-detector which predicts the bounding-boxes and classes of
various elements on the image of a given page. Its ar...

前两行直接把上一栏截断的半句话 psearch-experience... 拼了进来，缺少章节归属，典型的上下文污染。

Docling + HybridChunker 召回的 Top 1 切片：

▼
text
复制代码
[标题路径: 3.2 AI models]
As part of Docling, we initially release two highly capable AI models to the open-source community, which have been developed and published recently by our team. The first model is a layout analysis model, an accurate object-detector for page element...

不仅自带 [标题路径: 3.2 AI models] 层级标签，而且首句完整交代了两个核心模型的出处，相似度直接飙到 0.8595。

在纯 CPU 环境下，9 页复杂双栏论文用时 38.921 秒，切片数量从 109 个压缩到 49 个（降噪 55%），彻底消除了表格截断和句子跨栏错乱。

五、横评与选型指南：Docling、MinerU、MarkItDown 怎么选？

开源文档解析赛道目前三大主流方案各有所长。选错了，要么精度不够，要么成本爆炸，要么商用受限。

我把市面上主流工具的选型逻辑整理成了一张清晰的决策树，如图 6 所示：

图 6：文档解析与 RAG 预处理技术选型决策树

三个方案的核心取舍：

Docling（IBM Research）：MIT 协议，企业商用零法律风险。纯 CPU 可跑，TableFormer 专攻复杂表格，HybridChunker 原生支持 AST 智能分块，自带 MCP Server 可直接让 Cursor、Claude Code 等 Agent 调用。适合 90% 的个人开发者和企业 RAG 场景。

MinerU（上海 AI Lab）：在学术论文和数学公式 LaTeX 还原上精度极高，对中文复杂排版的支持也很强。但动辄需要 16G+ 显存的 GPU 支持，且采用 AGPL-3.0 协议，商业使用限制较多。适合科研机构和不差 GPU 算力的团队。

MarkItDown（微软）：超轻量的多格式转 Markdown 工具，安装简单、速度快。但缺乏深度的视觉版面分析能力，对双栏排版和复杂表格基本无能为力。适合文档格式极简单、只需文本级转换的场景。

结语

AI 应用的上限，往往不取决于你换了多大、多贵的模型，而取决于你在最前面喂给模型的数据有多干净、多结构化。

Docling 用两个轻量小模型解决了困扰无数开发者的文档解析难题：它没有花哨的概念，只有对工程问题的诚实面对和克制回答。希望这篇文章能帮你在自研 RAG 和 Agent 的路上少走一段弯路。

如果你对这类开源项目深度拆解感兴趣，欢迎关注公众号「小火龙AI 手记」。

这里持续挖掘 GitHub 等开源社区里真正好用、能打的高价值项目，拆解它们背后的工程逻辑；同时也记录我自己用 AI 搓工具、做产品、踩坑填坑的全过程实录。都是有一点技术基础就能看懂的干货，跟你一起把 AI 驯化成真正趁手的生产力工具。

参考资料：

Christoph Auer et al.，"Docling Technical Report"，IBM Research，arXiv:2408.09869：https://arxiv.org/abs/2408.09869
Docling 官方 GitHub 仓库：https://github.com/docling-project/docling
GraniteDocling 258M 视觉模型：https://huggingface.co/ibm-granite/granite-docling-258M
Docling 官方文档：https://docling-project.github.io/docling/

问答助学