Начинаю серию разборов open-source AI-проектов. Хочу смотреть не только на то, что умеет очередной инструмент, но и на то, как он устроен внутри, как движутся данные и где такую архитектуру можно применять в реальных бизнес-процессах. Для первого выпуска выбрал Docling — open-source проект для обработки и структурирования документов. Он был начат командой AI for Knowledge в IBM Research Zurich, а сейчас размещён в LF AI & Data Foundation. Основной код распространяется под MIT License. Почему эта тема интересна именно с точки зрения внедрения ИИ? Потому что путь к AI-решению часто начинается вовсе не с LLM. На входе у компании могут быть PDF, DOCX, XLSX, презентации, изображения, сканы, HTML и другие форматы. Для человека документ выглядит логично, а для программной системы это смесь текста, таблиц, изображений, заголовков, колонок и связей между элементами. Задача Docling — привести всё это к единому структурированному представлению.

Что происходит внутри

Основная точка входа — DocumentConverter. Он умеет работать с разными форматами и для каждого из них выбирает соответствующий backend и pipeline. Backend отвечает за чтение конкретного типа документа, а pipeline организует дальнейшую обработку. При этом эта схема настраиваемая: для одного и того же формата можно использовать разные варианты обработки.

Упрощённо архитектура выглядит так: Document → DocumentConverter → Backend → Pipeline → DoclingDocument

На выходе появляется DoclingDocument — основное внутреннее представление документа в Docling. Его уже можно экспортировать в Markdown, словарь/JSON, сериализовать или разбить на чанки для дальнейшей обработки.

Почему это больше, чем обычный OCR

На примере PDF особенно хорошо видно разницу. OCR может распознать текст, но этого недостаточно, если документ содержит таблицы, несколько колонок, изображения, сложный порядок чтения или иерархию разделов. В Docling есть отдельный высокопроизводительный StandardPdfPipeline с многопоточными стадиями обработки. Проект также поддерживает анализ PDF-структуры, OCR, работу с таблицами и дальнейшую подготовку документа к AI-сценариям.

Пример кода показал в карусели ниже — там же разобрал, что происходит за несколькими строками Python. Это тот же базовый паттерн, который использует официальная документация Docling: конвертация файла → получение DoclingDocument → экспорт результата. Именно здесь хорошо видна инженерная идея проекта: несколько строк внешнего API скрывают достаточно сложную внутреннюю архитектуру обработки документа.

Где это может пригодиться бизнесу.

Потенциальная схема выглядит так: Документы → Docling → структурированные данные → база / поиск / RAG / LLM → сотрудник или автоматизированный процесс Например, это может быть подготовка внутренних документов для корпоративной базы знаний, поиск по документации, извлечение информации, последующий AI-анализ или интеграция с другими системами.

При этом Docling уже существует не как один изолированный репозиторий: вокруг него есть дополнительные компоненты, например docling-serve для REST API, docling-parse для PDF-парсинга и отдельные AI-модели.

Мой вывод

После разбора Docling для меня особенно важна одна мысль: хорошее AI-решение начинается не с подключения LLM, а с качественно подготовленных данных. Если система теряет структуру документа ещё на входе, даже сильная модель получает плохой контекст. Поэтому при внедрении ИИ важно смотреть на весь процесс целиком: источник данных → подготовка → структура → модель → бизнес-результат. В карусели собрал архитектуру Docling, обработку PDF, пример Python-кода и возможный бизнес-сценарий.

Исходный код: https://github.com/docling-project/docling?utm_source=chatgpt.com Документация: https://docling-project.github.io/docling/?utm_source=chatgpt.com

#AI #Python #OpenSource #Docling #DocumentAI #RAG #LLM #Automation #AIавтоматизация