从 12.6K 到 67K：一个 IBM 开源的“文档翻译官”，被中文开发者聊了一年半

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling

先说个场景。

你手里有一份 80 页的 PDF 财报，表格横跨两栏，中间夹着三张柱状图、一段公式，还有扫描件里歪歪扭扭的盖章文字。你想让 AI 帮你总结一下，结果把文件丢进去，AI 回你一堆乱码似的文字流——表格塌了，标题和正文混成一锅粥，公式变成一堆问号。

这不是 AI 笨，是它“吃”进去的东西本来就坏了。

过去一年半，中文技术社区反复讨论的一个开源项目，干的就是这件脏活累活：把各种乱七八糟的文档，洗干净、切整齐，喂给 AI。它叫Docling，出自 IBM 苏黎世研究院，MIT 协议，谁都能免费用。

2024 年 12 月，掘金上有篇爆款文章的标题是“12.6K Star！AI 开发者必备”。那会儿它刚火一个多月。到今天，这个数字已经冲到6.9 万 star 附近。

从 12.6K 到 67K，这条曲线背后，中文社区到底聊了什么？

一、一年半，中文社区聊出了三个阶段

第一阶段是 2024 年下半年，纯粹的“种草期”。

2024 年 8 月，CSDN 上出现第一批介绍文章，阅读量只有几百。到了 11 月，情况变了：HelloGitHub 把它写进“GitHub 热点速览”，标题直接说“Star 数增长犹如坐上了火箭，短短一周飙升 6k”。紧接着，掘金、CSDN 上密集出现“4.5K Star”“12.6K Star”的标题党式安利。

那段时间大家聊的东西很统一：它能读 PDF、Word、PPT、Excel、HTML，还能导出 Markdown。对当时正在折腾 RAG 知识库的开发者来说，这几乎就是刚需。

第二阶段是 2025 年，内容形态从“介绍”变成了“教程 + 集成 + 横评”。

CSDN 上开始出现“Spring AI + Docling 企业级文档解析完全指南”这种长文，讲怎么在 Java 项目里接它；掘金上开始有人拿它和 MinerU、Unstructured 做横向对比；Google 上的中文技术媒体则扎堆做“六大开源文档解析工具横评”“六大 OCR 模型对比”。

讨论的重心悄悄变了：不再是“这玩意好酷”，而是“它到底能不能进生产环境”。

第三阶段是 2025 年底到 2026 年，关键词换成了 Agent 和 MCP。

随着 AI Agent 概念爆发，社区文章的画风变成“详解 Docling 与 Docling-MCP：文档解析工具与 MCP 服务全指南”。人们关心的不再是“怎么转一个文件”，而是“怎么让我电脑上的 AI 助手自己去读文件”。

有意思的是，社区讨论的热度和项目的发版节奏几乎是同频的。翻开发版记录，从 2024 年 7 月到 2026 年 10 月，这个项目发了226 个版本，平均一个月九个。2024 年 11 月它最火的那个月，发了 11 个版本；2026 年 6 月，又迎来一次小高峰，14 个版本。

一边是社区在写文章，一边是仓库在疯狂打补丁。这种“你追我赶”，在开源项目里并不多见。

二、它到底是个啥？一句话就能说明白

抛开所有技术名词，Docling 的定位可以这么理解：

它是一台“文档格式转换器”，把给人看的东西，转成给 AI 吃的东西。

打个比方。你给 AI 喂一份 PDF，就像把一整本装订好的书直接塞进它嘴里——书脊、页码、双栏排版、跨页表格、页脚小字，全糊在一起。AI 嚼不动，只能吐出一堆顺序错乱的文字。

Docling 干的事，像是把这本书拆开、熨平、重新排好：这一页哪块是标题，哪块是正文，哪个方框是表格，表格第几行第几列写的什么，这张图在页面什么位置——全都打上标签，再整整齐齐递给 AI。

它内部有个统一的“容器”，叫 DoclingDocument。你可以把它想成一个特别规整的文件柜：文本放一格、表格放一格、图片放一格，页眉页脚单独归到“杂物层”，而且每个格子都记着“我原来在纸上第几页、第几个位置”。

这个东西看着朴素，但对做知识库、做文档问答的人来说，是地基。

三、真正让人服气的三个本事

第一，它认得“版面”，不只是认得字。

很多工具做 PDF 提取，本质上是把文字从上到下扫一遍。遇到双栏论文就完蛋——左栏读一半跳右栏，句子直接断裂。

Docling 会先判断这一页的布局：哪里是标题、哪里是段落、哪里是图、哪里是表，然后按人阅读的顺序重新串起来。财报里那种横跨两栏的大表格，它也能把结构还原成行列，而不是压成一串用空格隔开的字符。

对做研报分析、合同比对、论文整理的人来说，这一步的价值远超“识别准确率”那零点几个百分点。

第二，它的“胃口”大得有点离谱。

一开始大家只知道它能吃 PDF 和 Office 三件套。后来越来越夸张：EPUB 电子书、LaTeX 论文、AsciiDoc 技术文档、CSV、HTML、邮件文件、苹果的 Pages / Numbers / Keynote、OpenDocument 格式、甚至专利文档和财报专用的 XBRL 格式，全都能读。

更离谱的是，从 2025 年底开始，它把音频和视频也纳入了进来——WAV、MP3、MP4、MOV 丢进去，自动转写文字，视频还会顺手抽几帧关键画面。

这意味着什么？一场两小时的会议录像，可以直接变成一份带时间轴的文字稿，再顺手变成可检索的知识库条目。自媒体人剪片找素材、销售复盘客户通话，都用得上。

第三，它开始“看懂”内容，而不只是搬运文字。

这是最近一年最明显的变化。

以前它只会说“这里有一张图”。现在它会告诉你：这是一张柱状图还是饼图，图里各条数据大概是多少，甚至能直接转成表格。财报里那张画得花里胡哨的营收趋势图，可以被还原成一行行能算数的数据。

它还能给图片自动写说明——一张产品结构图丢进去，出来的不只是图片文件，还有一段“这张图展示了什么”的描述文字。对做无障碍阅读、做电商图文库的人来说，这是实打实的省事。

更能说明“成熟度”的，是它在 2025 年 5 月加的一个功能：转换质量自评。

每转完一份文档，它会给出一个“优秀 / 良好 / 一般 / 较差”的等级，还能精确到每一页。批量处理一万份扫描件时，你不用一份份翻，直接筛出“较差”的那批人工复核就行。这个设计特别像工厂里的质检工位——机器干活，人只盯异常。

四、普通人想试，门槛高不高？

比大多数人想象的低。

它支持 Windows、macOS、Linux，普通笔记本就能跑，不需要显卡。安装就是一条命令的事，官方也提供了命令行工具，一条命令就能把本地文件或者网页上的 PDF 转成 Markdown。

如果你嫌命令行麻烦，社区还做了几种更友好的用法：

一种是本地服务模式。把它跑成一个小服务，公司里其他系统通过接口调用，Java、Go、前端都能接。这也是 2026 年那批“Spring AI 集成指南”文章火起来的原因——企业不想让敏感合同出门，就在自己服务器上跑一份。

另一种是接进 AI 助手。通过 MCP 这个“AI 工具插座”标准，你可以让电脑上的 AI 助手直接拥有“读文档”的能力：你说一句“帮我看看这份合同有没有坑”，它自己调用 Docling 把文件拆开读懂，再回答你。整个过程中，文件没有离开你的电脑。

还有个特别讨喜的东西：一个只有 2.58 亿参数的小模型。现在动辄几百亿参数的大模型跑起来要显卡，这个小家伙却能在普通电脑上本地跑，专门干“看图转文档”这一件事。轻，是它最大的优点。

那它有没有槽点？有，而且社区骂得挺实在。

CSDN 上阅读量最高的一篇（接近 1.5 万）就直言不讳：安装时容易遇到版本冲突，对多行代码块的识别不够聪明，内置 OCR 在复杂扫描件上表现一般。翻译成人话就是：它在“规整的电子文档”上表现惊艳，在“糊成一团的老扫描件”上还得配别的 OCR 工具打辅助。

这不是黑，这恰恰说明它已经过了“神话期”，进入“被真实使用”的阶段。一个项目没人骂，往往不是因为它完美，而是因为没人用。

五、写在最后

从 12.6K 到 67K，这条曲线其实讲了一个很朴素的故事。

AI 再聪明，也得先有干净的粮食。过去大家把钱和注意力都砸在“模型有多大”上，直到发现——喂进去的文档是烂的，再大的模型也只能胡说八道。

Docling 火起来，不是因为它技术多么惊世骇俗，而是因为它老老实实解决了一个所有人都在忍的痛点：把纸面上的世界，翻译成机器能理解的世界。

一年半里，中文社区对它的态度从“哇好酷”，变成“这玩意能不能上生产”，再变成“怎么塞进我的 AI 工作流”。这个变化，其实也是整个行业从追热点到做实事的缩影。

最后留个问题给大家聊聊：

你手上最想“一键转干净”的文档是什么？是那堆扫描版的老合同、公司十年的会议纪要，还是手机里几万张拍下来的发票和票据？

评论区说说，说不定下一个被开源社区解决的痛点，就是你的。

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling