大家好，人工智能应用持续发展，对文档信息的有效处理、理解与检索提出了更高要求。大语言模型虽已在诸多领域发挥重要作用，但在文档处理方面仍有提升空间。
本文将详细阐述如何整合Docling 和 LangChain，创建检索增强生成（RAG）系统，以突破局限，为大语言模型赋能，提升其处理文档信息的能力。
1.Docling：IBM打造的文档处理神器
Docling是IBM推出的创新型开源库，变革了文档处理模式。
其特别之处在于，以单一且统一的接口搞定多种文档格式的处理。不管是PDF、Word文档，还是PPT、Excel表格、网页内容，Docling都能简化处理并理解它们。
Docling具备以下几个主要特性，使其极具价值：
-
高级PDF处理：拥有智能布局分析功能，可对PDF文档进行高效处理。
-
智能阅读顺序检测：能让文档内容自然流畅，符合阅读习惯。
-
内置OCR支持：可识别扫描文档中的文字，便于处理。
-
无缝格式转换：不同文档格式之间能轻松转换。
-
原生集成：与流行的人工智能框架无缝对接，协同工作。
2.RAG的重要性
检索增强生成（RAG）的重要性在于解决传统大语言模型（LLM）局限。
传统LLM虽强大但有不足：
-
仅能用训练数据知识。
-
不能获取实时或特定领域信息。
-
可能产生幻觉或提供过时信息。
RAG的作用：
-
使LLM可访问外部最新知识。
-
为回答提供可验证来源。
-
实现特定领域知识整合。
-
依检索内容生成回答减少幻觉。
3.RAG架构剖析
典型RAG系统有三个主要组件：
-
文档处理：把各种文档格式转为适合嵌入的形式。
-
检索：从知识库找相关信息。
-
生成：用大语言模型依检索上下文生成回答。
Docling与LangChain完美结合于此：Docling擅长文档处理，LangChain提供检索和生成组件的框架。
4.Docling适配RAG应用
在深入实现之前，有必要了解Docling适合RAG应用的缘由。Docling能够支持包括PDF、DOCX、PPTX、XLSX、图像、HTML等在内的多种通用格式；且具备先进的文档理解能力，能深入挖掘文档的内在信息。
Docling与LangChain可实现无缝集成，为构建RAG系统奠定了良好基础。
此外，其内置的OCR功能有助于处理扫描文档，而且不管文档格式如何，Docling都能保证文档表示的统一性，这些特点使得Docling成为RAG应用的理想之选。
5.动手构建RAG系统
5.1 创建文档加载器
首先需要一个自定义加载器，用于连接 Docling 和 LangChain，其代码如下：
from typing import Iterator
from langchain_core.document_loaders import BaseLoader
from langchain_core.documents import Document as LCDocument
from docling.document_converter import DocumentConverter
class DoclingPDFLoader(BaseLoader):
def __init__(self, file_path: str | list[str]) -> None:
self._file_paths = file_path if isinstance(file_path, list) else [file_path]
self._converter = DocumentConverter()
def lazy_load(self) -> Iterator[LCDocument]:
for source in self._file_paths:
dl_doc = self._converter.convert(source).document
text = dl_doc.export_to_markdown()
yield LCDocument(page_content=text)
此加载器类的主要作用是把文档转换为 LangChain 可以处理的格式。在这个过程中，通过使用 Docling 的export_to_markdown()方法，能够保证文本表示的一致性，这一点很重要，能为后续处理提供稳定、统一的文本基础。
5.2 文档拆分
为了有效检索，需要把文档拆分成可管理的块：
from langchain_text_splitters import RecursiveCharacterTextSplitter
loader = DoclingPDFLoader(file_path="../data/docling-tech-report.pdf")
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200,
)
docs = loader.load()
splits = text_splitter.split_documents(docs)
在本示例中，使用了 docling 技术报告 pdf。
5.3 设置嵌入
借助 Hugging Face 的嵌入来构建向量表示：
from langchain_huggingface.embeddings import HuggingFaceEmbeddings
embeddings = HuggingFaceEmbeddings(
model_name="BAAI/bge-small-en-v1.5"
)
5.4 配置向量存储
这里选用 Milvus（https://milvus.io/）作为向量存储，如有需要也可更换为其他：
from langchain_milvus import Milvus
URI = "./milvus_example.db"
vectorstore = Milvus.from_documents(
splits,
embeddings,
connection_args={"uri": URI},
drop_old=True,
)
5.5 设置语言模型
选用 Phi - 4:14B 的 4 位量化版本，并且以 Ollama 作为模型托管框架。先安装 Ollama，安装链接为 https://ollama.com/download。
然后使用 “ollama pull vanilj/Phi - 4:latest” 命令来拉取所需模型。接着通过以下代码进行设置：
from langchain_ollama import OllamaLLM
llm = OllamaLLM(
model="vanilj/Phi-4:latest"
)
5.6 构建RAG链
现在要把前面的各个部分整合起来，构建一个完整的 RAG 管道：
from typing import Iterable
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough
def format_docs(docs: Iterable[LCDocument]):
return"\n\n".join(doc.page_content for doc in docs)
retriever = vectorstore.as_retriever()
prompt = PromptTemplate.from_template("""
Context information is below.
---------------------
{context}
---------------------
Given the context information and not prior knowledge, answer the query.
Query: {question}
Answer:
""")
rag_chain = (
{"context": retriever | format_docs, "question": RunnablePassthrough()}
| prompt
| llm
| StrOutputParser()
)
6.使用RAG系统
现在对文档进行查询，使用以下代码：
response = rag_chain.invoke("Which AI models have been released by docling team?")
print(response)
7.最佳实践和优化技巧
用Docling和LangChain构建RAG应用时，请参考这些要点：
-
文档分块：依用例调块大小，设重叠保持连贯，用语义拆分提升效果。
-
向量存储：按需选，顾扩展、托管维护及查询性能。
-
提示工程：设计巧用上下文的提示，注明应对不确定情况的方法，加系统提示稳格式。
Docling强大的文档处理能力与LangChain灵活的RAG框架相结合，为构建复杂文档类AI应用开启新可能。无论是文档问答、研究助手还是知识管理工具，二者组合都能夯实RAG应用基础。
Docling正积极开发LangChain原生扩展，将让集成更简便，未来会有这些功能：
-
支持LangChain直接加载。
-
增强元数据提取。
-
改进文档结构保留。
-
原生支持表格处理。
扫一扫
1283
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
