LF AI & Data：DocLang工作组开发AI原生文档开放标准

LF AI & Data基金会（Linux Foundation AI与数据）于2026年6月9日宣布启动DocLang规范工作组——该工作组的任务是开发AI原生文档（AI-native documents）的开放、厂商中立标准。创始成员为IBM、Red Hat和NVIDIA，ABBYY和HumanSignal作为额外贡献者参与规范开发。

根本问题：商业文档并非为AI而设计

绝大多数商业文档——PDF报告、Word备忘录、Excel电子表格、PowerPoint演示文稿——都是为人类使用而创建的。人类毫不费力地识别标题、区分表格和图表、理解括号中注释的上下文或章节的逻辑层次。AI系统在这方面存在结构性困难。

当这类文档被引入AI管道时，需要多个转换步骤，上下文丢失很常见，处理的可靠性因执行转换的工具而异。在企业规模上——公司每年处理数百万份文档——这一问题变得至关重要，通过临时集成来解决代价高昂。

DocLang希望弥合文档存在的方式与AI需要接收它的方式之间的差距。

DocLang保留什么以及如何结构化？

DocLang是一种格式规范，在单一表示中同时保留文档的语义含义和几何布局。这意味着该格式不仅描述文档中写了什么，还描述在哪里、以何种结构以及元素之间的关系。

DocLang规范的关键技术特征：

• 结构元素： 标题、段落和表格与其在页面上的位置一起描述——使AI系统能够理解内容的空间上下文
• 治理控制： 关于隐私、提取许可和模型训练权限的内置信息——直接在文档中，而非作为外部元数据
• 分词优化： 格式设计时考虑了现代LLM分词器和建模方法，减少了进入AI系统时的信息损失

与Docling的关系：互补工具

重要的是要理解DocLang不是什么：它不是Docling的替代品。Docling是一个已在使用中的开源工具，执行文档转换——接受PDF、DOCX、PPTX、XLSX、HTML和图像，将其转换为结构化输出。Docling解决摄取和转换的问题。

DocLang在下一层面运作：标准化结构化输出在系统间的交换方式。没有标准化的交换格式，每个从另一系统接收文档的AI系统都必须了解该系统的特定输出格式——导致大量自定义集成和随着规模扩大而增加的复杂性。

因此，Docling和DocLang构成垂直栈：Docling用于摄取和转换，DocLang用于结构化输出的标准化交换。

厂商中立治理与开放成员资格

成功的行业标准共享一个关键特征：没有任何一个厂商单方面控制规范。DocLang被置于Joint Development Foundation（JDF）下——一个通过社区共识而非单一参与者单边决策确保开放治理的组织。

这在实践中意味着IBM的DocLang实现必须与NVIDIA或Red Hat的实现兼容，反之亦然。ABBYY——文档处理领域的长期参与者——和HumanSignal——数据标注平台——贡献了AI文档管道最常遇到实际挑战的领域的经验：信息提取、质量管理和训练数据准备。

项目参考页面可在doclang.ai上访问。

主要应用：RAG、交换和治理

DocLang主要聚焦于企业环境中的三类应用：

1. AI文档准备： RAG（检索增强生成）系统、微调管道和文档结构化数据提取的标准化输入
2. 系统间交换： 文档可以经过多个不同厂商的AI系统，不丢失上下文或需要重新转换和格式适配
3. 文档治理（governance）： 内置控制定义了可以对文档做什么——在GDPR等监管要求或金融、医疗和公共行政领域的行业法规下，这一点尤为重要

这一倡议正值行业从简单的聊天机器人应用向代理工作流（agentic workflows）加速转变的时刻——AI自主处理文档并在系统间传递的多步骤自动化流程。在这一背景下，缺乏通用格式成为生态系统整体试图在行业层面解决的瓶颈。