产品简介
Document Parsing Protocol 是 LlamaIndex 在 2026 年 10 月 28 日发布的工作草案 0.1，做的事情是给文档解析定一份答案标准。同一张表交给三个解析器，可能出来三种结果：有的把年份丢了、有的把季度塞进表体、有的自己造了一个页面上没印的标签。每个解析器都把字认全了，但含义对不齐。
DPP 就是那份对齐用的答案。140 条规则覆盖文本、表格、表单、图表、示意图等各类内容，每一条都配示例页面和它期望的输出。这些规则来自 LlamaIndex 做 ParseBench 标注时给标注员用的内部标准，现在公开成可讨论的草案。
规则落到具体判断上：两层表头的表格用 HTML 表而不是 Markdown 表，colspan 保留跨列关系；空字段写成 [blank]，勾选框保留 [x] 与 [ ]；图表转成数字表格，一行一个类目、一列一个系列；示意图能完整表达时转 Mermaid，表达不了就用文字描述并保留全部标签；PDF 里不显示的文本略去，看得见但认不出的标 [illegible]。
核心功能
- 140 条规则带示例：每条规则都配一张示例页面和它期望的输出。有争议的判断能直接对着页面看，不用靠口头解释。
- 多层表头保留原样：Markdown 表表达不了跨列表头，DPP 改用 HTML 表并保留 colspan。页面上印的是两行表头，输出也是两行，不合并也不发明标签。
- 空值与不可读有专门写法：空字段写 [blank]，这样能区分本来就空与解析漏了；勾选框保留 [x] 与 [ ]；看得见但认不出的字写 [illegible]。
- 图表与示意图各有出路：图表转成数字表格，印刷值逐字照抄。示意图在 Mermaid 能装下所有标签与箭头时转成图代码，装不下就转成描述并保留每一个标签。
- 允许的差异写清楚了：例如是否用 thead 与 tbody 包裹行，两种写法信息等价，只要全文一致都算合规。评审时不该因为风格差异判错。
- 能直接在自己页面上试：parseprotocol.com 提供在线对照，左边原页面右边期望输出。Claude 上装对应的技能，ChatGPT 上把参考文件加进对话，再贴上页面图就能跑。
适合谁用
以下类型的用户会特别受益于 LlamaIndex DPP：
- 给解析结果做验收，用同一份规则判断输出算不算对。
- 标注团队训练与考核，规则原文可以直接当作业标准。
- 自研解析器对齐外部工具的输出格式，减少下游代码的兼容分支。
- 做文档解析评测，用自己的文档检验规则站不站得住。
- Agent 读财报、报表前的预处理，多层表头不再靠猜。
- 把合同里的空白字段与勾选项结构化，区分空与漏。
优点亮点
- 140 条规则全部配示例页面与期望输出。
- 覆盖文本、表格、表单、图表、示意图五类内容。
- 多层表头用 HTML 表保留原始结构，不发明标签。
- 空值、勾选框、不可读文本都有明确写法。
- 把可接受的差异写明，评审不会因为风格判错。
- 有在线对照与可装的技能，能在自己页面上直接试。
价格与方案
规则文本公开，可免费阅读与采用。parseprotocol.com 提供在线对照与试用，Claude 侧提供可下载的技能文件，ChatGPT 侧提供参考文件。规范本身托管在 GitHub 的 run-llama/document_parsing_protocol 仓库，可提 issue 与 PR 参与修订。
总结与建议
文档解析的问题不在认字，在判断。同一个表格三种输出都算对，下游 Agent 就只能靠猜。DPP 把判断写成规则，还写清了哪些差异可以接受，这是它比一份格式规范更有用的地方。0.1 是草案，官方在征集反例，如果你的文档让某条规则失效，提个 issue 比自己在内部另立一套更省事。
版本演进
- LlamaIndex 发布 Document Parsing Protocol 0.1 （2026-10-28）：LlamaIndex 发布 DPP 0.1 工作草案，为文档解析定义统一答案标准，含 140 条规则，覆盖文本、表格、表单、图表与示意图，每条配示例页面与期望输出。规则源自 ParseBench 标注标准：多层表头用 HTML 表保留 colspan，空字段写 [blank]，勾选框保留 [x] 与 [ ]，图表转数字表格，示意图在 Mermaid 能表达时转图代码、否则转描述并保留标签，不可读文本标 [illegible]。规范托管在 GitHub run-llama/document_parsing_protocol，parseprotocol.com 提供在线对照与 Claude、ChatGPT 试用路径。