TL;DR

Docling-Agent는 DoclingDocument를 중심으로 문서 작성, 자연어 기반 편집, 스키마 추출, 문서 Enrichment를 수행하는 Python library-SDK입니다. 개발자는 agent.run(...)에 작업과 문서를 넘기고 결과를 save_as_html 같은 헬퍼로 저장하며, BackendConfig를 통해 Ollama나 LiteLLM 등 여러 모델 백엔드를 선택합니다. PDF·이미지에서 typed field를 추출하거나 기존 문서에 요약과 엔티티를 추가하는 흐름을 코드로 구성할 수 있습니다. 반면 설치 안내와 문서가 아직 준비 중이고 프로젝트가 work-in-progress이므로, Docling 기반 실험과 프로토타이핑에는 적합하지만 안정적인 배포용 의존성으로 채택하기 전에는 성숙도와 백엔드 호환성을 확인해야 합니다.

핵심 포인트

• Docling 생태계에 속한 Python library-SDK로, 문서 작성·편집·추출·Enrichment 에이전트를 코드에서 호출합니다. 핵심 인터페이스는 자연어 작업과 DoclingDocument를 agent.run(...)에 전달하고 결과 문서를 받는 구조입니다. 독립 실행형 애플리케이션보다 Docling 기반 문서 처리 파이프라인에 붙이는 개발자용 구성요소에 가깝습니다.
• 문서 작성 에이전트는 자연어 요청을 받아 구조화된 보고서를 만들고 JSON·Markdown·HTML로 저장합니다. 편집 에이전트는 기존 Docling JSON을 불러와 특정 표나 문단 같은 대상에 집중된 변경을 적용합니다. 보고서 생성이나 기존 문서의 반복 수정처럼 문서 구조를 유지해야 하는 작업에 적합합니다.
• 추출 에이전트는 PDF·PNG·JPG·JPEG 파일과 스키마를 입력으로 받아 invoice-number·total·currency 같은 typed field를 추출하고 HTML 보고서를 생성합니다. Enriching 에이전트는 기존 문서의 문단·표·섹션에 요약, 검색 키워드, 핵심 엔티티, 분류 정보를 덧붙입니다. 문서 내용을 정해진 데이터 구조로 변환하거나 후처리 메타데이터를 일괄 생성할 때 사용할 수 있습니다.
• BackendConfig에서 mellea, ollama, lmstudio, litellm, llama-server 중 하나를 선택하고 reasoning·writing 모델을 따로 지정합니다. run_with_trace()는 실행 시간, 사용 모델, 하위 에이전트 추적을 AgentTrace로 묶으며 orchestrator의 중첩 실행 결과를 JSON으로 저장합니다. 다만 README에 설치 방법과 정식 문서가 아직 Coming soon으로 남아 있고 프로젝트도 immature·work-in-progress 상태이므로 운영 도입 전에는 직접 검증이 필요합니다.