LangExtract — LLM 驱动的结构化信息提取

LangExtract 是 Google 出品的 Python 库，利用 LLM 从临床笔记、法律文书、新闻报道等非结构化文本中提取结构化信息。其核心优势是精确源文本定位：每个提取结果都映射到源文本的精确字符位置，支持可视化高亮审查，适合需要可追溯性的企业级数据提取场景。只需几个示例即可定义提取任务，无需微调模型。

核心使用场景

• 医疗文本提取：从临床笔记提取药物、剂量、诊断结果，含可追溯的源文本定位
• 法律文书解析：提取合同条款、当事方信息、关键日期等结构化字段
• 文学/学术分析：提取人物、情感、关系等实体（如 Romeo and Juliet 示例）
• 长文档批量处理：分块并行处理大型文档，支持多次 Pass 提高召回率
• 交互式审查：生成自包含 HTML 可视化文件，高亮显示提取结果与源文本的对应关系

AI 辅助使用流程

1. 安装依赖 — AI 执行 pip install langextract 并配置 API 密钥
2. 定义提取任务 — AI 根据需求编写提取描述（prompt）和高质量示例（examples）
3. 运行提取 — AI 调用 lx.extract() 处理文本或文档 URL
4. 保存结果 — AI 将结果存为 JSONL 格式，便于后续分析
5. 生成可视化 — AI 调用 lx.visualize() 生成交互式 HTML 审查界面
6. 过滤非定位提取 — AI 过滤掉 char_interval=None 的结果，保留有源文本依据的提取

关键章节导航

• 安装指南 — pip 安装、API 密钥配置、Ollama 本地模型
• 快速开始 — 定义提取任务、运行提取、结果过滤、可视化
• 高级用法 — 长文档处理、自定义模型、医疗/法律场景
• 故障排查 — API 认证、Prompt 对齐警告、召回率低

AI 助手能力

使用本技能时，AI 可以：

• ✅ 安装 LangExtract 并配置 Gemini/OpenAI API 密钥
• ✅ 根据用户描述的提取需求，自动编写 prompt_description 和 examples
• ✅ 调用 lx.extract() 处理文本字符串或文档 URL
• ✅ 过滤非定位（char_interval=None）的提取结果
• ✅ 保存提取结果为 JSONL 格式
• ✅ 生成交互式 HTML 可视化文件
• ✅ 配置 Ollama 本地模型，避免 API 费用
• ✅ 使用并行处理和分块策略处理长文档

核心功能

• ✅ 精确源文本定位 — 每个提取结果映射到源文本的 char_interval（字符偏移）
• ✅ 结构化输出 — 基于 Few-shot 示例强制输出一致 Schema
• ✅ 长文档优化 — 文本分块 + 并行处理 + 多次 Pass，提高大文档召回率
• ✅ 交互式可视化 — 自包含 HTML 文件，高亮显示数千个提取结果
• ✅ 多模型支持 — Gemini（推荐）、OpenAI、Ollama 本地模型
• ✅ 域无关 — 用 Few-shot 示例适配任意领域，无需微调
• ✅ 自动对齐检测 — 检测示例与文本不匹配的情况并发出警告
• ✅ URL 直接处理 — 可直接传入文档 URL（如 Gutenberg 文本）

快速示例

import langextract as lx

# 定义提取任务
result = lx.extract(
    text_or_documents="John took aspirin 500mg twice daily for headache.",
    prompt_description="Extract medications and dosages.",
    examples=[
        lx.data.ExampleData(
            text="Patient was prescribed ibuprofen 400mg.",
            extractions=[
                lx.data.Extraction(
                    extraction_class="medication",
                    extraction_text="ibuprofen 400mg",
                    attributes={"dosage": "400mg"}
                )
            ]
        )
    ],
    model_id="gemini-2.5-flash",
)

# 只保留有源文本依据的结果
grounded = [e for e in result.extractions if e.char_interval]
print(grounded)

# 生成可视化
lx.io.save_annotated_documents([result], output_name="out.jsonl", output_dir=".")
html = lx.visualize("out.jsonl")

安装要求

项目链接

• GitHub：https://github.com/google/langextract
• PyPI：https://pypi.org/project/langextract/
• 论文 DOI：https://doi.org/10.5281/zenodo.17015089