LangExtract 结构化信息抽取库

能做什么

LangExtract 是一个 Python 库，使用 LLM 从非结构化文本中提取结构化信息。用户通过提示词和少量示例定义提取任务，库会识别并组织文本中的关键信息，同时把每个提取结果映射回源文本中的精确字符区间，便于追溯和核对。

主要能力

• 源文本定位：每个提取项可对应源文本中的位置，便于高亮和验证。
• 结构化输出：依据少样本示例约束输出结构；在支持的模型上还可使用 output_schema 定义属性约束。
• 长文档处理：通过文本分块、并行处理和多次提取轮次提升长文档的召回。
• 交互式可视化：可将结果保存为 JSONL，并生成自包含的 HTML 文件以可视化查看提取实体。
• 多模型支持：支持 Gemini、OpenAI 等云端模型，也支持通过 Ollama 使用本地模型，并提供自定义模型提供方插件机制。

适用场景

适合从临床记录、报告、文学作品等长文本中提取实体、关系和属性；也可用于需要核对提取结果是否来自原文的结构化信息抽取任务。

使用条件与限制

• 需要 Python 环境，可通过 PyPI 安装，也支持源码和 Docker 方式部署。
• 使用云端模型时需要相应 API 密钥；使用 Ollama 本地模型则不需要 API 密钥，但需本地运行 Ollama。
• 提取效果受所选模型、任务复杂度、提示词清晰度和示例质量影响；未能定位到源文本的提取项其 char_interval 为 None，可过滤掉。
• Ollama 目前不支持 output_schema。
• 项目声明并非 Google 官方支持的产品，使用需遵循 Apache 2.0 许可证；健康相关应用还受额外条款约束。