2025最火AI提效工具！LangExtract轻量却强大：零代码提取结构化信息，这篇讲透前世今生！

原创最新推荐文章于 2026-06-04 09:46:28 发布 2.3k 阅读 AI写同款

Python_金钱豹

1万+粉丝2835篇原创

关注

LangChain Extract: 强大的信息提取工具 LangChain Extract是由LangChain团队开发的一个开源项目,托管在GitHub上。它的核心目标是提供一个简单易用的Web服务,允许用户从文本和文件中提取结构化信息。该项目利用了FastAPI、LangChain和PostgreSQL等先进技术,为用户提供了一个功能丰富、可扩展的信息提取平台。LangChain Extract为信息提取任务提供了一个强大而灵活的解决方案。无论是处理简单的文本还是复杂的文档,它都能帮助用户快速、准确地提取所需信息。阅读详情

AI摘要

LangExtract是一款由Google开源的Python工具，旨在通过自然语言指令和少量示例数据，高效地将非结构化文本转换为结构化信息。它解决了传统方法和直接LLM输出的痛点，如结果不稳定、缺乏溯源、长文本乏力和跨领域适应难等问题。LangExtract适用于医疗、金融等多个领域，能够帮助企业从非结构化文本中提取关键信息，提高数据处理效率。

在数据驱动的时代，大量有价值的信息隐藏在非结构化文本中—比如详尽的临床记录、冗长的法律文件、大量客户反馈与评价等。很多时候我们需要把其抽取成更结构化的内容。这是因为结构化信息：更易于被索引与查询、更适合统计分析与挖掘，也更易于被软件集成（RPA、API、工作流等）。

**本篇为大家介绍LangExtract --**Google 新出品的一款开源Python 工具。它可以更完美的借助LLM，并根据用户指令，将海量非结构化文本转换为结构清晰、来源可追溯的结构化信息。这也是近期看到最好的 “小而美” 工具之一：简洁、高效、有用。

本文内容：

起源与动机
区别于直接LLM输出的特点
实例：专业医学报告抽取
实例：超长文本抽取
总结与应用展望

起源与动机

从低密度的自然语言文本中做结构化信息抽取一直是 AI 的难题。传统方法要么依赖繁琐的正则表达式，要么借助机器学习提取上下文特征，但很难应对语言多变、含义深刻的真实语料。 LLM给我们看到了解决问题的新方向，但是：

尽管当前的LLM已经具备了通识领域非常强大的自然语言理解能力，且具备结构化输出能力（大部分LLM）。但直接让 LLM “读文本吐结构” 仍然存在诸多痛点：

结果不稳定：同一段文本，用不同提示或在模型状态稍有变化时，输出的结果可能大相径庭。
缺乏溯源：模型生成的字段难以定位到原文具体位置，审核和验证非常困难。
长文本乏力：一旦文本过长（数万字乃至更多），模型容易“迷失”，简单截断又可能遗漏全局信息。
跨领域适应难：不同领域（医疗、法律、金融、舆情等）的抽取需求各异，直接让模型覆盖所有领域往往力不从心，细调模型代价高昂。

LangExtract 正是为了解决上述这些问题而生。它由 Google 开源，可以让开发者通过自然语言指令和少量示例数据来定义并完成抽取任务。

相较于普通 LLM 的直接输出，LangExtract 在后台采取了一系列策略来强化结果的可靠性和可控性。开发者无需深厚的机器学习专业知识，只需用几行代码结合提示和示例，就能高效地将自由文本转换为结构化数据：它尝试把 LLM 抽取变成了一套可控、可追溯的过程。

区别于直接LLM输出的特点

与让LLM直接尝试生成 JSON 等结构化结果相比，LangExtract 提供了一整套机制来保证抽取结果的准确、稳定和易用。其主要特点包括：

广泛的领域适用性：针对垂直领域，只需编写相应的提示和示例，无需对底层 LLM 进行微调，它就能理解并执行新的抽取任务。从司法文书里的日期地点至医学报告的数据结构化，都可以通过更改 Prompt 和示例实现。
精准的来源定位：每个抽取结果都能映射回原文中的精确位置。提取的数据带有字符偏移索引，方便人工审核和验证。这一特性使得抽取过程透明可追溯。
可靠的结构化输出：开发者可以通过提示词描述所需的输出结构，并提供一组高质量的Few-Shot示例来定义 schema。LangExtract 会确保模型严格遵循预期的字段格式，即使面对复杂任务输出也稳定一致。
优化的长文档处理：针对“海量文本、大海捞针”式的抽取难题，LangExtract 采用分区块+多线程并行+多轮抽取的策略。即使百万级字符的长文档也能被有效“扫描”，不错过隐藏的关键信息。
交互式可视化：LangExtract 可以生成交互式的HTML报告，并使用颜色高亮标注每个提取实体在原文中的位置，且提供导航控件方便浏览大量注解。对于需要人工复核或演示汇报的场景，方便了对结果的理解和质量评估。
善用 LLM 的通用知识：LangExtract 允许模型运用自身的通用知识来补充额外信息。例如让模型基于其知识增加抽取的人物身份或时代背景等属性。在保证核心数据可追溯的前提下，适度发挥模型的知识推理能力，使结果更丰富。（当然，这部分推断内容的准确性取决于模型能力和提示的引导）

以上这些特性使得 LangExtract 将大模型从一个不可控的“黑盒”变成了开发者手中可定制、可追踪的工具。特别是对于追求严格数据质量和合规性的企业应用来说，这种严格的控制力正是我们非常需要的。

实例演示：LangExtract抽取医学报告

LangExtract 的核心思想最早正是应用于医学信息抽取研究：例如从临床笔记中自动识别药物名称、剂量、频率、适应症状等用药信息，并构建信息间的关系。

我们通过一个简单示例演示 LangExtract 在该领域的应用。在该示例中，LangExtract从杂乱的病人记录里提取出用药清单，包括药物名称、用法用量，以及不同药物之间的分组关系等，实现了对非结构化病历到结构化用药报告的自动化转换。

使用LangExtrace进行结构化信息抽取的基本步骤如下：

【基础抽取】

这里逐步完成一个基础示例：

定义抽取任务描述 (Prompt)：以自然语言撰写一段提示，清晰说明需要从文本中提取什么信息、遵循什么规则。

import
 textwrap
import
 langextract 
as
 lx
from
 langextract.factory 
import
 ModelConfig

# 提取指令
prompt_description = textwrap.dedent(
"""\
提取药物信息，包括药物名称、剂量、给药途径、频率和持续时间，按照它们在文本中出现的顺序提取。
""")

提供高质量示例 (Few-shot Examples)：人工构造若干示例，展示给定一段文本时期望的提取结果。这些示例将作为模式指导，帮助模型明白如何输出。

examples_ner = [
    lx.
data
.ExampleData(
        text=
"患者被给予250毫克静脉注射头孢唑啉，每日三次，持续一周。"
,
        extractions=[
            lx.
data
.Extraction(extraction_class=
"dosage"
, extraction_text=
"250毫克"
),
            lx.
data
.Extraction(extraction_class=
"route"
, extraction_text=
"静脉注射"
),
            lx.
data
.Extraction(extraction_class=
"medication"
, extraction_text=
"头孢唑啉"
),
            lx.
data
.Extraction(extraction_class=
"frequency"
, extraction_text=
"每日三次"
),
            lx.
data
.Extraction(extraction_class=
"duration"
, extraction_text=
"持续一周"
)
        ]
    )
]

执行抽取 (Extraction)：调用 LangExtract 的接口，将待处理的输入文本传入，并附上定义的提示描述和示例数据，以及指定所用的底层模型。LangExtract 会自动调用 LLM，对文本进行分析并提取所需信息，返回结构化的结果。

(这里使用了某API平台的OpenAI兼容接口，模型为qwen3-14b)


input_text = 
"患者服用了400毫克口服布洛芬，每4小时一次，持续两天。"

#配置模型 - 明确指定OpenAI提供者
model_config = ModelConfig(
    model_id=
"qwen3-14b"
,  
    provider=
"OpenAILanguageModel"
,  
# 明确指定使用OpenAI提供者
    provider_kwargs={
        
"temperature"
: 0.1,
        
"max_tokens"
: 2048,
        
"base_url"
: 
"your-base-url"
,
        
"api_key"
: 
"your-api-key"
    }
)

result_ner = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt_description,
    examples=examples_ner,
    config=model_config,  
# 使用 ModelConfig
    fence_output=True,
    use_schema_constraints=False,
    debug=False
)

输出与可视化结果：你可以直接对解析结果进行输出，也可以将结果对象保存为 JSONL 文件，然后利用库提供的 visualize 方法生成交互式HTML文件。

print
(
"提取的实体:"
)
for
 entity 
in
 result_ner.extractions:
    position_info = 
""
    
if
 entity.char_interval:
        start, end = entity.char_interval.start_pos, entity.char_interval.end_pos
        position_info = 
f" (位置: 
{start}
-
{end}
)"
    
print
(
f"• 
{entity.extraction_class.capitalize()}
: 
{entity.extraction_text}{position_info}
"
)

# 保存结果
lx.io.save_annotated_documents([result_ner], output_name=
"医疗_ner_提取.jsonl"
)
print
(
"\n基础NER结果已保存到 医疗_ner_提取.jsonl"
)    

html_content_ner = lx.visualization.visualize(
"./test_output/医疗_ner_提取.jsonl"
)
with
 
open
(
"医疗_ner_可视化.html"
, 
"w"
, encoding=
'utf-8'
) 
as
 f:
    f.write(html_content_ner)

LangExtract的解析结果为Extraction类型的对象列表，它代表了抽取信息的完整结构。它是一个数据结果的容器，包含有如下信息：

核心层 - 定义"是什么"

extraction_class: 实体类型（如"medication", "person"等）
extraction_text: 提取的具体文本内容(如“布洛芬"）

定位层 - 记录"在哪里

char_interval: 字符级别的精确位置
token_interval: Token级别的位置（更适合NLP处理）

组织层 - 管理"如何组织"

extraction_index: 全局序号
group_index: 分组编号
alignment_status: 匹配质量状态

语义层 - 描述"更多信息"

description: 人类可读的描述
attributes: 结构化属性字典（关键特性！）

上面的简单例子中简单的打印了extraction_class与extraction_text信息：

此外，我们把结果可视化到了一个html文件。通过它你可以直观的查看提取的实体列表及其在原文本的位置（追溯）。

遗憾的是，目前LangExtraction版本的可视化(visualization）功能对中文支持不完善。如果是英文环境，利用输出的html文件，可看到类似如下的效果：

相信后续的版本将会对多语言环境支持的更好。

实际应用中，可能需要把多个相关的抽取结果关联在一起，比如在上例中，需要把一种药物的名称、用法、剂量等关联到一起。这有两种方法可以实现：

利用分组关联多个实体

这种方法给每一个抽取实体赋予一个”分组“属性，比如medication_group，这样，具有共同分组属性的实体就被自然的关联起来，而你只需要修改提示词和示例。

我们对上面的例子改造，引入更复杂的医学文本（input_text）：

“患者上个月被开了利辛普利和二甲双胍。他每天服用利辛普利10毫克治疗高血压，但经常漏服二甲双胍500毫克剂量，应该每日两次服用治疗糖尿病。”

现在修改prompt和examples：

prompt_description_re
 = textwrap.dedent(
"""\
提取药物及其详细信息，使用属性将相关信息分组：
1. 按照实体在文本中出现的顺序提取
2. 每个实体必须具有 'medication_group' 属性，将其链接到相应的药物
3. 一个药物的所有详细信息应该共享相同的 medication_group 值
""")  

examples_re
 = [
    lx.data.ExampleData(
        text=
"患者服用阿司匹林100毫克每日一次用于心脏健康，以及辛伐他汀20毫克睡前服用。"
,
        extractions=[
            
# 第一个药物组
            lx.data.Extraction(
                extraction_class=
"medication"
,
                extraction_text=
"阿司匹林"
,
                attributes={
"medication_group"
: 
"阿司匹林"
}
            ),
            lx.data.Extraction(
                extraction_class=
"dosage"
,
                extraction_text=
"100毫克"
,
                attributes={
"medication_group"
: 
"阿司匹林"
}
            ),
            lx.data.Extraction(
                extraction_class=
"frequency"
,
                extraction_text=
"每日一次"
,
                attributes={
"medication_group"
: 
"阿司匹林"
}
            ),
            lx.data.Extraction(
                extraction_class=
"condition"
,
                extraction_text=
"心脏健康"
,
                attributes={
"medication_group"
: 
"阿司匹林"
}
            ),

            
# 第二个药物组【省略】
        ]
    )
]

这里通过medication_group把一个药物相关的多个抽取实体关联起来。现在，通过对抽取结果解析打印（代码略），可以轻松查看每种药物的关联性质：

以实体为中心的属性抽取

另外一种抽取方式是以药物作为中心的抽取实体，而其他相关的性质则作为药物实体的属性抽取。提示与示例如下：

prompt_description_attr
 = textwrap.dedent(
"""\
提取药物信息，将每个药物作为主要实体，其相关的剂量、频率、途径、适应症等信息直接作为该药物的属性：
1. extraction_class 统一为 "medication"
2. extraction_text 为药物名称
3. 所有相关信息（剂量、频率、给药途径、适应症、持续时间等）放在 attributes 中
4. 按照药物在文本中出现的顺序提取
""")

examples_attr
 = [
    lx.data.ExampleData(
        text=
"患者服用阿司匹林100毫克每日一次用于心脏健康，以及辛伐他汀20毫克睡前服用。"
,
        extractions=[
            lx.data.Extraction(
                extraction_class=
"medication"
,
                extraction_text=
"阿司匹林"
,
                attributes={
                    
"dosage"
: 
"100毫克"
,
                    
"frequency"
: 
"每日一次"
, 
                    
"condition"
: 
"心脏健康"
,
                    
"route"
: 
"口服"
  
# 可以推断或明确提及
                }
            ),

在调用lx.extract进行抽取与结果解析后，你应该得到与上面方式基本一致的结果。

实例演示：LangExtract超长文本抽取

如果你针对超长文本进行传统的结构化信息提取（借助LLM），你可能会面临模型理解能力下降（详见大模型“大海捞针”测试结果）、性能低下、准确率不够等问题。

LangExtract针对长文本的解析与抽取做了更多独特的设计。

我们用一篇“漫威世界背景知识”的文本文件做测试，该文件共约23000个中文字符。文件中描述了大量漫威世界中的人物、关系、事件、组织等，很适合用来做复杂的结构化信息抽取与知识图谱的测试。

首先仍然是设定prompt并提供examples：

prompt_description
 = textwrap.dedent(
"""\
从给定的漫威宇宙文本中提取角色、能力、关系、组织和事件。
为每个实体提供有意义的属性以增加上下文和深度。
重要提示：使用输入文本中的确切文字作为 extraction_text，不要意译。
按出现顺序提取实体，不要重叠文本片段。注意：在漫威宇宙中，角色通常有多个身份、绰号、能力和隶属组织。""")
example_data
 = [
    ExampleData(
        text=
"X教授是一位在漫威漫画中的出版物《X战警》中的虚构人物。X教授和至交好友万磁王不同，他一心想让变种人与人类能和平共处。"
,
        extractions=[
            Extraction(
                extraction_class=
"角色"
,
                extraction_text=
"X教授"
,
                attributes={
"身份"
: 
"变种人领袖"
, 
"能力"
: 
"心灵感应"
, 
"组织"
: 
"X战警"
, 
"目标"
: 
"人类变种人和平共处"
}
            ),
            Extraction(
                extraction_class=
"角色"
, 
                extraction_text=
"万磁王"
,
                attributes={
"身份"
: 
"变种人"
, 
"关系"
: 
"X教授至交好友"
, 
"立场"
: 
"与X教授不同"
}
            ),
            Extraction(
                extraction_class=
"组织"
,
                extraction_text=
"X战警"
, 
                attributes={
"类型"
: 
"超级英雄团队"
, 
"领袖"
: 
"X教授"
, 
"成员"
: 
"变种人"
}
            ),
            Extraction(
                extraction_class=
"关系"
,
                extraction_text=
"至交好友"
,
                attributes={
"类型"
: 
"友谊"
, 
"人物1"
: 
"X教授"
, 
"人物2"
: 
"万磁王"
, 
"状态"
: 
"理念不同"
}
            ),
        ]
    ),

    .....

接下来从文件中读取内容进行解析，这里的解析参数有一些针对长文本的特殊设定：

...从文件读取到marvel_text...

# 处理漫威宇宙文本
result = extract(
    text_or_documents=marvel_text,
    prompt_description=prompt_description,
    examples=example_data,
    config=model_config,
    extraction_passes=
2
,      
# 多轮提取提高召回率
    max_workers=
5
,           
# 并行处理加速
    max_char_buffer=
1024
,      
# 较小的上下文窗口提高准确性
    fence_output=
True
,
    use_schema_constraints=
False
)

这里省略后续的输出打印部分，直接看最后的解析结果，一共提取1926个实体：

打印出提取的前十名角色及属性：

前十名组织（这里看到一点瑕疵：X战警这个组织出现了两次）：

重要事件的前十名：

最后总结下LangExtract在超长文档解析上的一些设计策略：

多次提取：借助extraction_passes参数，可以执行独立的多次提取，以发现每次提取中出现的新的非重叠实体，从而减少遗漏。
智能分块：通过分块使用更小的上下文，提高单次推理的提取质量，减少上下文干扰；通过对文本分隔符等智能识别，确保上下文完整性和格式规范。
并行处理：为了提高大文档的处理性能，可以设置并行化处理（max_workers）参数，以减少总体延迟，同时也可以更好的配合分块处理。

总结与应用展望

LangExtract 为从非结构化文本中获取洞察带来了新的体验和很多有效的改进——将 LLM 功能以一种更可控、可靠的方式应用于信息抽取，极大的解决了结果不可预期和不可溯源的问题，这对于企业场景中的应用具有重大的意义。

LangExtract可以在很多企业级场景中获得应用：

医疗与金融等专业报告结构化：正如前面的测试样例，用LangExtract提取临床文本报告中的药物名称、剂量、用法等，并自动建立药物与属性之间的关联关系，用于后续医学分析挖掘甚至诊断。同样，在金融领域，它也可以读取财报或研报，提炼出指标数据和关键信息，为风控和决策提供支持。类似地，工程日志、学术论文，舆情报告，只要是非结构化文本，均可考虑用 LangExtract 来将隐藏的信息转化为可用的数据资产。
客户评价与投诉分析：将凌乱的用户反馈整理归类，快速提炼出主要问题类型和用户情绪。企业能够一目了然地抓住共性诉求，加快响应。
软件 Bug 反馈整理：在技术支持和测试反馈场景下，LangExtract 可以自动抽取问题描述、错误信息、影响范围等字段，帮助开发团队快速定位和修复缺陷。
合同与法律文档要点提取：处理冗长的合同、协议或判决书，自动识别出其中的当事方名称、关键日期、金额、义务条款等信息节点，降低人工审核的负担。这些结构化要点数据还可进一步用于合同管理系统或法律知识库。
会议纪要与邮件要点萃取：你可以用LangExtract 从会议纪要中自动抓取决策结论、行动项等内容，从长篇讨论中抽取出后续执行要点；从邮件中提取客户要求或技术支持摘要，帮助团队更高效地跟进工作。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

在这里插入图片描述

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

在这里插入图片描述

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等
在这里插入图片描述

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【`保证100%免费`】

在这里插入图片描述

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于自然语言处理、计算机视觉、智能推荐等领域，为各行各业带来了革命性的改变和机遇。

在这里插入图片描述

适合人群

在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。