LangExtract 是谷歌开源的 Python 库，通过 LLM 从非结构化文本中提取结构化信息，支持精确溯源定位与交互式可视化，并兼容 Gemini、OpenAI 及本地 Ollama 模型。
项目做什么
该项目旨在解决从临床记录、报告等长文档中识别并组织关键细节的问题。用户通过编写提示词并给出少量示例，即可定义任意领域的抽取任务，无需微调模型。库会将输出组织为一致的 schema，并确保每条抽取结果能够对应回源文本中的具体位置，从而提升可追溯性与可验证性，帮助使用者把分散在自然语言中的信息转化为可结构化审阅和利用的数据。
与同类方案相比
README 宣称第一项优势是精确源文本定位，每条抽取都会映射到源文本的准确位置，便于高亮核对。其二是可靠的输出结构，基于少样本示例约束输出 schema，并在 Gemini 等模型上利用受控生成来保证稳定格式。其三是面向长文档设计，通过文本分块、并行处理和多次抽取遍历来缓解大海捞针问题。其四是交互式可视化，可生成自包含的 HTML 文件，在原文语境中查看大量实体。其五是模型选择灵活，支持 Gemini 云端模型、OpenAI 以及通过 Ollama 运行本地开源模型。
设计与创新
其创新点主要体现在把源文本定位与可视化审阅结合，抽取结果可回溯到确切字符区间，并自动过滤无法在原文中定位的结果。它还强调示例即规范，用高质量少样本示例驱动输出模式，而不需要模型微调。针对长文档，它采用分块、并行与多次遍历的组合策略提高召回。插件式提供方系统允许独立扩展自定义模型而不改动核心代码。这些特点在 README 中有对应描述，但相对同类工具的具体优势与首创性尚无法验证。
适用场景
README 给出的示例覆盖文学文本、医学用药和放射报告结构化等场景，说明它适合处理临床笔记、报告以及长篇叙述性文本。用户可从 URL 直接处理如古腾堡计划中的整本小说，用并行处理和多次遍历抽取数百个实体。在成本敏感或大批量任务中，可启用 Vertex AI 批量 API 或 OpenAI 批量模式。需要数据不出本地的场景可使用 Ollama 运行本地模型。开发者还能通过插件系统接入自定义或第三方模型提供方。
谁会受益
对需要在非结构化文本上快速建立结构化抽取流程的开发者，该库提供了较简洁的 API：定义提示与示例后调用 extract 即可运行，并能保存为 JSONL、生成可视化 HTML。内置对 Gemini、OpenAI、Ollama 的支持以及自定义提供方机制，减少了接入不同模型的工作量。源文本定位和过滤未定位结果的功能，有助于人工核查抽取质量。对长文档的分块、并行和多遍抽取选项，为处理大规模材料提供了可调节手段。整体实用性较高，但实际效果仍取决于所选模型、提示质量和任务复杂度。
使用前需要注意
README 本身说明，LLM 可能从少样本示例而非输入文本中抽取内容，此类结果 char_interval 为 None，需要用户自行过滤。抽取质量依赖所选模型、任务复杂度、提示清晰度和示例质量，并非稳定保证。使用 Gemini、OpenAI 等云端模型需要 API 密钥并可能受速率限制，大规模生产使用建议付费层级。模型存在生命周期与退役日期，需关注官方版本文档。README 未提供性能基准，也未说明许可证细节，因此性能表现、竞品优劣及许可证约束均尚无法验证。
本文基于抓取时的项目 README 和仓库简介整理；功能、限制与文档可能随项目更新而变化。