Google LangExtract 开源项目介绍：用 LLM 提取结构化信息

Google LangExtract：用大模型从非结构化文本中提取可追溯结构化信息的开源工具

发布于：2026年8月11日栏目：开源发现

Google 开源 LangExtract，这是一个基于大语言模型的 Python 信息抽取工具，可以从非结构化文本中提取结构化数据，并保留结果与原文的对应关系，适用于文档分析、知识库构建和 RAG 数据处理场景。

本文目录

在大量文档、报告、邮件、医疗记录和法律资料中，有价值的信息往往隐藏在非结构化文本里。Google开源的 LangExtract是一个 Python信息抽取库，它利用大语言模型将自然语言内容转换为结构化数据，同时保留结果与原文的对应位置，方便检查和验证。

传统信息抽取通常依赖规则或专用模型，面对不同领域文本时维护成本较高。LangExtract让开发者通过描述抽取目标并提供示例，让模型按照指定结构输出结果。

LangExtract可以从长文本中提取实体、关系、事件或业务字段。例如，在医疗文本中提取药物信息，在法律和企业文档中整理关键内容，在研究资料中构建结构化知识。

它的重要特点是可追溯。抽取结果不仅包含结构化数据，还能关联回原始文本位置，适合需要审核和验证的应用场景。

LangExtract支持通过自然语言定义抽取任务，通过少量示例约束输出格式，并针对长文档采用分块、并行处理和多轮提取策略。它还可以生成交互式 HTML可视化结果，帮助开发者查看抽取内容与原文的关系。

同时，LangExtract支持 Gemini等云端模型，也支持通过 Ollama等方式连接本地模型，并提供扩展自定义模型提供方的能力。

LangExtract可以通过 Python包安装：

bash

pip install langextract

基本流程包括定义抽取任务、提供示例、调用模型处理文本、保存结构化结果，并生成可视化页面检查输出。

LangExtract适合企业知识库整理、文档分析、研究资料处理、客户反馈归类、医疗文本研究以及 RAG应用的数据准备。

对于需要准确率和可解释性的任务，它相比简单让模型生成答案，提供了更清晰的数据抽取流程。

LangExtract的效果取决于模型能力、任务描述质量和示例设计。生产环境仍需要结合人工审核、数据校验和安全策略，尤其是在医疗、法律等敏感领域。

LangExtract展示了一种更工程化的大模型应用方式：让 LLM成为复杂文档处理和结构化数据流程中的一个组件。对于正在建设知识库、文档智能或 RAG系统的开发者来说，这是一个值得关注的开源项目。