[Python] Google 开源 LangExtract：LLM 结构化提取与精准溯源实战

在做 LLM 应用开发时，大家最头疼的往往不是 Prompt 怎么写，而是提取出来的数据“敢不敢用”。

比如你让 AI 读一份几十页的合同提取金额，它确实给了你一个数字。但这个数字是哪一页哪一行写的？还是模型产生幻觉自己编的？如果无法验证出处，这种数据在严肃的业务场景里几乎就是废的。

为了解决这个问题，Google 最近开源了一个 Python 库 —— LangExtract。它不搞那些花里胡哨的概念，就专心解决两个事：提取和溯源。

它是怎么解决“幻觉”的？

LangExtract 和普通的 Prompt 工程最大的区别在于，它引入了 Grounding（溯源） 机制。

简单来说，当它提取出一个字段（比如 {"revenue": "100M"}）时，它不仅给你值，还会附带一个 Span 对象，里面记录了这段信息在原始文本中的 字符级坐标（Offset）。

这就很有用了。前端拿到这个坐标，直接就能在原文里高亮显示出处。对于需要人工复核（Human-in-the-loop）的金融、法律或医疗场景，这能极大降低审计成本 —— 你不再需要满屏找数据在哪，点一下就定位了。

我们在 云栈社区 讨论 RAG 落地时，很多开发者都反馈过长文档切分的痛点。LangExtract 在这方面做得也很地道：

1. 自动切分长文：不用自己写正则去切段落。它内置了 Adaptive Chunking 算法，根据 Token 限制自动把长文章切块。
2. 坐标自动还原：切片处理完后，它会自动把提取结果的坐标映射回全文的绝对坐标，不用你自己去算偏移量。

几行代码就能跑

这个库的设计非常符合后端开发者的直觉，支持 Google Gemini，也支持 OpenAI 和本地的 Ollama。

对于想在企业内部落地 人工智能 应用的朋友，这意味着你可以先用 GPT-4 跑通流程，再无缝切换到本地模型降本增效。

看个最简单的 Demo：

import langextract as lx

# 1. 告诉它你想提什么（给个例子就行，Few-shot）
examples = [
    lx.Extraction(
        type="city",
        value="Paris",
        span=lx.Span(start=0, end=5, text="Paris")
    )
]

# 2. 扔进去一段文本
doc = lx.extract(
    text="My flight lands in Tokyo at 9 PM.",
    examples=examples,
    model_id="gemini-1.5-flash" # 这里也可以换成 gpt-4o 或 ollama
)

# 3. 直接生成一个 HTML 看看效果
lx.visualize(doc)

运行完，它会直接生成一个 HTML 文件。左边是提取出来的 JSON，右边是高亮的原文，哪里提取的哪里亮，非常直观。

总结

LangExtract 不是那种大而全的框架，它更像是一把趁手的“手术刀”。

如果你正在做 ETL 数据清洗、构建知识库或者处理非结构化文档，强烈建议把这个库加到你的工具箱里。它代码量不大，且设计模式用得很标准，哪怕不直接用，读读源码也是很好的学习材料。

配套资源

项目地址：github.com/google/langextract
学开发：https://yunpan.plus/f/14
学 AI：https://yunpan.plus/f/15

更多优质的 开源实战 项目解析，可以关注《云栈开源日记》多逛逛，我们下期见。

标签：#langextract #Github #数据清洗 #LLM #Python #Google