google/langextract

项目概览

该库为每一项抽取结果提供源文本精确定位及可视化高亮，适合需要严格溯源审计的文档信息提取任务。

项目类型

RAG 与知识库 · 文档处理

应用场景

知识问答

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 需要从长文档中提取结构化信息并要求结果具有精确来源溯源以供人工审查的开发者或数据团队。
• 希望通过少样本示例适配多领域信息提取，而不进行模型微调的 AI 工程师。

核心能力

• 将每项抽取结果映射到源文本中的精确位置，从而支持可视化高亮以方便追踪。
• 使用文本分块、并行处理和多次抽取来处理大文档，旨在克服长文本信息检索的困难并提高召回率。
• 生成一个自包含的交互式 HTML 文件，以在原始上下文中可视化和审查抽取的实体。
• 支持通过轻量级插件系统添加自定义 LLM 提供程序，该过程独立于核心库。
• 支持使用 Vertex AI Batch API，以在大规模任务中节省成本。

限制与风险

• Ollama 目前不支持 output_schema 参数，这可能会影响在本地模型上获取严格结构化输出的能力。

如何开始

• 通过 PyPI 使用 pip 安装（pip install langextract），配置 API 密钥环境变量后，在代码中调用 lx.extract() 方法运行抽取任务，整体上手指引明确。

核验依据

• GitHub 项目简介: A Python library for extracting structured information from unstructured text using LLMs with precise source grounding and interactive visualization.
• README: LangExtract is a Python library that uses LLMs to extract structured information from unstructured text documents based on user-defined instructions. It processes materials such a…
• README: 1. **Precise Source Grounding:** Maps every extraction to its exact location in the source text, enabling visual highlighting for easy traceability and verification. 2. **Reliable…
• README: 
• README: LangExtract supports custom LLM providers via a lightweight plugin system. You can add support for new models without changing core code. - Add new model support independently of…

内容核验时间：