LLM 抽信息不敢信？这个 Google 开源工具让每个字段都能溯源回原文

你有没有过这种崩溃瞬间：手里攥着一份 200 页的法律合同、一堆放射科报告、或者几百万字的社媒评论，让 Claude 帮你”提取所有关键信息”——结果它给你吐回来一段看似工整、其实幻觉满天飞的 JSON，你根本不敢用。

今天扒到一个直接戳中这个痛点的开源神器——Google 的 LangExtract，GitHub 已经 23k+ stars，干的事就一句话：用 LLM 抽结构化信息，但每一个字段都能溯源回原文的具体字符位置，附赠一个交互式 HTML 报告，点哪个字段直接跳转到原文高亮处。

它解决的最大问题：LLM 抽取的”幻觉溯源”难题

普通 prompt 让模型”提取人名、地名、事件”，模型吐出来的字段你完全没法验证——它是不是瞎编的？对应原文哪里？有没有张冠李戴？传统做法只能人工逐条核对，几百条还行，几千条直接劝退。

LangExtract 的核心解法是 Source Grounding（源接地）：抽取结果里每一条都带字符偏移量，HTML 报告里点一下”苹果公司”就自动滚到原文里”苹果公司”出现的位置并高亮。这意味着审计、复核、纠错全部从”重读全文”变成”点几下鼠标”。

上手只要 3 行

安装一行：

• pip install langextract

核心调用示例（Gemini 抽取《罗密欧与朱丽叶》人物关系）：

• 写 prompt_description 声明抽取规则
• 给几个 ExampleData 当 few-shot 例子
• 丢文本进去，lx.extract(...) 直接出 JSONL + HTML 报告

支持 Gemini、OpenAI、以及本地 Ollama 跑 Gemma2——隐私敏感场景也能用。

4 个最戳打工人的实战场景

• 医疗放射报告结构化：官方给了个 RadExtract demo，能从自由文本报告里抽”肺部结节尺寸=1.2cm”这种关键字段，直接喂给下游病历系统
• 法律合同条款抽取：把 200 页合同丢进去，让它按 few-shot 模板抽”责任方、违约金、生效日期”，输出能直接进 CRM
• 竞品监控 + 商业情报：批量抓新闻，抽”公司A收购公司B、金额=5亿美元”这种事件，构建结构化情报库
• 文学/学术研究：分析《罗密欧与朱丽叶》全文抽人物情感变化轨迹，或者给社科学者抽论文里的”研究方法、样本量、结论”

为什么我把它放在”拾遗精选”序列

市面上的 LLM 信息抽取工具不少，但大多数要么闭源（要钱）、要么不溯源（不敢用）、要么不支持长文档（百万字直接 OOM）。LangExtract 是少有的 开源 + 精确溯源 + 长文档并行 + 多模型 + 可视化 全占齐的方案，而且 Google 团队在持续更新（v1.6.0，2026 年发布），Apache 2.0 协议商用也没坑。

如果你受够了让 AI 抽数据但又不敢信的尴尬，这一个直接戳中。

🔗 GitHub: https://github.com/google/langextract

GitHub: https://github.com/google/langextract