39,000颗星背后：Google LangExtract 把「从文本里抽东西」做成了正经的工程问题

39,000 颗星背后：Google LangExtract 把「从文本里抽东西」做成了正经的工程问题

做信息抽取的团队，大概率踩过同一个坑：正则表达式一遇到边缘 case 就崩；LLM 输出 JSON 看着很对，但不知道数据具体从原文哪个位置来的，审核的时候根本没法查。

Google 出的 LangExtract（github.com/google/langextract）就是想解决这个问题的。38,873 颗星、Apache 2.0 许可、最新版本 v1.7.0（2026 年 9 月中刚发），它不是又一个大模型，而是一个专门给「带来源的结构化抽取」建的编排层。

它到底在做什么

LangExtract 的核心逻辑很简单：你定义一个 Pydantic schema，给几个 few-shot 示例，然后扔一段文本进去，模型按你的 schema 抽结构化数据——同时告诉你每个字段对应原文哪个字符区间。

这个「字符区间」就是它和普通 LLM API 调用的本质差别。输出里的 char_interval 字段精确到字符级别，如果模型「自由发挥」了一个原文里没有的值，char_interval 就是 None——直接暴露幻觉，而不是让它静悄悄混进结果。

一个最基础的例子：

import langextract as lx

examples = [
    lx.data.ExampleData(
        text="合同签订日期：2023-01-15",
        extractions=[
            lx.data.Extraction(
                extraction_class="date",
                extraction_text="2023-01-15",
            )
        ]
    )
]

extractor = lx.Extractor(examples=examples)
result = lx.extract(
    text_or_documents="本协议自2023-03-20起生效",
    prompt_description="Extract contract dates",
    examples=examples,
)
print(result.extractions[0].char_interval)  # 知道数据在原文哪个位置

为什么值得认真看

这个项目真正解决的是三个真实痛点：

第一，长文档不用自己分块。超过 token 限制的文本，LangExtract 自动 chunk、并行处理（最多 20 个 worker）、多轮提取再融合。官方测试跑过完整版《罗密欧与朱丽叶》（147,843 字符），并行 + 多轮之后召回率能从单轮的 82% 拉到 96%。

第二，输出格式是强制的。Schema 通过 Pydantic 定义，模型跑出来的 JSON 格式永远是你期望的样子，不用再头疼后处理。

第三，内置可视化审查。一行命令生成交互式 HTML，左右分栏：左侧原文高亮，右侧实体列表可搜索、可过滤、可点击定位。医疗、法律、金融场景里，这个「人肉审核」环节省不掉，能在同个界面里点一下就核对来源，价值明显。

实际跑一遍要花多少钱

搜索结果里有人算过一笔账：用 Gemini Flash 处理一份 150k 字符的文档，大约 $0.03；处理 10-K 财务报告（6 类实体、含属性），45 秒出结果。如果是 Ollama 本地跑，API 成本为零，但模型质量要自己承担。

对比几个同类工具的定位差异：

它不适合什么

LangExtract 明确说了三件事不适合：

• 确定性要求极高的场景：它本质上还是 LLM 调用，没有规则引擎的硬保证。如果你要的是「这条规则匹配就一定输出」，fine-tuned 模型或规则引擎更合适。
• 需要 OCR 或文档解析的流程：它只处理干净的文本。PDF 和扫描件要先把文字抽出来，可以用 Docling 做这一步，再把结果喂给 LangExtract——两者是互补关系，不是竞争关系。
• 需要商业 SLA 的生产环境：Google 明确说了这不是官方支持产品，没有服务等级协议，Gemini 模型版本有退役日期要自己跟踪。

社区现状

目前已有：Ollama 集成（v1.0.4）、OpenAI 支持（v1.0.3）、Vertex AI Batch API（v1.0.6），以及社区维护的 TypeScript 移植。v1.6.0（2026 年 7 月）还带来了自定义 Provider 插件系统，可以往里插任何 LLM 提供者。

RadExtract 是一个基于 LangExtract 构建的放射科报告结构化演示，放在 Hugging Face Spaces 上可以免部署直接试。

下一步建议

如果你是数据工程师或 AI 应用开发者，想把非结构化文本变成可查询的数据库，LangExtract 是目前这个赛道里来源追踪做得最完整的开源方案。建议从官方 examples 里的 financial_extraction.py 或 RadExtract demo 跑起，5 分钟能跑出一个可运行的原型，再判断是否值得进生产。

GitHub：https://github.com/google/langextract
PyPI：https://pypi.org/project/langextract
RadExtract Demo：https://huggingface.co/spaces