Google 把 3.8 万星的 LangExtract 开源了：让 LLM 抽取信息精准到字符级，每条都能溯源到原文

上周一个做律师的朋友突然给我发消息：你能不能写个脚本，把 200 份合同里的甲方乙方、违约金、争议解决条款都抽出来？我听到这句话的时候，第一反应是：又来了。

传统抽取方案都在裸奔

我之前写过一个粗糙版本，正则表达式硬怼，发出去朋友用了一天回我：5 份合同里就漏了 3 份关键条款，因为合同写得根本不规范，有的写”甲方”，有的写”委托方”，有的甚至写”受托人”。

后来又试了 GPT-4 裸调，把整份合同塞进去，让它返回 JSON。结果更离谱：它生成的字段里有真有假，我得一条条人工核对，等于没省时间。

这种痛点不是律师才有，医生看几百份病历要抽药名剂量，金融分析师扫一堆财报要抽营收增速，连我这种技术作者想从十几篇论文里抽方法论都会被”幻觉字段”折磨到崩溃。

直到我撞上 Google 的 LangExtract

3.8 万星，Apache 2.0 协议，Google 自己开源。我第一次打开它的 README 时，看到一行字就愣住了：Maps every extraction to its exact location in the source text。

翻译成人话就是：你让 AI 抽出的每一条信息，都会自动高亮到原文的具体字符位置。我盯着这行字看了 5 秒钟，立刻把朋友的那 200 份合同找回来了。

安装一行 pip install langextract，配置个 Gemini API key（也支持 OpenAI 和本地 Ollama），3 行代码就能跑通。

它做对了三件我以前没想过的事

头一个能力叫 few-shot examples。你给 AI 看 1-2 个标注好的例子，它就照着你的格式抽，不靠玄学 prompt 调参。我给 LangExtract 一个 Romeo 与朱丽叶的对话例子，它马上就能从任何文学文本里抽人物、情绪、关系。

第二个能力叫 source grounding。AI 抽出来的每个字段都会被映射回原文的字符区间，要是它瞎编了一个原文里没有的词，char_interval 直接是 None，你可以一行代码把幻觉字段全过滤掉。

第三个能力叫 interactive HTML visualization。抽完结果存成 JSONL，一键生成 HTML 文件，每条提取在原文里都能高亮，点击还能跳到上下文。给老板汇报的时候直接打开网页，点哪个字段都跳回原文，再也不用担心老板问”这条数据哪来的”。

我把 200 份合同真的跑了一遍

我用 LangExtract 跑了朋友给的那批合同。先写 prompt 描述”抽取甲方乙方、违约金、争议解决条款”，给一个真实例子示范输出格式，然后 lx.extract 一行跑起来。

200 份合同总耗时不到 8 分钟（开了 20 个并行 worker），生成的 HTML 文件打开一看，所有抽取字段都被高亮在原文对应的字符位置。我让朋友人工抽检了 30 份，逐条对照原文全都对得上，再没有 GPT-4 那种”看起来像但完全是编的”字段。

我跟朋友说，这事不用再求我了，你装个 Python 装个 LangExtract，写 5 行 prompt，1 小时自己就能搞定 200 份合同。

它比你想的能落地更多行业

README 里给了三个官方示例，每一个都是真生产场景。Romeo 与朱丽叶的文学分析是开胃菜，Medication Extraction 是从临床笔记里抽药名剂量和频率，Radiology Report Structuring（RadExtract）是从放射科报告里抽病灶位置和尺寸。

我自己还试过两个野路子：把公众号爆款文章扔进去抽标题公式（开头怎么写、中间怎么转折、结尾怎么收），把英文产品发布会 transcript 扔进去抽核心卖点。两种场景都跑通了，HTML 高亮看完我才发现自己之前写文章的套路有多套路。

更野的路子是直接把 Project Gutenberg 上的整本小说 URL 塞进去，LangExtract 自动下载、切片、并行抽几百个实体，交互式 HTML 能扛住这种量级的可视化。

适合这三类人立刻上手

做法律合规的朋友：批量抽合同字段、判决书关键事实、监管文件条款，从此告别正则。

做医疗研究的同学：从临床记录里抽用药信息、从影像报告里抽病灶特征，配合医院本地部署的 Ollama 完全离线跑，数据不出院。

做投资分析的同事：从年报里抽营收和增速、从招股书里抽风险因素、从新闻稿里抽管理层变动，不用再一条条复制粘贴到 Excel。

我的一点提醒

Gemini 系列里官方推荐 gemini-3.5-flash 做日常抽取，速度快成本低；预算敏感场景可以用 gemini-3.1-flash-lite；复杂推理场景再上 Gemini Pro。

OpenAI 那边支持 gpt-4o 和 gpt-4o-mini，开了 Batch API 后大批量抽取能再砍一截成本。

一句话总结：你给 AI 抽出的每条信息都值得被验证。LangExtract 不是帮你抽得更”多”，是帮你抽得每条都能溯源。对我这种被幻觉字段折磨过无数次的人来说，这种”每条都能查证”的安心感，比 10 倍速度更重要。