LangExtract：抽出文档字段，还能回到原句核对

把一部小说整理成人物、情绪和关系资料，难处不只是让 AI 列出一张表。人物是谁、情绪从哪句话判断、关系是不是模型自行补充，都得能回到文本中检查。LangExtract 是一个用大模型抽取结构化信息的 Python 库，它把抽取结果与原文位置对应起来，并提供交互式高亮页面，方便逐条看依据。

它适合需要批量整理材料、又不能丢掉出处的内容研究和数据处理团队。值得关注的成果，是一组可以继续处理的结构化记录，以及帮助人工核对的原文视图；它本身不是开箱即用的文档办公软件。来源：LangExtract 官方说明

把“摘出来的词”和“对它的解释”分开

官方入门示例先提供规则和标注样本，要求按出现顺序抽取人物、情绪与关系，摘录文字应与原文一致。随后输入一句描写朱丽叶望着星空、思念罗密欧的英文文本。模型依据示例抽取片段，库再把结果对齐到输入中的字符位置，最后可保存为 JSONL，并生成 HTML 核对页面。

下面是官方动画的一帧。蓝色标出人物，绿色标出带有渴望意味的凝望，黄色标出与罗密欧有关的关系片段；当前选中的是情绪，顶部显示它的类别和解释属性，底部显示对应的字符区间。它是英文官方演示，没有展示中文抽取效果。

官方演示动画第 18 帧静态提取，未改写画面；来源为上述项目说明。打开原图。

这张图最值得看的，是绿色原句与上方“渴望”属性之间的区别：原句是可定位的文字，情绪标签是模型对这段文字的解释。找到原句，能帮助判断解释是否合理，却不能自动证明解释正确。 同理，如果提示要求补充人物家族、文学身份等背景，属性可能来自模型知识，而非这句话本身。官方也明确区分了贴近文本的抽取和借助外部知识的推断。

还有一种更直接的失败：模型可能把示例里的词当成输入内容。当前文档说明，无法在输入中定位的抽取会没有字符区间。因此，结果中“有一条记录”和“这条记录能回到输入原文”需要分别检查，不能把所有生成字段直接当成有出处的数据。

长文抽取，靠分块与多轮补漏

官方还给了《罗密欧与朱丽叶》全文示例。输入是完整文本，处理时按较小文本块并行抽取，再用相同规则进行多轮独立抽取，合并不重叠的结果。遇到位置重叠的实体，文档描述的是优先保留首轮结果，再补入后续轮次发现的独有片段。来源：官方全文抽取示例

这解释了它为什么不只是“把整本书扔进一个提示词”。分块让每次调用面对较小材料，多轮则增加发现遗漏片段的机会，但也会带来额外模型调用。首轮优先的合并办法更不等于多个模型投票纠错。文档里的实体数量是该示例报告的产物，不能用来证明所有作品的识别准确率。

对真正要做人物资料的人，接下来值得看的，是同一个名字的多种写法是否要合并、比喻是否应该算关系、情绪标签是否过度推断。LangExtract 提供了逐条核对的入口；最终采用什么标注标准，仍由任务决定。

先定好样例，才谈批量整理

开始使用前，需要写清抽取类别，并给出能代表任务的样例。样例里的摘录应该来自对应原文，否则模型会学到错误的输出习惯。输出的 JSONL 适合后续统计，HTML 适合回看文本，两者解决的是不同环节。

代码采用 Apache-2.0 许可；所接模型与输入文档的使用条件仍需分别确认。它支持云端模型，也能通过 Ollama 接本地模型，实际质量取决于模型、任务与样例。项目注明它并非 Google 正式支持的产品。来源：代码许可

如果你需要的只是读懂一篇文章，直接对话可能已经够用；如果要把一批材料变成能统计、能追问出处的资料，LangExtract 的吸引力就在这个可回看的抽取过程。中文任务也应先拿自己的短材料核对结果，再决定是否扩大规模。