Prompt 转 JSON 难溯源？试试 LangExtract

让 LLM 从文本里提取几个字段并返回 JSON 并不难，但进入长文档或批量处理任务后，就要面对几个新的问题：提取结果如何对应源文本？一轮处理有没有遗漏？结果越来越多，又怎么继续核查并流转到下游流程中？

Google 开源的 LangExtract 是一个面向结构化信息提取的 Python 库。开发者用 Prompt 和示例定义提取任务，模型生成结构化结果后，LangExtract 还会尝试把每条提取内容重新匹配到源文本，并记录对应的字符区间。

这样下游拿到的不只是字段和值，还保留了结果与源文本之间的位置关系；如果某条结果无法在源文本中定位，就不会建立这层字符区间。源文本定位主要解决结果的可追溯和核查问题。

LangExtract 对长文档的处理效果更明显。它会把文本切成较小的文本块，并通过并行处理执行提取；如果增加提取轮数，每一轮都会独立处理同一个文档，再把不同轮次发现的结果合并。后续轮次不会读取上一轮结果继续修正，而是通过多次独立生成补充单轮可能遗漏的信息，从而提高召回率。

提取结果可以保存为 JSONL 文件，继续进入分析或其他下游处理流程，也可以生成交互式 HTML，在源文本上下文中集中核查大量结果。模型接入支持 Gemini、OpenAI GPT 系列，也可以通过 Ollama 接入本地模型，并可扩展其他模型后端。

如果任务只是几段短文本、少量字段，Prompt → JSON 可能已经够用。LangExtract 更适合长文档、批量文本，以及既需要结构化结果，又要求保留源文本位置并继续进入后续数据处理流程的任务。

LangExtract LLM结构化信息提取 源文本定位 长文档处理 Python 文本处理 结构化数据 开发者工具