LangExtract实战指南：三行代码精准提取领域特定实体-Python教程-PHP中文网

LangExtract实战指南：三行代码精准提取领域特定实体

本文介绍如何利用langextract库，无需训练模型、仅靠提示工程与少量示例，即可从任意非结构化文本中高精度抽取指定类别实体（如食谱中的食材），并自动区分“无目标实体”的句子，彻底规避传统ner的泛化差与误召回问题。

本文介绍如何利用langextract库，无需训练模型、仅靠提示工程与少量示例，即可从任意非结构化文本中高精度抽取指定类别实体（如食谱中的食材），并自动区分“无目标实体”的句子，彻底规避传统ner的泛化差与误召回问题。

在食谱解析、临床笔记处理或法律条款识别等实际场景中，用户常面临一个核心矛盾：既要精准识别特定语义类别的实体（如“onion”“paprika”属于INGREDIENT），又要拒绝将无关词（如“building”“stir”）错误归类——而传统基于规则或静态模型的NER（如spaCy自定义训练）极易因上下文漂移导致灾难性误标。

LangExtract提供了一种范式级解决方案：它不依赖固定标签体系，而是将实体抽取建模为受控生成任务，通过大语言模型（LLM）理解语义意图，并结合精确源定位与零样本/少样本推理能力，实现“所见即所得”的结构化输出。

✅ 三步实现高鲁棒性实体抽取

第一步：明确定义任务与边界

避免模糊提示（如“提取食物”），改用结构化指令，强调类型约束、格式要求与空结果显式声明：

import langextract as lx

prompt = """Extract only food ingredients mentioned as physical components in cooking instructions.
- Return each ingredient as exact substring from source text (no paraphrasing)
- If no ingredient is present, return empty list []
- Examples: 
  'Add an onion to a bowl of carrots' → ['onion', 'carrots']
  'Sprinkle with paprika.' → ['paprika']
  'Stir well, and cook an additional minute.' → []
"""

第二步：提供高质量few-shot示例（可选但强烈推荐）

即使不训练模型，2–3个覆盖正负样本的示例即可显著提升LLM对领域边界的认知：

Claude

Anthropic发布的与ChatGPT竞争的聊天机器人

下载

examples = [
    lx.data.ExampleData(
        text="Add flour, mustard, and salt",
        output=["flour", "mustard", "salt"]
    ),
    lx.data.ExampleData(
        text="Stir well, and cook an additional minute.",
        output=[]
    ),
    lx.data.ExampleData(
        text="Grate the cheddar cheese and mix with diced tomatoes.",
        output=["cheddar cheese", "tomatoes"]
    )
]

第三步：调用extract()获取结构化结果

支持云端（Gemini/OpenAI）或本地模型（Ollama），自动处理长文本分块与并行推理：

result = lx.extract(
    text_or_documents=[
        "Add an onion to a bowl of carrots",
        "Sprinkle with paprika.",
        "Stir well, and cook an additional minute."
    ],
    prompt_description=prompt,
    examples=examples,
    model_id="gemini-2.5-flash"  # 或 "llama3.2:1b"（需Ollama运行）
)

# 输出为结构化列表，含原文位置溯源
print(result[0].entities)  # ['onion', 'carrots']
print(result[1].entities)  # ['paprika']
print(result[2].entities)  # []
print(result[0].source_spans)  # [(8, 14), (25, 32)] — 精确字符偏移