今天我们聊下Google 的新开源库 LangExtract。虽然他已经开源了一段时间。但这段时间我一直在实际项目里用它，踩了不少坑，也总结了一些经验。所以，这篇文章不打算讲太多理论，咱们直接上代码，聊实践。
如果你和我一样，曾被 RAG 系统里那些“相似但不相关”的检索结果折磨过，那 LangExtract 绝对值得你花十分钟看看。它只干一件事，但干得非常漂亮：给你的非结构化文本（产品文档、法律合同、用户评论等）精准地打上结构化标签，让RAG 搜索从“猜”变成“查”。
废话不多说，Show me the code。
一、基础篇：五分钟完成首次元数据提取
我们先来个最简单的例子，感受一下它的直接。
1. 环境准备
老规矩，虚拟环境，然后安装必要的库。LangExtract 自身不包含大模型，它作为一个调度和数据结构的库，需要一个后端模型来执行提取，这里我们使用 Google 的 Gemini。
pip install langextract google-generativeai2. 配置 API 密钥
LangExtract 会默认读取名为LANGEXTRACT_API_KEY的环境变量来驱动后端模型。
import os # 在实际项目中，请使用 .env 文件或系统环境变量等更安全的方式 os.environ["LANGEXTRACT_API_KEY"]="YOUR_GOOGLE_API_KEY"3. 首次提取代码
假设我们有一段应用服务的 API 简介，需要提取版本和速率。LangExtract 的设计基于“小样本提示”技术，这意味着我们必须提供至少一个完整的示例来“教会”模型，示例的质量直接决定了提取的质量。
import langextract as lx import textwrap # 步骤1：定义提取任务 prompt = textwrap.dedent(""" 从技术文档中精准提取以下字段: 1. service_name:从标题中提取出的主要服务或API名称(例如："认证API","存储服务") 2. version_number:仅提取版本号数字(例如："2.0","1.0")，不要包含"v"或"版本"等文字。 3. document_category:文档类型，提取原文中的"参考"、"指南"或"排错指南"。 4. rate_limits:任何关于速率限制的信息，提取完整描述。 """) # 步骤2：提供高质量示例 examples =[ lx.data.ExampleData( text="# 支付API v3.0 参考\n\n支付API用于处理所有交易请求。\n\n速率限制: 每分钟500次请求。", extractions=[ lx.data.Extraction(extraction_class="service_name", extraction_text="支付API"), lx.data.Extraction(extraction_class="version_number", extraction_text="3.0"), lx.data.Extraction(extraction_class="document_category", extraction_text="参考"), lx.data.Extraction(extraction_class="rate_limits", extraction_text="每分钟500次请求") ] ), lx.data.ExampleData( text="## 用户认证服务 - 排错指南\n\n本文档适用于 v1.5 版本。如果遇到认证失败，请检查您的API密钥。\n\n速率限制: 无。", extractions=[ lx.data.Extraction(extraction_class="service_name", extraction_text="用户认证服务"), lx.data.Extraction(extraction_class="version_number", extraction_text="1.5"), lx.data.Extraction(extraction_class="document_category", extraction_text="排错指南"), lx.data.Extraction(extraction_class="rate_limits", extraction_text="无") ] ) ] # 步骤3：在新的输入文本上执行提取 input_text = textwrap.dedent(""" # 图像处理服务 - 开发者指南 欢迎使用我们的图像处理服务。当前稳定版本为2.1。 本指南将引导您完成所有设置步骤。 ### API调用频率 为了保证服务稳定，我们对所有用户设置了统一的调用频率上限：每小时1000次调用。 """) result_doc = lx.extract( text_or_documents=input_text, prompt_description=prompt, examples=examples, model_id="gemini-1.5-flash-latest", ) # 步骤4：处理结果 if result_doc.extractions: extracted_metadata ={ext.extraction_class: ext.extraction_text for ext in result_doc.extractions} print("提取出的结构化元数据:") for key, value in extracted_metadata.items(): print(f" - {key}: {value}") else: print("未能提取出任何信息。") # 步骤5 (可选): 可视化调试 lx.io.save_annotated_documents([result_doc], output_name="extraction_results.jsonl", output_dir=".") html_content = lx.visualize("extraction_results.jsonl") with open("visualization.html","w", encoding="utf-8")as f: f.write(html_content.data)运行结果：
提取出的结构化元数据: service_name:图像处理服务 version_number:2.1 document_category:指南 rate_limits:每小时1000次调用看，成了。这就是 LangExtract 的基本用法。但是，要真正发挥它的威力，我们需要一种更结构化的方式。
二、核心工作流 —— 同时提取文本及元数据
LangExtract 的精髓在于通过高质量的示例来指导模型。一个非常好的技巧是，在一次提取中，同时获得一个关键的文本片段**（extraction_text）和一组描述该文本的属性字典（attributes）**。
我们的目标是：从电影简介中，提取出主角实体（文本），并同步捕获这部电影的类型、角色类型和主题（元数据）。
1. 定义清晰的 Prompt
import textwrap prompt = textwrap.dedent( """从电影简介中，找到核心角色，并提取出它的主要类型、主角类型和核心主题。""" )2. 提供一个标准答案的示例
这一步是关键中的关键。一个好的 Example 远胜千言万语的 Prompt。
examples =[ lx.data.ExampleData( text="一个孤独的太空陆战队员，在一颗遥远的星球上与外星生物作战。", extractions=[ lx.data.Extraction( extraction_class="protagonist",# 我们给这个提取对象一个类名 extraction_text="太空陆战队员",# 我们希望提取出的关键文本 attributes={# 我们希望关联到这段文本上的元数据 "genre":"科幻", "character_type":"军人", "theme":"战斗" } ) ] ) ]经验之谈：这种extraction_text+attributes的组合模式，对于构建复杂的 RAG 系统非常有用。比如，你可以提取出“公司名称”，并把它的“股票代码”、“成立年份”作为attributes附加。
3. 处理新文本
input ="一位年轻的巫师在霍格沃茨魔法学校发现了自己的魔法天赋，并与朋友们一起对抗黑魔王。" result_doc = lx.extract( text_or_documents=input, prompt_description=prompt, examples=examples, model_id="gemini-1.5-flash-latest", ) if result_doc.extractions: extraction = result_doc.extractions[0] print(f"提取出的关键实体文本: {extraction.extraction_text}") print(f"关联的结构化元数据: {extraction.attributes}") else: print("未能提取出任何信息。")运行结果：
提取出的关键实体文本:年轻的巫师 关联的结构化元数据:{'genre':'奇幻','character_type':'魔法师','theme':'魔法与对抗'}模型不仅准确找到了主角“年轻的巫师”，还完美地生成了我们想要的结构化元数据。这就是 LangExtract 的核心工作流：定义任务（Prompt）-> 提供范本（Examples）-> 执行提取。
三、实战：构建 LangExtract + Milvus 混合检索管道
现在我们能稳定地从文本中提取丰富的元数据了。接下来，我们将它与 Milvus 结合，搭建一个完整的混合检索系统。选择 Milvus 的原因是我工作中深度使用，它对元数据过滤和混合检索的支持非常成熟。
1. 准备工作
pip install pymilvus2. 搭建数据注入流水线
流程很清晰：遍历文档 -> LangExtract 提取元数据 -> Google 模型生成向量 -> 存入 Milvus。
from pymilvus importMilvusClient,DataType,FieldSchema,CollectionSchema import google.generativeai as genai # 配置 genai，它同样会读取 GEMINI_API_KEY genai.configure(api_key=os.environ["GEMINI_API_KEY"]) # --- Milvus 设置 (使用本地文件模式，对新手友好，无需服务) --- COLLECTION_NAME ="movie_db_prod" DB_FILE ="./milvus_movies.db" client =MilvusClient(uri=DB_FILE) if client.has_collection(COLLECTION_NAME): client.drop_collection(COLLECTION_NAME) # --- 定义 Schema --- # 为主角(protagonist)创建一个专门的字段，其余元数据通过 dynamic field 自动映射 fields =[ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True), FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=65535), FieldSchema(name="protagonist", dtype=DataType.VARCHAR, max_length=1024), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=768) ] schema =CollectionSchema(fields, enable_dynamic_field=True) client.create_collection(COLLECTION_NAME, schema=schema) # --- 创建索引 --- index_params = client.prepare_index_params() index_params.add_index(field_name="embedding", index_type="AUTOINDEX", metric_type="L2") client.create_index(COLLECTION_NAME, index_params) # --- 准备数据 --- input =[ "一个孤独的太空陆战队员，在一颗遥远的星球上与外星生物作战。", "纽约警探约翰·麦克连在圣诞夜与恐怖分子在一栋洛杉矶摩天大楼里展开激战。", "年轻巫师哈利·波特在霍格沃茨发现自己的魔法天赋，并对抗黑魔王。", "一位天才发明家托尼·斯塔克打造了一套高科技战甲，成为钢铁侠。", ] # (复用第二部分中的 prompt 和 examples) all_data_entries =[] for plot in input: # 1. 提取元数据 doc = lx.extract(plot, prompt_description=prompt, examples=examples, model_id="gemini-1.5-flash-latest") metadata ={} protagonist_text ="" if doc.extractions: metadata = doc.extractions[0].attributes protagonist_text = doc.extractions[0].extraction_text # 2. 生成向量 embedding = genai.embed_content(model="models/text-embedding-004", content=plot, task_type="RETRIEVAL_DOCUMENT")['embedding'] # 3. 准备注入数据 data_entry ={ "text": plot, "protagonist": protagonist_text, "embedding": embedding, } data_entry.update(metadata)# 将 genre, theme 等动态字段合并进来 all_data_entries.append(data_entry) # 4. 批量注入 Milvus client.insert(collection_name=COLLECTION_NAME, data=all_data_entries) print(f"成功注入 {len(all_data_entries)} 条数据到 Milvus!")3. 混合检索与验证
数据入库，开始验证。
场景一：纯元数据过滤“帮我找到所有‘动作’类型的电影。”
results = client.query( collection_name=COLLECTION_NAME, filter='genre == "动作"',# 使用示例中存在的类型以确保有结果 output_fields=["text","genre","protagonist"] ) print("精确查询结果：\n", results)场景二：混合检索“找一些关于‘英雄成长’的电影，但必须是‘奇幻’类型。”
query_text ="英雄的成长与冒险" query_vector = genai.embed_content(model="models/text-embedding-004", content=query_text, task_type="RETRIEVAL_QUERY")['embedding'] search_results = client.search( collection_name=COLLECTION_NAME, data=[query_vector], limit=2, filter='genre == "奇幻"',# 先用元数据把范围缩小 output_fields=["text","genre","protagonist"]# 再在这个小范围里做向量搜索 ) print("\n混合搜索结果：\n", search_results)看到区别了吗？我们不再是盲目地在整个数据库里做向量ANN搜索，而是先用 LangExtract 提取出的精准标签（genre == "奇幻"）把搜索空间裁剪到一个极小的、高度相关的子集，然后再进行语义搜索。结果的准确性，完全不是一个量级。
四、一些经验之谈
1.别信你的第一版 Prompt 和 Examples。这个过程一定是迭代的。我的工作流是：跑一次 -> 结果不理想？-> 用lx.visualize()生成 HTML 报告看看模型到底把哪部分文本标错了 -> 修改 Examples 或 Prompt -> 再跑一次。visualize 是你最好的调试工具。2.Examples 的质量远比数量重要。一两个高质量、有代表性的示例，比十个随手写的低质量示例效果好得多。3.LangExtract 不是万能的。如果你的需求非常简单，比如只是想把一次 API 的返回强制规范成一个 JSON，那用Instructor这类轻量级库可能更直接。LangExtract 的主场是处理成批的、复杂的文档，为构建知识库提供稳定、高质量的元数据。4.LangExtract 只处理文本输入，需要预处理。LangExtract 的 API 接收的是字符串，它不负责文件解析。在处理 PDF、Word 或图片等格式时，必须建立一个预处理流水线：
•对于 PDF/Word 文档：先用PyMuPDF、python-docx等库将文件内容解析为纯文本字符串，再交给 LangExtract。•对于图文混合内容：先提取文字，再用多模态模型（如 Gemini 1.5 Pro）将图片转换为文字描述，然后将两者合成为一份完整的纯文本文档，最后再由 LangExtract 处理。•记住这个流程：复杂文档 -> [解析器/多模态模型] -> 纯文本 -> [LangExtract]。
五、总结
今天我们没有深入复杂的架构理论，而是纯粹地走了一遍如何用 LangExtract 和 Milvus 从零搭建一个高效的混合检索系统。
总结一下关键步骤：
1.用lx.extract加上清晰的 Prompt 和高质量的 Examples，从文本里提取元数据。2.将元数据和文本向量一同存入 Milvus。3.利用 Milvus 的filter功能实现“先过滤，再搜索”的精准查询。
LangExtract 是一个非常强大的“RAG 预处理器”，它能帮你把非结构化数据的价值真正释放出来
希望这篇实践分享对你有帮助。如果遇到了什么问题，欢迎在评论区交流！
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
