Repolode
Enviar
google

google/langextract

Una biblioteca de Python que usa LLMs para extraer datos estructurados de texto no estructurado y vincula cada extracción con su fragmento de origen.

Ver en GitHubSitio web
Estrellas
39,272
Forks
2,752
Issues abiertos
114
Último commit
anteayer

¿Qué es?

LangExtract recibe una instrucción en lenguaje natural para la extracción y algunas anotaciones de ejemplo; luego, ejecuta un LLM sobre un documento para devolver entidades y atributos con un esquema coherente. Cada valor extraído se vincula con su intervalo exacto de caracteres en el texto de origen, para que los resultados puedan comprobarse con el original. Las extracciones que no se pueden localizar en la entrada se marcan sin intervalo, lo que facilita filtrar las alucinaciones del modelo basadas en los ejemplos.

Para documentos largos, la biblioteca divide el texto en fragmentos, los procesa en paralelo y admite varias pasadas de extracción para mejorar la cobertura. Los resultados se pueden guardar como JSONL y visualizar en un archivo HTML interactivo e independiente para revisar las entidades en contexto. Está diseñada principalmente para modelos Gemini, pero ofrece compatibilidad integrada con OpenAI y modelos locales mediante Ollama, además de un sistema de plugins para añadir otros proveedores.

Funciones clave

  • 01Vincula cada entidad extraída con su ubicación exacta en el texto de origen.
  • 02Impone un esquema de salida coherente, definido mediante ejemplos few-shot.
  • 03Divide los documentos largos en fragmentos y los procesa en paralelo y en varias pasadas.
  • 04Genera una visualización HTML interactiva e independiente de los resultados.
  • 05Es compatible con Gemini, OpenAI y modelos locales mediante Ollama.
  • 06Ofrece un sistema de plugins para añadir proveedores de modelos personalizados.

Casos de uso

  • Convertir notas clínicas o informes radiológicos en campos estructurados y consultables.
  • Extraer personajes, relaciones o eventos de novelas y textos largos.
  • Convertir contratos o documentos en registros estructurados verificables.
  • Crear un prototipo de pipeline de extracción de información sin ajustar un modelo.

Inicio rápido

  1. 1

    Instala el paquete desde PyPI

    pip install langextract
  2. 2

    Configura tu clave de API para usar modelos en la nube como Gemini

    export LANGEXTRACT_API_KEY="your-api-key-here"
  3. 3

    Escribe un prompt y ejemplos; después, llama a lx.extract con el texto de entrada

Antes de usarlo

  • Los modelos en la nube, como Gemini y OpenAI, requieren una cuenta de pago o una clave de API.
  • La calidad de la extracción depende del LLM elegido, la redacción del prompt y los ejemplos.

En colecciones

Ejecuta LLM en localHerramientas y bibliotecas de procesamiento del lenguaje natural

Temas

#llm#nlp#information-extraction#structured-data#gemini#python#ollama#gemini-ai#gemini-api#gemini-flash

Preguntas frecuentes

¿Qué es langextract?
Una biblioteca de Python que usa LLMs para extraer datos estructurados de texto no estructurado y vincula cada extracción con su fragmento de origen. LangExtract recibe una instrucción en lenguaje natural para la extracción y algunas anotaciones de ejemplo; luego, ejecuta un LLM sobre un documento para devolver entidades y atributos con un esquema coherente. Cada valor extraído se vincula con su intervalo exacto de caracteres en el texto de origen, para que los resultados puedan comprobarse con el original. Las extracciones que no se pueden localizar en la entrada se marcan sin intervalo, lo que facilita filtrar las alucinaciones del modelo basadas en los ejemplos.
¿langextract es gratuito? ¿Qué licencia tiene?
langextract es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿langextract sigue mantenido?
Mantenimiento activo. El último commit de langextract fue el 4 nov 2026.
¿Para qué puedo usar langextract?
Convertir notas clínicas o informes radiológicos en campos estructurados y consultables. Extraer personajes, relaciones o eventos de novelas y textos largos. Convertir contratos o documentos en registros estructurados verificables. Crear un prototipo de pipeline de extracción de información sin ajustar un modelo.
¿Cómo se instala langextract?
Instala el paquete desde PyPI: pip install langextract Configura tu clave de API para usar modelos en la nube como Gemini: export LANGEXTRACT_API_KEY="your-api-key-here" Escribe un prompt y ejemplos; después, llama a lx.extract con el texto de entrada
¿Dónde consigo langextract?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/google/langextract

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados