RIP 文档抽取器？评论区先给 LangExtract 泼了盆冷水

Matt Dancho 在 X 上给 LangExtract 写了句悼词：RIP document extractors。按他的说法，Google 刚发布这个开源库，免费，比 10 万美元的企业工具还好。

评论区没顺着走。有人直接提醒，Google 一年前就放出 LangExtract 了，不算 just released。还有人问，10 万美元的企业工具具体指什么。另一个回复更短：It also sucks。

这条推文值得看的地方，正好在这两种声音之间。LangExtract 确实把文档抽取的门槛往下压了一截，但把它说成“文档抽取器终结者”，时间线和场景都不太稳。

LangExtract 是 Google 开源的 Python 库，用 LLM 从非结构化文本里抽结构化信息。用户给一段提示词，再给几个高质量示例，它会按示例的格式输出字段。官方文档里反复强调一个能力：grounding。抽出来的每个值，要能映射回源文本里的精确字符位置。对普通读者来说，可以理解成抽完不是只给一张表，还能点回原文，看这个结论是从哪句话来的。

Matt 列的功能包括：从杂乱文本抽结构化数据；每个字段落到源位置；处理 100 页以上文档；生成交互式 HTML 方便核对；支持 Gemini 和本地模型。

它替掉的东西也很具体：正则和脆弱解析、定制 NER 流水线、昂贵的抽取 API、手工录入。NER 是命名实体识别，过去常要单独训练或维护一套管道。LangExtract 的思路是少写规则，用示例和提示词把抽取任务描述清楚，再让模型按 schema 输出。

安装不复杂：

pip install langextract

云模型要配 API key，Gemini、OpenAI 都能接。本地模型走 Ollama，比如 gemma2:2b，不需要 API key。长文档也不是整篇硬塞，官方示例用分块、并行处理和多遍抽取提高召回，还拿整本《罗密欧与朱丽叶》的文本做了演示，约 14.7 万字符。结果可以存成 JSONL，再生成一个自包含的 HTML 文件，用来在原文里核对抽出来的实体。

仓库和演示都在这里：

• GitHub 仓库
• 在线演示
• RadExtract 放射报告结构化演示

Matt 给业务场景列了五类：发票和采购单处理；客户反馈转主题再转行动；支持工单转根因再更新 SOP；法律文档转条款和风险摘要；财报转 KPI 和高管简报。这些场景的共同点是，原始材料不规整，抽取结果又要进入后续流程。

他的职业判断也在这：任务型数据工作会往工作流所有权迁移。抽文本这件事，现在谁都能做。2026 年公司愿意付高薪的，是把抽取接进 AI 或数据科学工作流，最后能交付决策，省时间或降成本。

这个判断比 RIP 那句更耐看。LangExtract 降低的是抽取环节的成本，不自动解决字段定义、异常处理、人工复核、系统集成和责任归属。评论区那句讽刺也扎在这里：10 万美元很大一部分，买的是发票抽错时有人接电话。

所以，LangExtract 值得试，尤其是文档长、字段多、需要回看原文的场景。它是不是比企业工具更好，要看准确率、吞吐、成本、合规和出错后的维护方式。把它当成文档抽取器的葬礼，结论下早了。评论区已经有人把时间线纠正了一遍。