返回案例页
LangExtract · 抽取带原文定位

结构化抽取与问答平台

把结构化信息抽取、向量检索与有依据问答整合在一起，适用于放射报告、药物信息、金融与新闻等文档场景。

LangExtract（这个项目封装的 Google 开源库）的招牌特性是：每个抽取都带 char_interval 指回原文位置。两段 notebook 真实文本（2025-12-22 三机构新闻 + 罗密欧与朱丽叶 few-shot）即时高亮，hover 可看偏移量。

FastAPIQdrantChromaLangChainDeepSeek
案例拆解
结构化抽取与问答平台

本地版本说明

文本、抽取类别、属性、lx.extract 配置（长文档预设 extraction_passes=3、max_workers=20、max_char_buffer=1000）原样取自案例13 notebook《Agentic-GraphRAG应用开发实战.ipynb》第 66、88、107、111 个 cell。char_interval 偏移量在模块加载时根据原文真实计算 — 看到的高亮位置是真实偏移，不是装饰。

LangExtractApp · 3 of 7 production scenarios

Real scenarios shipped in backend/app/scenarios/

The project actually ships 7 BaseScenario subclasses — each defining extract_classes, get_prompt(), get_examples(), and get_samples(). The three highlighted below (radiology / medication / news) are lifted verbatim from the project's source; extraction positions are computed against the actual string so the highlights are real char offsets, not styling.

Production scenarios (toggle to switch)

Source · rad_sample_2 · 胸部X光报告

8 extractions · source-grounded
胸部X线检查报告检查类型 临床指征: 咳嗽1周，发热临床指征 检查技术: 胸部正侧位片检查技术 影像所见: 两肺纹理清晰发现，右下肺野见斑片状模糊影，边界不清发现。 两肺门影不大，纵隔居中，心影大小形态正常发现。 两膈面光滑，肋膈角锐利。 胸廓对称，骨质未见明显异常。 印象: 右下肺感染性病变可能印象，建议结合临床及实验室检查，必要时CT进一步检查建议

Hover any highlighted span: tooltip shows char_interval [start-end] plus the real attributes returned by lx.data.Extraction(extraction_class, extraction_text, attributes). For the 药物信息 scenario notice the medication_group attribute — it's the project's trick to link 药物 ↔ 剂量 ↔ 频率 ↔ 用法 ↔ 疗程 for the same drug.

lx.extract config (per scenario)

extraction_passes

1

multi-pass recall

max_workers

1

parallel chunks

max_char_buffer

1500

chunk size

All 7 scenarios shipped in repo

放射学报告scenarios/radiology.py
药物信息scenarios/medication.py
新闻信息scenarios/news.py
金融分析scenarios/finance.py
中医药机制研究scenarios/medical.py
客服工单scenarios/customer_service.py
销售商机scenarios/sales.py

Three (highlighted) are wired into this preview. Adding a new scenario means subclassing BaseScenario — the base class lives at app/scenarios/base.py.

Extractions on this excerpt

检查类型[0-8]

胸部X线检查报告

attributes = {"类型":"X线"}

临床指征[16-23]

咳嗽1周，发热

attributes = {"类型":"主诉"}

检查技术[30-36]

胸部正侧位片

attributes = {"方法":"正侧位片"}

发现[44-50]

两肺纹理清晰

attributes = {"部位":"两肺","significance":"normal"}

发现[51-67]

右下肺野见斑片状模糊影，边界不清

attributes = {"部位":"右下肺","significance":"significant"}

发现[81-89]

心影大小形态正常

attributes = {"部位":"心脏","significance":"normal"}

印象[124-134]

右下肺感染性病变可能

attributes = {"序号":"1"}

建议[135-158]

建议结合临床及实验室检查，必要时CT进一步检查

attributes = {"类型":"后续检查"}

Real backend layout · LangExtractApp/backend/app/

main.py

FastAPI entry · uvicorn app.main:app --reload --port 8000

config.py

Settings: deepseek_api_key · vector_store_backend (chroma/qdrant) · dashscope_api_key (embeddings) · mineru_api_key (PDF OCR)

api/routes.py

8 endpoints: /health · /scenarios{,_id,/samples} · /extract · /cache/{stats,delete}

api/rag_routes.py

12 endpoints under /rag: pdf/{parse,upload,task/:id} · search · qa · qa/stream · chat · documents · extractions · stats · init

core/extractor.py

Extractor.extract(text, scenario_id, use_cache) · wraps lx.extract(fence_output=True, use_schema_constraints=False) · builds segments grouped by class with intervals[]

services/{vector_store,vector_store_chroma}.py

Real Qdrant ↔ Chroma switch · controlled by VECTOR_STORE_BACKEND env · same DocumentChunk schema

services/pdf_parser.py

MinerU API client · /rag/pdf/upload supports 200MB / 600 pages · markdown chunked by paragraph then indexed

services/qa_agent.py

LangChain Agent over the vector store · uses DeepSeek-chat · sources returned per answer span

scenarios/base.py

BaseScenario abstract class + ScenarioRegistry · the 7 subclasses register at import time

POST /rag/pdf/upload — production flow seen in rag_routes.py:197-319

  1. 1. validate .pdf + size ≤ 200MB
  2. 2. PDFParser.parse_uploaded_file(content, filename, model_version="vlm"|"pipeline", timeout=600) → MinerU returns markdown
  3. 3. markdown.split("\n\n") → DocumentChunk[paragraph_index, source="pdf_upload"]
  4. 4. vector_store.add_chunks(chunks) → routed to Chroma (chroma_db/) or Qdrant by VECTOR_STORE_BACKEND
  5. 5. optional: if extract_after_parse + scenario → run Extractor over the markdown → return extractions[] with char_interval
  6. 6. response: PDFParseResponse(success, task_id, markdown, source, parse_time, extractions[])

MinerU (PDF→Markdown)

POST /rag/pdf/upload · 200MB/600p · vlm or pipeline mode

LangExtract

7 scenarios · source grounding · cache.py de-dupe

Vector store (Qdrant or Chroma)

real env-switch: VECTOR_STORE_BACKEND=chroma|qdrant

DashScope embeddings

Tongyi/通义 embedding API for chunk vectors

QAAgent (LangChain)

/rag/qa + /rag/qa/stream + /rag/chat (multi-turn)

ScenarioRegistry · how the 7 scenarios self-register

class BaseScenario(ABC):
    name: str = "基础场景"
    description: str = "场景描述"
    extract_classes: List[str] = []

    @abstractmethod
    def get_prompt(self) -> str: ...
    @abstractmethod
    def get_examples(self) -> List[lx.data.ExampleData]: ...
    def get_samples(self) -> List[Dict[str, str]]: return []

class ScenarioRegistry:
    _scenarios: Dict[str, Type[BaseScenario]] = {}

    @classmethod
    def register(cls, scenario_id, scenario_class): ...
    @classmethod
    def get(cls, scenario_id) -> BaseScenario: ...   # 抛 ValueError 未注册
    @classmethod
    def list_all(cls) -> Dict[str, Dict[str, Any]]:  # 给 /scenarios 端点用
        ...

新场景 = 写 1 个 BaseScenario 子类 + 在模块顶层调一次 ScenarioRegistry.register("scenario_id", MyScenario) 即可。/scenarios 端点直接返回 list_all() 结果。

Qdrant vs Chroma · same interface, 2 deploy modes

aspectVectorStore (Qdrant)ChromaVectorStore
deploy moderemote / :memory: fallbacklocal persistent only (chroma_db/)
env varQDRANT_URL + QDRANT_API_KEYCHROMA_PERSIST_DIR
clientqdrant_client.QdrantClientchromadb.PersistentClient
distancemodels.Distance.COSINEhnsw:space=cosine (metadata)
recreate logicinit_collection(recreate=True) 删 + 重建删 collection + _init_collection()
embeddingsDashScope text-embedding-v4 · chunk_size=10同上 · 同一 OpenAIEmbeddings 实例
filter APImodels.Filter / FieldConditionwhere={"doc_id": {"$eq": ...}}

DocumentChunk dataclass & add_chunks() / search() / delete_by_doc_id() 的方法签名两边完全一致 — rag_routes.py 才能在backend.lower() == "chroma" 处分支无缝切换。

QAAgent · services/qa_agent.py · 4 entry methods

search_context(query, top_k=5)

vector_store.search → List[{doc_id, doc_title, content, score, ...}]

format_context(results)

拼成 "[来源 N] ..." 多段文本喂给 prompt

build_prompt(question, context, structured=True)

system: 「不要在回答中提及来源/文档/参考字眼，直接陈述」 + structured: 「总结一句 → • 分点带【关键词】 → 简短结论」

answer / answer_stream / chat

answer 一次性 LLM invoke；answer_stream 用 llm.stream 流式 yield；chat 多轮对话注入历史 messages

response 包 {success, question, answer, sources[{doc_id, doc_title, content_preview, score}], context_count} — sources 总是带回，前端可独立渲染「来源溯源」面板（即使 system prompt 让模型自己不要主动提及）。

建议体验

把鼠标悬停在高亮片段上 — tooltip 显示 lx.extract 真实返回的 char_interval [start-end]。

在三机构新闻（6 类实体、16 个抽取）和罗密欧与朱丽叶节选（3 类带属性的抽取）之间切换。

阅读 lx.data.ExampleData few-shot 代码面板 — 这就是你会传给 lx.extract() 的原始 few-shot。

这个试玩能说明什么

你理解为什么 source grounding（char_interval）重要 — 医疗/法律/合规场景下的可审计性。

你知道 LangExtract 的扩展杠杆：extraction_passes 提召回、max_workers 提吞吐、max_char_buffer 在上下文和准确性之间取舍。

你把 Agentic-GraphRAG 设计成 OCR → LangExtract → 图谱+向量 → LangChain Agent 这 4 个真实阶段 — 不是单点炫技。

核心库

LangExtract（Google 开源）· DeepSeek API via OpenAILanguageModel

长文档预设

罗密欧与朱丽叶 54k 字符 → 1,889 个抽取 · 3 轮 pass · 20 worker

完整 pipeline

OCR（MinerU / PaddleOCR-VL / DeepSeek-OCR）→ LangExtract → 图谱+向量 → LangChain 1.1 Agent

返回案例页