langextract

O nástroji

LangExtract je open-source Python knihovna dostupná přes pip (aktuální verze 1.6.0), která využívá jazykové modely k extrakci strukturovaných informací z nestrukturovaných textových dokumentů, jako jsou klinické poznámky nebo zprávy, na základě uživatelem definovaných instrukcí. Nástroj mapuje každou extrakci na přesné místo v původním textu, což umožňuje vizuální zvýraznění a snadné ověření správnosti výsledků. Knihovna podporuje jak cloudové modely (např. Google Gemini, doporučený výchozí model gemini-3.5-flash, s alternativou gemini-3.1-flash-lite pro levnější provoz), tak lokální open-source modely přes vestavěné rozhraní Ollama, a rovněž modely OpenAI. Umí zpracovávat dlouhé dokumenty pomocí chunkování textu, paralelního zpracování a více průchodů pro vyšší přesnost, generuje interaktivní HTML vizualizace extrahovaných entit a vynucuje konzistentní výstupní schéma na základě několika ukázkových příkladů (few-shot). Projekt je vydán pod licencí Apache-2.0 a je určen vývojářům a datovým specialistům pro nasazení v jakékoli doméně bez nutnosti fine-tuningu modelu. Pro použití cloudových modelů jako Gemini je vyžadován API klíč, konfigurace probíhá přímo v Python kódu importem balíčku langextract.

Kategorie