告别无效检索：LangExtract+Milvus升级RAG管道实战经验复盘的方法_AI热点日报

告别无效检索！LangExtract + Milvus让RAG搜索从“猜”变成“查”，精准提取非结构化文本的关键信息。核心内容：1 LangExtract基础使用：五分钟完成首次元数据提取2 实战技巧：如何通过高质量示例提升提取精度3 与Milvus结合：构建高效RAG管道的完整方案今天咱们

告别无效检索！LangExtract + Milvus让RAG搜索从“猜”变成“查”，精准提取非结构化文本的关键信息。
核心内容：
1. LangExtract基础使用：五分钟完成首次元数据提取
2. 实战技巧：如何通过高质量示例提升提取精度
3. 与Milvus结合：构建高效RAG管道的完整方案

告别无效检索：我用LangExtract + Milvus升级 RAG 管道的实战复盘

今天咱们来聊聊Google新开源的LangExtract——虽然已经开源了一段时间，但这段时间在实际项目里用得挺多，踩了不少坑，也攒了一些经验。这篇文章不扯理论，直接上代码，聊实践。

如果你曾被RAG系统里那些“相似但不相关”的检索结果折磨过，LangExtract绝对值得花十分钟看看。它只干一件事，但干得很漂亮：给你的非结构化文本（产品文档、法律合同、用户评论等）精准打上结构化标签，让RAG搜索从“猜”变成“查”。

话不多说，Show me the code。

一、基础篇：五分钟完成首次元数据提取

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，这里使用Google的Gemini。

pip install langextract google-generativeai

2. 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nn支付API用于处理所有交易请求。nn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nn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。nn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.sa ve_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。但要想真正发挥它的威力，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”，还完美生成了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

现在能稳定地从文本中提取丰富的元数据了。下一步，将它和Milvus结合，搭建一个完整的混合检索系统。选择Milvus的原因是项目中深度使用，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 pymilvus

2. 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 import MilvusClient, 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？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

别信你的第一版 Prompt 和 Examples。这个过程一定是迭代的。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 是最好的调试工具。
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。
LangExtract 不是万能的。如果需求非常简单，比如只是想把一次API的返回强制规范成一个JSON，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。
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。
- 牢记这个流程：复杂文档 -> [解析器/多模态模型] -> 纯文本 -> [LangExtract]。

五、总结

今天没有深入复杂的架构理论，而是纯粹走了一遍如何用 LangExtract 和 Milvus 从零搭建一个高效的混合检索系统。

总结关键步骤：

用 lx.extract 加上清晰的 Prompt 和高质量的 Examples，从文本里提取元数据。
将元数据和文本向量一同存入 Milvus。
利用 Milvus 的 filter 功能实现“先过滤，再搜索”的精准查询。