在处理保险单、医疗记录和合规报告等长篇文档时，关键信息往往隐藏在冗长的非结构化文本中，人工阅读效率低且容易遗漏。为解决这一难题，谷歌推出的LangExtract框架结合其开源大模型Gemma 3，为从复杂文本中高效提取结构化数据提供了强大工具。 LangExtract是一个基于Python的开源库，可借助大语言模型（LLM）根据用户定义的指令，从杂乱文本中精准提取结构化信息。它特别擅长命名实体识别（如保险责任限额、免责条款）和关系抽取（将条款与条件关联），通过智能分块、并行处理和多轮提取等机制，显著提升长文档处理的准确率与效率。 Gemma 3是谷歌最新推出的轻量级开源大模型，参数规模从2.7亿到270亿不等，其中40亿参数版本（Gemma 3 4B）可在单张GPU上运行，支持高达12.8万token的上下文输入，足以处理多页文档甚至数百张图像。本文采用该模型，通过Ollama本地部署，实现离线高效推理。 LangExtract的核心优势在于三项关键技术：一是智能分块策略，不简单按字符截断，而是尊重句子、段落和换行，确保每块文本语义完整；二是并行处理能力，通过多线程同时处理多个文本块，提升吞吐量且不显著增加延迟；三是多轮提取机制，通过多次独立运行抽取，利用模型的随机性提升召回率，再以“首次提取优先”原则合并结果，有效避免遗漏。 在实际演示中，我们以一份新加坡MSIG公司的汽车保险单为例，使用PyMuPDF解析PDF，构建文档对象。通过精心设计的系统提示（system prompt）和少量示例（few-shot prompting），引导模型输出符合JSON格式的结构化结果。由于Gemma本身不强制结构化输出，明确指定JSON格式是避免解析错误的关键。 最终，模型成功提取出多个免责条款，每个条目包含原始文本、类别标签和通俗解释，实现从专业法律语言到可读摘要的转化。整个过程在8GB显存的GPU上不到10分钟完成。 综上，LangExtract与Gemma 3的结合，为处理长文本提供了高效、可靠、可追溯的解决方案，让复杂文档中的关键信息一目了然，适用于保险、医疗、法律等多个高价值场景。