LangChain Extract - LangChain 的開源資料擷取服務

受益於語言模型(Language Model)對於自然語言的理解與生成能力，所以一段文字進行摘要、資料擷取(extract)的門檻已經變低，現在用 prompt 與語言模型互動就能夠到這些事。

LangChain 在近日也開源 “LangChain Extract” 專案，該專案能夠讓使用者對 PDF 檔或對網頁做資料擷取，並以指定的 JSON 格式輸出。

LangChain 也做了 1 個 Youtube 影片示範怎麼使用 LangChain Extract 對食譜、公司法說會文字稿做資訊擷取，真的很適合用在非結構化資料轉為結構化資料的用途之上！

它的主要原理是：

1. 用 prompt 生成 JSON schema
2. 輸入資料並做資料檢索(Retrieval)
3. 將第 2 步檢索到的資料按照 JSON schema 生成輸出
4. 做 deduplicate 將重複的資料給去除後輸出

關鍵程式碼如下：

    runnable = (
        {
            "text": itemgetter("query") | retriever,
            "schema": itemgetter("schema"),
            "instructions": lambda x: x.get("instructions"),
            "examples": lambda x: x.get("examples"),
            "model_name": lambda x: x.get("model_name"),
        }
        | RunnableLambda(_make_extract_requests)
        | extraction_runnable.abatch
    )

關鍵程式碼來源連結

p.s. 不過轉出來的資料品質、準確度其實跟語言模型的能力有關，如果要用在 production 環境的話，可能也要做一些評估、偵錯、回報修正機制等等

有興趣知道怎麼做資料擷取服務的人可以研究一下 LangChain Extract 的 GitHub （有些 LangChain 開發經驗的人會比較容易讀得懂）。