KO | EN

GitLite

Minimalist Open Source Repository Search Engine

gitlite — search

#dsh #dsh-plugin #developer-tools #ai-agent #claude-code #codex #typescript #ai-agents #deepseek-harness #mcp #cli #rust

langextract

★ 38,405 Open GitHub ↗

정밀한 소스 근거 제시(source grounding)와 대화형 시각화를 통해 LLM을 사용하여 비정형 텍스트에서 정형 정보를 추출하는 Python 라이브러리입니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# LangExtract

[![PyPI version](https://img.shields.io/pypi/v/langextract.svg)](https://pypi.org/project/langextract/)
[![GitHub stars](https://img.shields.io/github/stars/google/langextract.svg?style=social&label=Star)](https://github.com/google/langextract)
![Tests](https://github.com/google/langextract/actions/workflows/ci.yaml/badge.svg)
[![DOI](https://zenodo.org/badge/DOI/10.5281/zenodo.17015089.svg)](https://doi.org/10.5281/zenodo.17015089)
[![Live demo](https://img.shields.io/badge/%F0%9F%A4%97%20demo-LangExtract-yellow)](https://google-langextract.hf.space/)

## 목차

- [소개](#introduction)
- [왜 LangExtract인가?](#why-langextract)
- [빠른 시작](#quick-start)
- [설치](#installation)
- [클라우드 모델을 위한 API 키 설정](#api-key-setup-for-cloud-models)
- [사용자 정의 모델 제공자 추가](#adding-custom-model-providers)
- [OpenAI 모델 사용하기](#using-openai-models)
- [Ollama를 이용한 로컬 LLM 사용하기](#using-local-llms-with-ollama)
- [더 많은 예제](#more-examples)
  - [*로미오와 줄리엣* 전체 텍스트 추출](#romeo-and-juliet-full-text-extraction)
  - [약물 정보 추출](#medication-extraction)
  - [방사선 보고서 구조화: RadExtract](#radiology-report-structuring-radextract)
- [커뮤니티 제공자](#community-providers)
- [기여하기](#contributing)
- [테스트](#testing)
- [인용 방법](#how-to-cite)
- [면책 조항](#disclaimer)

## 소개

LangExtract는 사용자 정의 지침을 기반으로 비정형 텍스트 문서에서 정형 정보를 추출하기 위해 LLM을 사용하는 Python 라이브러리입니다. 임상 노트나 보고서와 같은 자료를 처리하여 핵심 세부 정보를 식별하고 정리하며, 추출된 데이터가 소스 텍스트와 일치하도록 보장합니다.

<a href="https://google-langextract.hf.space/">라이브 데모 체험하기 &rarr;</a> 
 설치 없이 브라우저에서 *로미오와 줄리엣*에 대한 근거 기반 추출을 실행해 보세요.

## 왜 LangExtract인가?

1.  **정밀한 소스 근거 제시(Precise Source Grounding):** 모든 추출 항목을 소스 텍스트의 정확한 위치에 매핑하여, 시각적 하이라이팅을 통해 쉽게 추적하고 검증할 수 있습니다.
2.  **신뢰할 수 있는 정형 출력:** 퓨샷(few-shot) 예시를 기반으로 일관된 출력 스키마를 강제하며, Gemini와 같이 지원되는 모델의 제어된 생성(controlled generation) 기능을 활용하여 견고한 정형 결과를 보장합니다.
3.  **긴 문서에 최적화:** 텍스트 청킹(chunking), 병렬 처리 및 재현율(recall)을 높이기 위한 다중 패스(multiple passes) 전략을 사용하여 대규모 문서 추출의 "건초더미에서 바늘 찾기" 문제를 해결합니다.
4.  **대화형 시각화:** 수천 개의 추출된 엔티티를 원래 문맥에서 시각화하고 검토할 수 있는 독립적인 대화형 HTML 파일을 즉시 생성합니다.
5.  **유연한 LLM 지원:** Google Gemini 제품군과 같은 클라우드 기반 LLM부터 내장된 Ollama 인터페이스를 통한 로컬 오픈 소스 모델까지, 선호하는 모델을 지원합니다.
6.  **모든 도메인에 적용 가능:** 몇 가지 예시만으로 어떤 도메인의 추출 작업이든 정의할 수 있습니다. LangExtract는 모델 파인튜닝 없이도 사용자의 요구 사항에 맞게 조정됩니다.
7.  **LLM의 세상 지식(World Knowledge) 활용:** 정밀한 프롬프트 문구와 퓨샷 예시를 사용하여 LLM의 지식이 추출 작업에 어떻게 활용될지 영향을 줄 수 있습니다. 추론된 정보의 정확성과 작업 명세 준수 여부는 선택한 LLM, 작업의 복잡성, 프롬프트 지침의 명확성 및 프롬프트 예시의 성격에 따라 달라집니다.

## 빠른 시작

> **참고:** Gemini와 같은 클라우드 호스팅 모델을 사용하려면 API 키가 필요합니다. 키를 획득하고 설정하는 방법은 [API 키 설정](#api-key-setup-for-cloud-models) 섹션을 참조하세요.

단 몇 줄의 코드로 정형 정보를 추출해 보세요.

### 1. 추출 작업 정의

먼저, 추출하고자 하는 내용을 명확하게 설명하는 프롬프트를 작성합니다. 그런 다음 모델을 안내할 고품질의 예시를 제공합니다.

```python
import langextract as lx
import textwrap

# 1. 프롬프트 및 추출 규칙 정의
prompt = textwrap.dedent("""\
    Extract characters, emotions, and relationships in order of appearance.
    Use exact text for extractions. Do not paraphrase or overlap entities.
    Provide meaningful attributes for each entity to add context.""")

# 2. 모델 안내를 위한 고품질 예시 제공
examples = [
    lx.data.ExampleData(
        text="ROMEO. But soft! What light through yonder window breaks? It is the east, and Juliet is the sun.",
        extractions=[
            lx.data.Extraction(
                extraction_class="character",
                extraction_text="ROMEO",
                attributes={"emotional_state": "wonder"}
            ),
            lx.data.Extraction(
                extraction_class="emotion",
                extraction_text="But soft!",
                attributes={"feeling": "gentle awe"}
            ),
            lx.data.Extraction(
                extraction_class="relationship",
                extraction_text="Juliet is the sun",
                attributes={"type": "metaphor"}
            ),
        ]
    )
]
```

> **참고:** 예시는 모델의 동작을 결정합니다. 각 `extraction_text`는 가급적 예시 `text`에서 그대로 가져온 것이어야 하며(의역 금지), 등장 순서대로 나열되어야 합니다. 예시가 이 패턴을 따르지 않을 경우 LangExtract는 기본적으로 `Prompt alignment` 경고를 발생시키며, 최상의 결과를 위해 이를 해결해야 합니다.
>
> **근거 제시(Grounding):** LLM이 입력 텍스트가 아닌 퓨샷 예시에서 내용을 추출하는 경우가 가끔 있습니다. LangExtract는 이를 자동으로 감지합니다. 소스 텍스트에서 찾을 수 없는 추출 항목은 `char_interval = None` 값을 가집니다. `[e for e in result.extractions if e.char_interval]`를 사용하여 근거가 확실한 결과만 남기고 필터링하세요.

### 2. 추출 실행

입력 텍스트와 프롬프트 자료를 `lx.extract` 함수에 전달합니다.

```python
# 처리할 입력 텍스트
input_text = "Lady Juliet gazed longingly at the stars, her heart aching for Romeo"

# 추출 실행
result = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt,
    examples=examples,
    model_id="gemini-3.5-flash",
)
```

추출 속성의 enum 값과 같이 예시 이상의 고급 제약 조건이 필요한 경우, Gemini와 OpenAI는 퓨샷 예시의 유무와 관계없이 `output_schema`를 지원합니다. [Custom output schemas](docs/examples/output_schema.md)를 참조하세요.

> **모델 선택**: `gemini-3.5-flash`는 LangExtract의 스키마 제약 워크플로우에 대해 강력한 추출 품질을 제공하므로 기본 모델로 권장됩니다. 대량 작업이나 비용에 민감한 워크로드의 경우 최신 안정 버전의 Flash-Lite 모델인 `gemini-3.1-flash-lite`를 고려하세요. 깊은 추론이 필요한 매우 복잡한 작업의 경우, 공식 모델 문서를 통해 최신 Gemini Pro 모델을 검토하시기 바랍니다. 대규모 또는 프로덕션 사용을 위해서는 처리량을 늘리고 속도 제한(rate limits)을 피하기 위해 유료 Gemini 티어를 권장합니다. 자세한 내용은 [속도 제한 문서](https://ai.google.dev/gemini-api/docs/rate-limits#usage-tiers)를 참조하세요.
>
> **모델 생명주기**: Gemini 모델은 정해진 은퇴 날짜가 있는 생명주기를 가지고 있음에 유의하세요. 사용자는 [공식 모델 버전 문서](https://cloud.google.com/vertex-ai/generative-ai/docs/learn/model-versions)를 참조하여 최신 안정 버전 및 레거시 버전에 대한 정보를 확인해야 합니다.

### 3. 결과 시각화

추출 결과는 언어 모델 데이터 작업에 널리 쓰이는 `.jsonl` 파일로 저장할 수 있습니다. LangExtract는 이 파일로부터 대화형 HTML 시각화 자료를 생성하여 문맥 속에서 엔티티를 검토할 수 있게 합니다.

```python
# 결과를 JSONL 파일로 저장
lx.io.save_annotated_documents([result], output_name="extraction_results.jsonl", output_dir=".")

# 파일로부터 시각화 자료 생성
html_content = lx.visualize("extraction_results.jsonl")
with open("visualization.html", "w") as f:
    if hasattr(html_content, 'data'):
        f.write(html_content.data)  # Jupyter/Colab용
    else:
        f.write(html_content)
```

이렇게 하면 다음과 같은 애니메이션이 포함된 대화형 HTML 파일이 생성됩니다.

![Romeo and Juliet Basic Visualization ](https://raw.githubusercontent.com/google/langextract/main/docs/_static/romeo_juliet_basic.gif)

> **LLM 지식 활용에 관한 참고 사항:** 이 예제는 텍스트 증거에 밀접하게 기반한 추출을 보여줍니다. 예를 들어 Lady Juliet의 정서 상태로 "longing"을 추출하고, "gazed longingly at the stars"에서 "yearning"을 식별합니다. 하지만 이 작업을 수정하여 LLM의 세상 지식을 더 많이 활용하는 속성을 생성할 수도 있습니다 (예: `"identity": "Capulet family daughter"` 또는 `"literary_context": "tragic heroine"` 추가). 텍스트 증거와 지식 추론 사이의 균형은 프롬프트 지침과 예시 속성으로 제어됩니다.

### 긴 문서로 확장하기

더 큰 텍스트의 경우, 병렬 처리와 향상된 민감도를 사용하여 URL에서 직접 전체 문서를 처리할 수 있습니다.

```python
# Project Gutenberg에서 로미오와 줄리엣 직접 처리
result = lx.extract(
    text_or_documents="https://www.gutenberg.org/files/1513/1513-0.txt",
    prompt_description=prompt,
    examples=examples,
    model_id="gemini-3.5-flash",
    extraction_passes=3,    # 다중 패스를 통해 재현율(recall) 향상
    max_workers=20,         # 속도를 위한 병렬 처리
    max_char_buffer=1000    # 더 나은 정확도를 위해 더 작은 문맥 사용
)
```

이 접근 방식을 사용하면 높은 정확도를 유지하면서 소설 전체에서 수백 개의 엔티티를 추출할 수 있습니다. 대화형 시각화 도구는 대규모 결과 세트를 원활하게 처리하므로, 출력 JSONL 파일의 수백 개 엔티티를 쉽게 탐색할 수 있습니다. 자세한 결과와 성능 통찰력은 **[로미오와 줄리엣 전체 추출 예제 보기 →](https://github.com/google/langextract/blob/main/docs/examples/longer_text_example.md)**에서 확인하세요.

### Vertex AI 배치 처리

`language_model_params`에 `vertexai=True`, `project`, `location` 및 `batch` 설정을 포함하여 Vertex AI Batch API를 활성화하면 대규모 작업의 비용을 절감할 수 있습니다.

Vertex AI Batch API 사용 예제는 [이 예제](docs/examples/batch_api_example.md)에서 확인하세요.

## 설치

### PyPI에서 설치

```bash
pip install langextract
```

*대부분의 사용자에게 권장됩니다. 격리된 환경을 위해 가상 환경 사용을 고려하세요:*

```bash
python -m venv langextract_env
source langextract_env/bin/activate  # Windows: langextract_env\Scripts\activate
pip install langextract
```

### 소스에서 설치

LangExtract는 종속성 관리를 위해 `pyproject.toml`을 사용하는 현대적인 Python 패키징 방식을 사용합니다.

*`-e` 옵션으로 설치하면 패키지가 개발 모드로 설정되어 재설치 없이 코드를 수정할 수 있습니다.*

```bash
git clone https://github.com/google/langextract.git
cd langextract

# 기본 설치:
pip install -e .

# 개발용 설치 (린팅 도구 포함):
pip install -e ".[dev]"

# 테스트용 설치 (pytest 포함):
pip install -e ".[test]"
```

### Docker

```bash
docker build -t langextract .
docker run --rm -e LANGEXTRACT_API_KEY="your-api-key" langextract python your_script.py
```

## 클라우드 모델을 위한 API 키 설정

Gemini나 OpenAI와 같은 클라우드 호스팅 모델을 LangExtract와 함께 사용하려면 API 키를 설정해야 합니다. 온디바이스 모델은 API 키가 필요하지 않습니다. 로컬 LLM을 사용하는 개발자를 위해 LangExtract는 Ollama에 대한 내장 지원을 제공하며, 추론 엔드포인트를 업데이트하여 다른 타사 API로 확장할 수 있습니다.

### API 키 발급처

다음에서 API 키를 받을 수 있습니다.

*   Gemini 모델: [AI Studio](https://aistudio.google.com/app/apikey)
*   기업용 사용: [Vertex AI](https://cloud.google.com/vertex-ai/generative-ai/docs/sdks/overview)
*   OpenAI 모델: [OpenAI Platform](https://platform.openai.com/api-keys)

### 환경에 API 키 설정하기

**옵션 1: 환경 변수**

```bash
export LANGEXTRACT_API_KEY="your-api-key-here"
```

**옵션 2: .env 파일 (권장)**

`.env` 파일에 API 키를 추가합니다.

```bash
# .env 파일에 API 키 추가
cat >> .env << 'EOF'
LANGEXTRACT_API_KEY=your-api-key-here
EOF

# API 키 보안 유지
echo '.env' >> .gitignore
```

Python 코드에서:
```python
import langextract as lx

result = lx.extract(
    text_or_documents=input_text,
    prompt_description="Extract information...",
    examples=[...],
    model_id="gemini-3.5-flash"
)
```

**옵션 3: 직접 API 키 전달 (프로덕션 환경 비권장)**

코드에 직접 API 키를 제공할 수도 있지만, 프로덕션 사용에는 권장되지 않습니다.

```python
result = lx.extract(
    text_or_documents=input_text,
    prompt_description="Extract information...",
    examples=[...],
    model_id="gemini-3.5-flash",
    api_key="your-api-key-here"  # 테스트/개발용으로만 사용하세요
)
```

**옵션 4: Vertex AI (서비스 계정)**

서비스 계정 인증을 위해 [Vertex AI](https://cloud.google.com/vertex-ai/docs/start/introduction-unified-platform)를 사용하세요.

```python
result = lx.extract(
    text_or_documents=input_text,
    prompt_description="Extract information...",
    examples=[...],
    model_id="gemini-3.5-flash",
    language_model_params={
        "vertexai": True,
        "project": "your-project-id",
        "location": "global"  # 또는 지역 엔드포인트
    }
)
```

## 사용자 정의 모델 제공자 추가

LangExtract는 가벼운 플러그인 시스템을 통해 사용자 정의 LLM 제공자를 지원합니다. 핵심 코드를 변경하지 않고도 새로운 모델 지원을 추가할 수 있습니다.

- 핵심 라이브러리와 독립적으로 새로운 모델 지원 추가
- 제공자를 별도의 Python 패키지로 배포
- 사용자 정의 종속성을 격리하여 유지
- 우선순위 기반 해결을 통해 내장 제공자 재정의 또는 확장

다음 방법을 알아보려면 [Provider System Documentation](langextract/providers/README.md)의 상세 가이드를 참조하세요.

- `langextract.providers`의 `@router.register(...)`를 사용하여 제공자 등록
- 발견을 위한 엔트리 포인트(entry point) 게시
- 정형 출력을 위해 `get_schema_class()`로 선택적 스키마 제공
- `create_model(...)`을 통한 팩토리 통합

## OpenAI 모델 사용하기

LangExtract는 OpenAI 모델을 지원합니다 (선택적 종속성 필요: `pip install langextract[openai]`):

```python
import langextract as lx

# 환경 변수의 OPENAI_API_KEY가 자동으로 인식됩니다.
# 재정의가 필요한 경우에만 api_key=...를 명시적으로 전달하세요.
result = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt,
    examples=examples,
    model_id="gpt-4o",  # 자동으로 OpenAI 제공자 선택
)
```

OpenAI 제공자는 정형 출력(structured outputs) 또는 JSON 모드를 사용하며 펜스(fence) 동작을 자동으로 결정합니다. `fence_output` 및 `use_schema_constraints`는 설정하지 않은 상태로 두십시오. 정형 출력을 지원하는 OpenAI 모델의 경우 `output_schema`도 지원됩니다. 가급적 `lx.schema` 헬퍼를 사용하여 LangExtract 출력 엔벨로프 JSON 스키마를 제공하십시오.

지연 시간에 민감하지 않은 대규모 OpenAI 워크로드의 경우, `language_model_params`를 통해 OpenAI Batch API를 활성화하세요. 배치 모드는 선택 사항이며, 프롬프트 수가 설정된 임계값보다 낮으면 실시간 호출로 대체됩니다.

```python
result = lx.extract(
    text_or_documents=documents,
    prompt_description=prompt,
    examples=examples,
    model_id="gpt-4o-mini",
    language_model_params={
        "batch": {
            "enabled": True,
            "threshold": 50,
            "poll_interval": 10,
        }
    },
)
```

OpenAI 호환 엔드포인트나 (자동 라우팅을 건너뛰는) 비-GPT 모델 ID의 경우, 명시적 제공자가 포함된 `ModelConfig`를 사용하세요.

```python
from langextract.factory import ModelConfig

result = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt,
    examples=examples,
    config=ModelConfig(
        model_id="my-openai-compatible-model",
        provider="openai",
        provider_kwargs={"api_key": "sk-...", "base_url": "https://..."},
    ),
)
```

## Ollama를 이용한 로컬 LLM 사용하기
LangExtract는 Ollama를 사용한 로컬 추론을 지원하여 API 키 없이 모델을 실행할 수 있게 합니다.

```python
import langextract as lx

result = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt,
    examples=examples,
    model_id="gemma2:2b",  # 자동으로 Ollama 제공자 선택
    model_url="http://localhost:11434",
)
```

Ollama 제공자는 JSON 모드를 위해 `FormatModeSchema`를 노출합니다. 팩토리가 제공자의 스키마로부터 자동 설정할 수 있도록 `fence_output` 및 `use_schema_constraints`를 설정하지 않은 상태로 두십시오. Ollama는 현재 `output_schema`를 지원하지 않습니다.

**빠른 설정:** [ollama.com](https://ollama.com/)에서 Ollama를 설치하고, `ollama pull gemma2:2b`를 실행한 다음 `ollama serve`를 실행하세요.

상세 설치 방법, Docker 설정 및 예제는 [`examples/ollama/`](examples/ollama/)를 참조하세요.

## 더 많은 예제

LangExtract의 추가 활용 예제입니다.

### *로미오와 줄리엣* 전체 텍스트 추출

LangExtract는 URL에서 직접 전체 문서를 처리할 수 있습니다. 이 예제는 Project Gutenberg의 *로미오와 줄리엣* 전체 텍스트(147,843자)에서 정보를 추출하는 과정을 보여주며, 병렬 처리, 순차적 추출 패스 및 긴 문서 처리를 위한 성능 최적화를 시연합니다.

**[*로미오와 줄리엣* 전체 텍스트 예제 보기 →](https://github.com/google/langextract/blob/main/docs/examples/longer_text_example.md)**

### 약물 정보 추출

> **면책 조항:** 이 데모는 LangExtract의 기본 성능을 보여주기 위한 예시일 뿐입니다. 완성되었거나 승인된 제품이 아니며, 질병이나 상태를 진단하거나 치료법을 제안하기 위한 용도가 아니므로 의료 조언으로 사용해서는 안 됩니다.

LangExtract는 임상 텍스트에서 정형화된 의료 정보를 추출하는 데 탁월합니다. 이 예제들은 기본적인 엔티티 인식(약물 이름, 용량, 투여 경로)과 관계 추출(약물을 해당 속성과 연결)을 모두 보여주며, 헬스케어 애플리케이션에서의 LangExtract의 효과를 증명합니다.

**[약물 추출 예제 보기 →](https://github.com/google/langextract/blob/main/docs/examples/medication_examples.md)**

### 방사선 보고서 구조화: RadExtract

LangExtract가 방사선 보고서를 어떻게 자동으로 구조화하는지 보여주는 HuggingFace Spaces의 라이브 대화형 데모인 RadExtract를 살펴보세요. 별도의 설정 없이 브라우저에서 바로 체험할 수 있습니다.

**[RadExtract 데모 보기 →](https://google-radextract.hf.space/)**

## 커뮤니티 제공자

사용자 정의 모델 제공자로 LangExtract를 확장하세요! [Community Provider Plugins](COMMUNITY_PROVIDERS.md) 레지스트리에서 커뮤니티가 만든 제공자를 찾거나 직접 추가해 보세요.

제공자 플러그인 생성에 대한 자세한 지침은 [Custom Provider Plugin Example](examples/custom_provider_plugin/)을 참조하세요.

## 기여하기

기여를 환영합니다! 개발, 테스트 및 풀 리퀘스트(pull request)를 시작하려면 [CONTRIBUTING.md](https://github.com/google/langextract/blob/main/CONTRIBUTING.md)를 참조하세요. 패치를 제출하기 전에 [Contributor License Agreement](https://cla.developers.google.com/about)에 서명해야 합니다.

[기여](https://github.com/google/langextract/graphs/contributors)해주신 모든 분께 감사드립니다.

## 테스트

소스에서 로컬로 테스트를 실행하려면:

```bash
# 저장소 클론
git clone https://github.com/google/langextract.git
cd langextract

# 테스트 종속성과 함께 설치
pip install -e ".[test]"

# 모든 테스트 실행
pytest tests
```

또는 tox를 사용하여 전체 CI 매트릭스를 로컬에서 재현하세요.

```bash
tox  # Python 3.10 및 3.11에서 pylint + pytest 실행
```

### Ollama 통합 테스트

로컬에 Ollama가 설치되어 있다면 통합 테스트를 실행할 수 있습니다.

```bash
# Ollama 통합 테스트 (gemma2:2b 모델이 실행 중인 Ollama 필요)
tox -e ollama-integration
```

이 테스트는 Ollama 사용 가능 여부를 자동으로 감지하고 실제 추론 테스트를 실행합니다.

## 개발

### 코드 포맷팅

이 프로젝트는 일관된 코드 스타일을 유지하기 위해 자동 포맷팅 도구를 사용합니다.

```bash
# 모든 코드 자동 포맷팅
./autoformat.sh

# 또는 포맷터 개별 실행
isort langextract tests --profile google --line-length 80
pyink langextract tests --config pyproject.toml
```

### Pre-commit 훅

자동 포맷팅 확인을 위해:
```bash
pre-commit install  # 최초 1회 설정
pre-commit run --all-files  # 수동 실행
```

### 린팅(Linting)

PR 제출 전에 린팅을 실행하세요.

```bash
pylint --rcfile=.pylintrc langextract tests
```

전체 개발 가이드라인은 [CONTRIBUTING.md](CONTRIBUTING.md)를 참조하세요.

## 인용 방법

연구에 LangExtract를 사용하신 경우, 다음과 같이 인용해 주세요.

```bibtex
@software{goel_langextract,
  author  = {Goel, Akshay},
  title   = {{LangExtract}},
  year    = {2026},
  version = {1.6.0},
  doi     = {10.5281/zenodo.21126643},
  url     = {https://github.com/google/langextract}
}
```

사용하신 버전을 인용하세요. 각 릴리스는 [Zenodo](https://doi.org/10.5281/zenodo.17015089)에 고유한 DOI를 가지고 있습니다. 사용하는 스타일에서 `@software`를 지원하지 않는 경우 `@misc`를 사용하세요.

## 면책 조항

이 프로젝트는 Google의 공식 지원 제품이 아닙니다. 프로덕션 환경이나 출판물에 LangExtract를 사용하는 경우, 적절하게 인용하고 사용 사실을 명시해 주시기 바랍니다. 사용은 [Apache 2.0 License](https://github.com/google/langextract/blob/main/LICENSE)의 적용을 받습니다. 건강 관련 애플리케이션의 경우, LangExtract의 사용은 [Health AI Developer Foundations Terms of Use](https://developers.google.com/health-ai-developer-foundations/terms)의 적용 또한 받습니다.

---

**Happy Extracting!**

langextract

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README