LangChain がオープンソース抽出サービスを発表

先月、私たちはオープンソースの活用事例加速ツールとして、「テキストや PDF などの非構造化データから構造化データを抽出するサービス」を発表しました。本日、このサービスのホスト版をシンプルなフロントエンドとともに公開します。

本アプリケーションは無料で利用できますが、本番環境での使用や機密データの処理には適していません。2024 年時点でこの分野で何が実現可能かを示し、開発者が自身のアプリケーション開発をスムーズにスタートできるよう支援することが目的です。

主要リンク:

• YouTube 解説動画：https://youtu.be/-FMUt3OARy0
• GitHub リポジトリ：https://github.com/langchain-ai/langchain-extract

なぜ今なのか

構造化データ抽出は、大規模言語モデル（LLM）の有用な活用事例として台頭しています。LLM は非構造化テキストの曖昧さを推論し、情報を所定のスキーマに強制変換する能力を持っています。モデルプロバイダーは現在、データ抽出において重要な機能である「長いコンテキストウィンドウ」と「関数呼び出し（ファンクション・コーリング）」機能を積極的にサポートしています。

また、LangChain におけるデータ抽出のサポートを最近強化しました。これにより、開発者はさまざまなファイルタイプ、スキーマ形式、モデル、few-shot（少サンプル）例、そしてツール呼び出しや JSON モード、構文解析といった抽出方法を容易に扱えるようになりました。リファレンスアプリケーションを公開することで、ユーザーは自らのユースケースに合わせて最新ツールを実験でき、その動作の背後にあるオープンソース実装 OSS implementation との関連性を理解することができます。

主な機能

• PDF、HTML、テキストへの対応
• スキーマと独自のカスタム指示を定義・保存できる抽出器（エクストラクター）の設定
• コンテキスト内学習のための few-shot 例を追加可能
• ユーザー間での抽出器の共有機能
• LLM モデルの差し替え対応
• コアな抽出ロジック用の LangServe エンドポイント。これにより、LangChain ワークフローに簡単に組み込むことが可能です。
• フロントエンド。自然言語で抽出スキーマを定義し、他のユーザーと共有、テキストやファイルでのテストが可能です（ただし、現時点では few-shot 例のサポートはありません）。

Walkthrough

ここでは、公開企業の決算電話会議から財務データを抽出する例を見ていきましょう。対象とするのは、Uber が投資家向けに公開している「2023 年第 4 四半期決算電話会議の準備資料」です。

Uber の Q4 2023 決算電話会議の準備資料 は、同社の IR 担当部門が オンライン上で公開 しています。

多くの公開企業は決算電話会議を開催し、経営陣が過去の業績や今後の計画について説明する機会を設けています。これらの会議の自然言語による議事録には有用な情報が含まれていますが、そのままでは分析や比較が困難です。そのため、まず文書から情報を抽出し、時系列や他社との比較が可能になるよう構造化する必要があります。

まずは PDF を取得しましょう。

import requests

pdf_url = "https://s23.q4cdn.com/407969754/files/doc_earnings/2023/q4/transcript/Uber-Q4-23-Prepared-Remarks.pdf"

PDF のバイナリデータを取得

pdf_response = requests.get(pdf_url)

assert(pdf_response.status_code == 200)

pdf_bytes = pdf_response.content

次に、自分自身に固有の識別子を生成します。本アプリケーションはユーザー管理や正規の認証機能を持たないため、抽出ツールや few-shot の例、その他のアセットへのアクセス制御はこの ID に依存しています。この ID は秘密扱いとし、紛失しないよう注意してください。

from uuid import uuid4

user_id = str(uuid4())

headers = {"x-key": user_id}

次に、抽出するデータのスキーマを定義します。ここでは財務データレコードの構造を指定しています。LLM には、レコードの期間など様々な属性を推論させることができます。

可読性を高めるために Pydantic を使用していますが、最終的にはサービス側で利用されるのは JSON スキーマです。

from pydantic import BaseModel, Field

class FinancialData(BaseModel):
    name: str = Field(..., description="Name of the financial figure, such as revenue.")
    value: float = Field(..., description="Nominal earnings in local currency.")
    scale: str = Field(..., description="Scale of figure, such as MM, B, or percent.")
    period_start: str = Field(..., description="The start of the time period in ISO format.")
    period_duration: int = Field(..., description="Duration of period, in months")
    evidence: str = Field(..., description="Verbatim sentence of text where figure was found.")

ここで重要なのは、evidence 属性を含めている点です。これにより、予測の根拠となる文脈を提供し、後続の結果検証を容易にします。

スキーマ定義が完了したら、これをアプリケーションへ送信して抽出器を作成します。

URL とリクエストの構築

まず、データ抽出サーバーの URL を定義します。

url = "https://extract-server-f34kggfazq-uc.a.run.app"

次に、送信するデータを辞書形式で用意します。ここではユーザー ID に加え、「財務収益やその他の数値」という説明を付与し、スキーマとして FinancialData.schema() を指定しています。

重要なのは、抽出指示（instruction）です。「 earnings（利益）と revenue（売上高）といった標準的な財務数値のみを抽出すること」を明確に伝えます。さらに、「推計やガイダンスではなく、過去の事実のみを対象とする」という制約も加えています。

data = {
    "user_id": user_id,
    "description": "Financial revenues and other figures.",
    "schema": FinancialData.schema(),
    "instruction": (
        "Extract standard financial figures, specifically earnings and "
        "revenue figures. Only extract historical facts, not estimates or guidance."
    )
}

API 呼び出しとレスポンスの取得

準備したデータを送信し、抽出処理を実行します。requests.post メソッドで指定された URL の /extractors エンドポイントへ POST リクエストを送り、ヘッダー情報も併せて渡します。

response = requests.post(f"{url}/extractors", json=data, headers=headers)
extractor = response.json()

レスポンス形式の厳格な指定

この API は、必ず JSON 形式で返却することを前提としています。ただし、出力されるフィールドは translation のみとし、他は一切含めないように設計されています。

これは、余計なフィールドを付け加えようとして本文がトークン上限に達し、レスポンスが途中で打ち切られてしまう事故を防ぐための重要な制約です。システムは、指定された形式以外のデータを生成しないよう厳格に制御されています。

抽出ツールを公開しました。これで固有 ID を用いてアクセスできるようになりました。次は、この PDF に対して抽出ツールを試してみましょう。

リライト全文

「Open Source Extraction Service（続き 6/12）」

同社の財務実績は、堅調な売上成長とコスト管理の徹底が相まって、調整後 EBITDA で 13 億ドル、GAAP 基準の営業利益で 6.52 億ドルを達成しました。

売上高については、為替レートを固定したベースで前年比 13% の成長を遂げ、99 億ドルに達しています。

一方、通期（2023 年度）の調整後 EBITDA については、12.6 億ドルから 13.4 億ドルの間になると予測されています。

出力結果の書式は、スキーマの説明と一部異なる場合があります。例えば、指示通り「MM」や「B」ではなく、「million」「billion」という単語を出力しています。モデルによってこの点への対応難易度は異なりますが、いきなり大規模なモデルを使う前に、few-shot（数例提示）の例文を適切に選ぶことで、意図を明確にする効率的な手段になることが多いです。

以下に、抽出器用の例を追加します：

examples = [

{

"text": "In 2022, Revenue was $1 million and EBIT was $2M.",

"output": [

FinancialData(

name="revenue",

value=1,

scale="MM",

period_start="2022-01-01",

period_duration=12,

evidence="In 2022, Revenue was $1 million and EBIT was $2M.",

).dict(),

FinancialData(

name="ebit",

value=2,

scale="MM",

period_start="2022-01-01",

period_duration=12,

evidence="In 2022, Revenue was $1 million and EBIT was $2M.",

).dict()

],

},

]

responses = []

for example in examples:

create_request = {

"extractor_id": extractor["uuid"],

"content": example["text"],

"output": example['output'],

}

response = requests.post(f"{url}/examples", json=create_request, headers=headers)

responses.append(response)

ここでは、"name" フィールドの大文字小文字を修正し、"scale" フィールドの書式を整えた 2 つのレコードを含む単一の例を追加します。この文書を再度抽出処理すると、意図した通りの書式が復元されます。

result = requests.post(

f"{url}/extract",

data={"extractor_id": extractor["uuid"], "model_name": "gpt-3.5-turbo"},

files={"file": pdf_bytes},

headers=headers,

)

result.json()

すると、以下のような結果が得られます。

調整済み EBITDA は 13 億ドル、GAAP 営業利益は 6.52 億ドルとなりました。これは、堅調な売上高の推移とコスト管理への継続的な取り組みが実を結んだ結果です。

総受注高（グロス・ブッキング）は、定常為替ベースで前年比 21% 増（輸送費を除くと 23%）と加速し、376 億ドルに達しました。売上高も同様に、定常為替ベースで前年比 13% 成長し、99 億ドルとなりました。

今後の見通しとして、調整済み EBITDA は 12.6 億ドルから 13.4 億ドルの間になると予想しています。

LangServe クライアント

最後に補足ですが、コアとなる抽出ロジックを LangServe でホストしているおかげで、RemoteRunnable インターフェース経由でアクセスし、より大規模なチェーンやエージェントワークフローに組み込むことが可能です。

このランナブルは、通常の呼び出し方と同じように使用できます：

from langserve import RemoteRunnable

runnable = RemoteRunnable(f"{url}/extract_text/")

response = runnable.invoke(

{

"text": "Our 2023 revenue was $100.",

"schema": FinancialData.schema(),

}

)

print(response)

実行すると、以下のような結果が得られます：

{'data': [{'name': 'revenue',

'value': 100,

'scale': '$',

'period_start': '2023-01-01',

'period_duration': 12,

'evidence': 'Our 2023 revenue was $100.'}]}

あるいは、以下のように検索シナリオに組み込むこともできます。ここでは入力に対して直接抽出を行うのではなく、まず文書群をインデックス化し、入力を検索クエリとして扱います。

"rev" で検索すると、収益（revenue）に関する文書が取得され、その文書内でのみ抽出処理が行われるようになります：

from operator import itemgetter

from langchain_community.vectorstores import FAISS

from langchain_core.runnables import RunnablePassthrough

from langchain_openai import OpenAIEmbeddings

doc_contents = ["Our 2023 revenue was $100", "Our Q1 profit was $10 in 2023."]

vectorstore = FAISS.from_texts(doc_contents, embedding=OpenAIEmbeddings())

retriever = vectorstore.as_retriever()

larger_runnable = (

{

"text": itemgetter("text") | retriever | (lambda docs: docs[0].page_content), # fetch content of top doc,

"schema": itemgetter("schema"),

}

| runnable

)

larger_runnable.invoke({"text": "rev", "schema": FinancialData.schema()})

Which yields:

{'data': [{'name': 'revenue',

'value': 100,

'scale': '$',

'period_start': '2023-01-01',

'period_duration': 12,

'evidence': 'Our 2023 revenue was $100'}]}

We are excited to see what extraction workflows you build, and welcome both feedback on and contributions to LangChain's extraction capabilities!

Related content

Deep Agents

Agent Architecture

Open Source

How to Use RLMs in Deep Agents

Sydney Runkle

July 1, 2026

8

min

エージェントアーキテクチャ

Deep Agents

オープンソース

サンドボックスなしで信頼できないエージェントコードを実行する

ハンター・ロヴェル

2026 年 6 月 30 日

6 分

オープンソース

Deep Agents

エージェントアーキテクチャ

Deep Agents に動的サブエージェントを導入

S. ランクル、

C. フランシス、

H. ロヴェル

2026 年 6 月 29 日

9 分

エージェントの実際の動作を確認する

エージェントエンジニアリングプラットフォーム「LangSmith」を使えば、開発者はすべてのエージェントの判断をデバッグし、変更の評価を行い、ワンクリックでデプロイできます。