在人工智能领域信息抽取Information Extraction, IE旨在从非结构化文本中提取结构化信息涵盖命名实体识别NER、关系抽取RE、事件抽取EE等核心任务。传统IE方法依赖定制化模型与复杂特征工程而基于大语言模型LLM的生成式信息抽取范式正以统一建模、少/零样本学习、跨域泛化三大优势重塑技术格局为信息抽取带来革命性突破。一、统一建模多任务的一体化表征传统IE任务NER、RE、EE往往采用独立模型或模块链需针对不同任务设计专属特征与训练流程导致系统复杂度高、复用性差。而生成式LLM通过文本生成范式统一表征所有IE任务——无论是识别实体、抽取关系还是解析事件均可转化为“从输入文本生成结构化输出文本”的过程。例如NER可视为“生成实体类型实体文本”的序列RE则是“生成主体关系客体”的三元组EE表现为“生成事件类型触发词参与实体时间/地点”的结构化描述。这种统一建模方式大幅简化了任务架构让开发者可通过一套模型框架覆盖多类IE需求显著提升开发效率与模型复用率。二、少/零样本能力低资源场景的高效适配传统IE模型依赖大规模标注数据训练在数据稀缺的新领域如垂直行业文本、小众语言文本中表现受限。LLM的生成式信息抽取通过Prompt工程提示学习与微调Fine-tuning实现了少样本甚至零样本下的任务适配零样本场景仅需设计精准的Prompt如“从文本中提取所有人物-职业关系格式为人物职业”LLM即可基于预训练知识直接生成结构化输出无需任务专属标注数据少样本场景提供少量示例如3-5组“输入文本期望输出”对LLM能快速学习任务模式在医疗、金融等专业领域的小样本数据中展现出强大泛化力。这种能力极大降低了IE在垂直领域的落地门槛让缺乏大规模标注数据的行业也能快速部署信息抽取系统。三、跨域泛化新领域与新类型的弹性扩展现实场景中文本的领域如从新闻切换到法律文书、类型如从短文本切换到长文档变化频繁传统IE模型需重新训练或微调才能适配。LLM的生成式方法依托大规模预训练的知识覆盖与语言理解能力对新领域、新类型的文本具备更强泛化性领域迁移时只需在Prompt中补充领域相关描述如“以下是法律文书提取被告-判决结果关系”LLM即可借助预训练的通用知识与领域提示快速适配新场景类型变化时通过指令调整输出格式如从“提取事件”改为“提取事件的时间与地点”LLM能灵活切换任务类型无需修改模型结构。此外LLM的数据增强Data Aug能力如生成多样化训练示例进一步强化了跨域鲁棒性让信息抽取系统在开放环境下更稳定可靠。四、实践路径从LLM到结构化输出的全流程生成式信息抽取的实践需整合Prompt设计、模型微调、数据增强等技术与任务专用框架、通用框架的选择Prompt与微调策略根据任务复杂度选择Prompt模板如“指令输入文本输出格式”或轻量级微调如LoRA低秩适配平衡效果与成本数据增强通过生成式方法扩充训练数据如为NER任务生成虚构但合理的实体示例提升模型鲁棒性框架选择若追求任务极致优化可采用任务专用框架如针对RE定制的关系抽取生成器若需多任务统一管理通用框架如适配多IE任务的LLM中间件更高效最终输出结构化数据如JSON、三元组列表。