Los modelos de lenguaje grandes (LLMs) enfrentan dificultades para aprovechar las estructuras sintácticas y las relaciones de entidades incrustadas en el texto para la extracción de información de documentos largos. Para abordar este problema, este artículo propone un método de extracción generativa que integra la conciencia de topología heterogénea y la alineación espacial. El método primero extrae información sintáctica y de correferencia para construir un gráfico de documentos heterogéneo y emplea una red de mezcla de expertos para desacoplar y codificar características topológicas de múltiples tipos. Luego, se utiliza un mecanismo de proyección ortogonal de componentes y una estrategia de aprendizaje contrastivo gráfico-texto para alinear las características gráficas extraídas al espacio semántico subyacente del modelo de lenguaje con alta fidelidad. Además, el Codificador Consciente de Topología comprime las características globales en indicaciones estructurales de longitud fija para guiar la generación de texto. Los experimentos en los conjuntos de datos ACE2005, WikiEvents y DuEE demostraron que el método propuesto logró un rendimiento de vanguardia en tareas de extracción de información. En consecuencia, estos resultados sugieren que el marco propuesto es un enfoque prometedor para la extracción de información compleja a través de LLMs base de diferentes escalas.