توفّر Entity Enricher ثلاث استراتيجيات إثراء تتحكم في كيفية تنسيق استدعاءات LLM. ويؤثر اختيار الاستراتيجية المناسبة في الدقة والسرعة والتكلفة — وغالبًا لن تختار بنفسك: فالوضع الافتراضي هو الاختيار التلقائي بحسب شكل مخططك.
من أبسط تهيئة إلى أقواها. كل واحدة تبني على سابقتها.
نموذج واحد، استدعاء واحد. يُرسل المخطط بأكمله في مطالبة واحدة. سريع وزهيد التكلفة — مثالي للمخططات البسيطة أو التكرار السريع.
Aspirin
أي كيان: شركة، دواء، قضية قانونية، ورقة بحثية...
استخدم أي مزوّد LLM بمفتاح API الخاص بك.
المخطط الكامل في استدعاء واحد — إعادة محاولة تلقائية عند فشل التحقق.
Aspirin
الاستراتيجية نفسها، لكن تُشغَّل عبر عدة نماذج بالتوازي. تُقارن النتائج ويُحكَّم فيها حقلًا بحقل لإنتاج مخرَج واحد عالي الثقة.
Aspirin
أي كيان: شركة، دواء، قضية قانونية، ورقة بحثية...
تطابق — Pharmaceutical Compound
يكتشف عدم تطابق الأنواع قبل هدر أرصدة LLM.
أحضِر مفاتيح API الخاصة بك — يعمل مع أي مزوّد LLM.
المخطط الكامل في استدعاء واحد — إعادة محاولة تلقائية عند فشل التحقق.
Aspirin
تمّ التحكيمينتج الحل المنطقي للتعارضات على مستوى الحقول النتيجة النهائية الموثوقة.
يُقسَّم المخطط حسب مجال الخبرة. يتلقّى كل نموذج مُوجّهات فرعية مُركّزة لكل مجال. تُدمج النتائج دمجًا عميقًا لكل نموذج، ثم يجري التحكيم بين النماذج. أقصى دقة للمخططات المُعقّدة متعددة المجالات.
Aspirin
أي كيان: شركة، دواء، قضية قانونية، ورقة بحثية...
تطابق — Pharmaceutical Compound
يكتشف عدم تطابق الأنواع قبل هدر أرصدة LLM.
أحضِر مفاتيح API الخاصة بك — يعمل مع أي مزوّد LLM.
المخطط مُقسَّم حسب المجال — تعيد المُوجّهات ذاتية التصحيح المحاولة عند فشل التحقق.
دمج عميق لاستجابات مجال الخبرة لكل نموذج.
Aspirin
تمّ التحكيمينتج الحل المنطقي للتعارضات على مستوى الحقول النتيجة النهائية الموثوقة.
ترك الاستراتيجية غير محددة — وهو الوضع الافتراضي في كل مكان، بما في ذلك API والموصّلات — يجعلها تُحسم انطلاقًا من شكل مخططك قبل تشغيل أي شيء. والقاعدة حتمية، لذا يحصل المخطط نفسه دائمًا على الاستراتيجية نفسها، ويبلّغ التشغيل عن الاستراتيجية التي وقع عليها الاختيار.
مجالات الخبراء تتطلب استدعاء الأدوات. تعمل هذه الاستراتيجية بالتصريح عن دالة إرسال واحدة لكل مجال خبرة، لذا يُرفض أي نموذج لا يدعم استدعاء الأدوات برسالة خطأ صريحة قبل إنفاق أي رموز، بدلًا من التدهور الصامت.
| الجانب | تمريرة واحدة | مجالات الخبرة | خبرات متعددة |
|---|---|---|---|
| استدعاءات LLM | واحد لكل نموذج | محادثة واحدة لكل نموذج (طلبان على الأقل) | N لكل نموذج (1 لكل مجال خبرة) |
| تم إرسال المخطط | المخطط الكامل في موجّه واحد | المخطط الكامل داخل الموجّه، مع أداة إرسال واحدة لكل مجال تكون وسائطها المجموعة الفرعية الخاصة بذلك المجال | مجموعة فرعية لكل مجال خبرة |
| التنفيذ | تسلسلي (استدعاء واحد) | توليد واحد، مع معالجة استدعاءات الأدوات فور ورودها | متوازٍ (تعمل جميع مجالات الخبرة في آنٍ واحد) |
| الدقة | مناسب للمخططات البسيطة | أفضل من التمرير الواحد — يُتحقَّق من كل مجال على مجموعته الفرعية الخاصة | أعلى — المطالبات المركّزة تعطي نتائج أفضل |
| السرعة | أسرع مع المخططات الصغيرة | قريب من التمرير الواحد | قد يكون التنفيذ المتوازي أسرع للمخططات الكبيرة |
| التكلفة | أقل (تكلفة استدعاء واحد) | قريب من التمرير الواحد تقريبًا — يُرسَل المخطط مرة واحدة | أعلى (استدعاءات متعددة مع عبء إضافي لكل استدعاء) |
| البث | نتيجة الكل أو لا شيء | تدريجي — حدث واحد لكل مجال خبرة مُرسَل | تدريجي — تتدفق النتائج مع اكتمال كل مجال خبرة |
| نجاح جزئي | لا — ينجح الاستدعاء بأكمله أو يفشل | جزئيًا — تُحفظ المجالات المُرسلة قبل حدوث الإخفاق | نعم — تُحفَظ الخبرات الناجحة، ويمكن إعادة محاولة الخبرات الفاشلة |
تتّبع استراتيجية الخبرات المتعدّدة عمليةً من أربع خطوات لكل نموذج:
يُجتاز المخطط بشكل تكراري. تُجمَّع كل خاصية تحمل وسم مجال خبرة مع الخصائص الأخرى التي تشترك في المجال نفسه. على سبيل المثال، تذهب revenue وmarket_cap إلى المجموعة «المالية»، بينما تذهب gmp_status إلى «التنظيمية».
تصبح كل مجموعة خبرة مخططاً فرعياً مبسّطاً يحتوي على خصائصها فقط. وهذا يعني أن الـ LLM يتلقّى موجّهاً أصغر وأكثر تركيزاً ولا يحتاج إلا إلى ملء الحقول التي يتخصّص فيها.
تُنفَّذ جميع استدعاءات الخبرة بالتوازي. فالمخطط الذي يحتوي على 5 مجالات خبرة سيطلق 5 استدعاءات LLM في الوقت نفسه. ومع اكتمال كل استدعاء، تُدمَج نتائجه دمجًا عميقًا في المخرجات المتراكمة وتُبَثّ إلى الواجهة في الوقت الفعلي.
إذا فشلت بعض مجالات الخبرة، يُرجِع النظام المخرجات المدمجة من الناجحة منها بحالة "جزئي". يمكنك إعادة محاولة مجالات الخبرة الفاشلة فقط، وستُدمَج النتائج الجديدة في المخرجات الحالية دون تكرار العمل الذي نجح بالفعل.
يمكن دمج كلتا الاستراتيجيتين مع الإثراء متعدد النماذج. عند تحديد نماذج متعددة، يشغّل كل نموذج الاستراتيجية المختارة بشكل مستقل. ثم يمكن دمج النتائج باستخدام الدمج متعدد النماذج لإنتاج مخرجات واحدة عالية الثقة.