الصق أي عيّنة بيانات JSON ودع الذكاء الاصطناعي يُنشئ مخطط إثراء مُنمّطًا بالكامل — مكتملاً بمجالات الخبرة، ومفاتيح البحث، واكتشاف الحقول متعددة اللغات، وقواعد التحقق. تتضمن عملية الإنشاء ما يصل إلى 6 محاولات للتصحيح الذاتي، لضمان صحة المخطط قبل أن تراه.
الصق عيّنة JSON
أي كائن أو مصفوفة JSON يمثّل بيانات الكيان الخاصة بك
الذكاء الاصطناعي يُولّد المخطط
يحلّل LLM أنواع البيانات والتداخل وأنماط التسمية ومجال الخبرة
تحقق من 8 قواعد
في حال فشل التحقق، تُعاد الأخطاء إلى LLM للتصحيح الذاتي (حتى 6 محاولات إعادة)
المعالجة اللاحقة
كشف القابلية للإبطال، وخفض مفتاح البحث، وجمع مجال الخبرة
مخطط الإثراء المُتحقق منه
جاهز للإثراء بخصائص مُصنّفة النوع ومجالات خبرة ومفاتيح بحث
تُنتج نماذج LLM أحياناً مخططات schema بها مشكلات بنيوية — عدم تطابق في النوع بين الـ schema وبيانات الإدخال، أو $ref يشير إلى تعريف غير موجود، أو عدد مفرط من مجالات الخبرة. يستخدم Entity Enricher آلية ModelRetry من Pydantic-AI لاكتشاف هذه المشكلات وإعادتها إلى LLM لتصحيحها ضمن نفس دورة التوليد.
يحدث هذا بشفافية. يتحقق النظام من مُخرَجات LLM مقابل 8 قواعد، وإذا فشلت أي قاعدة، تُعاد الأخطاء المحددة إلى النموذج مع تعليمات لإصلاحها. تعمل حلقة إعادة المحاولة هذه حتى 6 مرات، محقّقةً مُخرَجات مخطط صالحة بنسبة تقارب 100% دون تدخل يدوي.
يجب أن تتطابق أنواع خصائص المخطط مع أنواع البيانات المرصودة من JSON المُدخل.
يجب أن تشير جميع مؤشرات $ref إلى كيانات مُعرَّفة في قسم $defs.
يجب أن تنتمي كل خاصية إلى مجال خبرة صالح.
يجب أن يبقى إجمالي مجالات الخبرة ضمن الحدود القابلة للتهيئة.
يجب أن تشير مفاتيح البحث إلى خصائص موجودة ذات قيم غير فارغة.
يجب أن تتبع أسماء الخصائص اصطلاح snake_case.
يجب أن يبقى عمق التداخل ضمن الحدود (10 مستويات افتراضيًا).
يتم التحقق من الحقول المطلوبة والقيم الدنيا/القصوى وقيود التعداد.
بعد أن يولّد LLM المخطط ويصحّحه ذاتيًا، تُطبَّق تحويلات إضافية مدفوعة بالبيانات:
إذا كانت بيانات المدخلات تحتوي على قيم فارغة (null) لحقل ما، تُوسَم خاصية المخطط تلقائيًا بأنها قابلة للإفراغ. يتيح ذلك لنماذج LLM إرجاع null للحقول التي تكون بياناتها غير متوفرة، بدلًا من فرض قيم مُهلوَسة.
الحقول المُعلَّمة كمفاتيح بحث لكن بقيم فارغة في بيانات الإدخال تُزال منها علامة مفتاح البحث. يمنع ذلك مفاتيح البحث الفارغة من تشتيت تركيز مُوجّه الإثراء.
تُجمَع جميع مجالات الخبرة من الخصائص المتداخلة في قائمة على المستوى الأعلى، مما يسهّل رؤية تغطية المجالات في مخططك بلمحة واحدة.
بعد توليد مخطط، يمكنك تعديله باستخدام تعليمات بلغة طبيعية. اكتب شيئًا مثل "أضف مرجع parent_company مع name وownership_percentage" فيطبّق الذكاء الاصطناعي التغيير البنيوي مع الحفاظ على جميع قواعد التحقق وتعيينات مجال الخبرة.
كما ينتج كل تعديل بالذكاء الاصطناعي 5 اقتراحات للتحسين — أمور مثل إضافة الحقول الناقصة، أو تحسين الأوصاف، أو إعادة تنظيم مجالات الخبرة. ويمكنك تطبيق هذه الاقتراحات بنقرة واحدة.
للتحكم المباشر، يوفّر محرر المخطط المرئي ترتيب الخصائص بالسحب والإفلات، وتحرير الحقول المضمّن، والتنقل عبر لوحة المفاتيح، ودعماً كاملاً للتراجع والإعادة. راجع وثائق محرر المخطط للمزيد من التفاصيل.
لا يكتفي Entity Enricher بإنشاء مستند مخطط JSON فحسب — بل يحوّل مخططك إلى نموذج Pydantic ديناميكي في وقت التشغيل. ويُستخدم هذا النموذج بعد ذلك كنوع الإخراج المنظّم لوكلاء Pydantic-AI، ما يعني التحقق من صحة إخراج LLM مقابل مخططك على مستوى النوع. وتؤدي المخرجات غير الصالحة إلى إعادة محاولات تلقائية.
يجمع هذا النهج بين مرونة المخططات المُعرَّفة من المستخدم وأمان الأنواع في النماذج المُترجَمة. تحصل على أفضل ما في العالمَين: عرّف أي شكل تريده، ويفرضه النظام تلقائيًا.
الصق عيّنة JSON، واختر نموذجًا، واحصل على مخطط إثراء مُتحقَّق منه في ثوانٍ. ثم نقّحه باستخدام اللغة الطبيعية أو المحرّر المرئي.
ابدأ مجانًا