Entity Enricher bietet zwei Anreicherungsstrategien, die steuern, wie LLM-Aufrufe orchestriert werden. Die Wahl der richtigen Strategie wirkt sich auf Genauigkeit, Geschwindigkeit und Kosten aus.
Von der einfachsten bis zur leistungsstärksten Konfiguration. Jede baut auf der vorherigen auf.
Ein Modell, ein Aufruf. Das gesamte Schema wird in einem einzigen Prompt gesendet. Schnell und günstig – ideal für einfache Schemas oder schnelles Iterieren.
Aspirin
Beliebige Entität: Unternehmen, Medikament, Rechtsfall, Forschungsarbeit …
Nutzen Sie jeden LLM-Provider mit Ihrem eigenen API-Schlüssel.
Vollständiges Schema in einem Aufruf – automatische Wiederholung bei Validierungsfehler.
Aspirin
Dieselbe Strategie, aber parallel über mehrere Modelle ausgeführt. Die Ergebnisse werden Feld für Feld verglichen und arbitriert, um eine einzige Ausgabe mit hoher Konfidenz zu erzeugen.
Aspirin
Beliebige Entität: Unternehmen, Medikament, Rechtsfall, Forschungsarbeit …
Abgleich — Pharmaceutical Compound
Erkennt Typkonflikte, bevor LLM-Credits verschwendet werden.
Bringen Sie Ihre eigenen API-Schlüssel mit — funktioniert mit jedem LLM-Provider.
Vollständiges Schema in einem Aufruf – automatische Wiederholung bei Validierungsfehler.
Aspirin
ArbitriertEine begründete Konfliktlösung auf Feldebene erzeugt das endgültige, vertrauenswürdige Ergebnis.
Das Schema wird nach Fachbereich aufgeteilt. Jedes Modell erhält fokussierte Sub-Prompts für jeden Bereich. Die Ergebnisse werden pro Modell tief zusammengeführt (deep-merged) und anschließend über die Modelle hinweg arbitriert. Maximale Genauigkeit für komplexe Schemas mit mehreren Fachbereichen.
Aspirin
Beliebige Entität: Unternehmen, Medikament, Rechtsfall, Forschungsarbeit …
Abgleich — Pharmaceutical Compound
Erkennt Typkonflikte, bevor LLM-Credits verschwendet werden.
Bringen Sie Ihre eigenen API-Schlüssel mit — funktioniert mit jedem LLM-Provider.
Schema nach Fachbereich aufgeteilt – selbstkorrigierende Prompts wiederholen bei Validierungsfehler.
Deep Merge der Fachgebiet-Antworten pro Modell.
Aspirin
ArbitriertEine begründete Konfliktlösung auf Feldebene erzeugt das endgültige, vertrauenswürdige Ergebnis.
| Aspekt | Einzeldurchlauf | Multi-Expertise |
|---|---|---|
| LLM-Aufrufe | 1 pro Modell | N pro Modell (1 pro Fachbereich) |
| Schema gesendet | Vollständiges Schema in einem Prompt | Teilmenge pro Fachgebiet |
| Ausführung | Sequenziell (ein Aufruf) | Parallel (alle Expertisen laufen gleichzeitig) |
| Genauigkeit | Gut für einfache Schemas | Höher – fokussierte Prompts liefern bessere Ergebnisse |
| Geschwindigkeit | Schneller bei kleinen Schemas | Parallele Ausführung kann bei großen Schemas schneller sein |
| Kosten | Geringer (Overhead eines einzelnen Aufrufs) | Höher (mehrere Aufrufe mit Overhead pro Aufruf) |
| Streaming | Alles-oder-nichts-Ergebnis | Progressiv – Ergebnisse werden übertragen, sobald jeder Fachbereich abgeschlossen ist |
| Teilweiser Erfolg | Nein – der gesamte Aufruf gelingt oder schlägt fehl | Ja – erfolgreiche Expertisen bleiben erhalten, fehlgeschlagene können wiederholt werden |
Die Multi-Fachbereich-Strategie folgt für jedes Modell einem vierstufigen Prozess:
Das Schema wird rekursiv durchlaufen. Jede Property mit einem Fachbereichs-Tag wird mit anderen desselben Bereichs gruppiert. Zum Beispiel gehen revenue und market_cap in die Gruppe „financial“, während gmp_status in „regulatory“ geht.
Jede Expertise-Gruppe wird zu einem minimalen Sub-Schema, das nur ihre Eigenschaften enthält. Das bedeutet, dass das LLM einen kleineren, fokussierteren Prompt erhält und nur die Felder ausfüllen muss, auf die es spezialisiert ist.
Alle Expertise-Aufrufe laufen gleichzeitig. Ein Schema mit 5 Expertise-Domänen startet 5 LLM-Aufrufe zur selben Zeit. Sobald einer abgeschlossen ist, werden seine Ergebnisse tief in die akkumulierte Ausgabe eingefügt und in Echtzeit an die UI gestreamt.
Wenn einige Expertisen fehlschlagen, gibt das System die zusammengeführte Ausgabe der erfolgreichen mit dem Status „Teilweise“ zurück. Sie können nur die fehlgeschlagenen Expertisen erneut ausführen, und die neuen Ergebnisse werden in die bestehende Ausgabe eingefügt, ohne die bereits erfolgreiche Arbeit zu wiederholen.
Beide Strategien lassen sich mit der Multi-Modell-Anreicherung kombinieren. Wenn Sie mehrere Modelle auswählen, führt jedes Modell die gewählte Strategie unabhängig aus. Die Ergebnisse können anschließend über die Multi-Modell-Fusion zusammengeführt werden, um eine einzelne Ausgabe mit hoher Zuverlässigkeit zu erzeugen.