Fügen Sie ein beliebiges JSON-Datenbeispiel ein und lassen Sie die KI ein vollständig typisiertes Anreicherungs-Schema generieren – komplett mit Fachbereichen, Suchschlüsseln, mehrsprachiger Felderkennung und Validierungsregeln. Der Generierungsprozess umfasst bis zu 6 Selbstkorrekturversuche und stellt sicher, dass das Schema gültig ist, bevor Sie es überhaupt sehen.
Beispiel-JSON einfügen
Ein beliebiges JSON-Objekt oder -Array, das Ihre Entitätsdaten darstellt
KI generiert Schema
Das LLM analysiert Datentypen, Verschachtelung, Benennungsmuster und Fachwissen der Expertisebereiche
8-Regel-Validierung
Schlägt die Validierung fehl, werden die Fehler zur Selbstkorrektur an das LLM zurückgesendet (bis zu 6 erneute Versuche)
Nachbearbeitung
Nullable-Erkennung, Herabstufung von Suchschlüsseln, Sammlung von Expertise-Domänen
Validiertes Anreicherungsschema
Bereit für die Anreicherung mit typisierten Eigenschaften, Fachbereichen und Suchschlüsseln
LLMs erzeugen gelegentlich Schemas mit strukturellen Problemen – eine Typabweichung zwischen Schema und Eingabedaten, ein $ref, der auf eine nicht existierende Definition verweist, oder zu viele Expertisebereiche. Entity Enricher nutzt den ModelRetry-Mechanismus von Pydantic-AI, um diese Probleme zu erkennen und sie dem LLM zur Korrektur innerhalb desselben Generierungslaufs zurückzumelden.
Dies geschieht transparent. Das System validiert die LLM-Ausgabe anhand von 8 Regeln, und wenn eine Regel fehlschlägt, werden die spezifischen Fehler mit der Anweisung, sie zu beheben, an das Modell zurückgesendet. Diese Wiederholungsschleife läuft bis zu 6 Mal und erzielt eine nahezu 100 % gültige Schema-Ausgabe ohne manuellen Eingriff.
Die Typen der Schemaeigenschaften müssen den beobachteten Datentypen aus dem Eingabe-JSON entsprechen.
Alle $ref-Verweise müssen auf Entitäten verweisen, die im Abschnitt $defs definiert sind.
Jede Eigenschaft muss zu einer gültigen Expertise-Domäne gehören.
Die Gesamtzahl der Fachgebiete muss innerhalb konfigurierbarer Grenzen bleiben.
Suchschlüssel müssen auf vorhandene Eigenschaften mit nicht-leeren Werten verweisen.
Eigenschaftsnamen müssen der snake_case-Konvention folgen.
Die Verschachtelungstiefe muss innerhalb der Grenzen bleiben (Standard 10 Ebenen).
Pflichtfelder, Min-/Max-Werte und Enum-Einschränkungen werden validiert.
Nachdem das LLM das Schema generiert und selbst korrigiert hat, werden zusätzliche datengesteuerte Transformationen angewendet:
Wenn die Eingabedaten für ein Feld Null-Werte enthalten, wird die Schema-Eigenschaft automatisch als nullbar markiert. Dadurch können LLMs für Felder, in denen keine Daten verfügbar sind, null zurückgeben, anstatt halluzinierte Werte zu erzwingen.
Bei Feldern, die als Suchschlüssel markiert sind, aber leere Werte in den Eingabedaten haben, wird die Suchschlüssel-Markierung entfernt. Das verhindert, dass leere Suchschlüssel den Fokus des Anreicherungs-Prompts verwässern.
Alle Fachdomänen werden aus verschachtelten Eigenschaften in einer Liste auf oberster Ebene zusammengeführt, sodass Sie die Domänenabdeckung Ihres Schemas auf einen Blick erkennen können.
Nach dem Generieren eines Schemas können Sie es mit Anweisungen in natürlicher Sprache ändern. Geben Sie etwas ein wie "eine parent_company-Referenz mit name und ownership_percentage hinzufügen", und die KI wendet die strukturelle Änderung an, wobei alle Validierungsregeln und Expertise-Zuweisungen erhalten bleiben.
Jede KI-Bearbeitung erzeugt zudem 5 Verbesserungsvorschläge -- etwa das Ergänzen fehlender Felder, das Verbessern von Beschreibungen oder das Neuordnen von Fachdomänen. Sie können diese Vorschläge mit einem einzigen Klick anwenden.
Für direkte Kontrolle bietet der visuelle Schema-Editor Drag-and-Drop-Sortierung von Eigenschaften, Inline-Feldbearbeitung, Tastaturnavigation und volle Undo/Redo-Unterstützung. Details finden Sie in der Dokumentation zum Schema-Editor.
Entity Enricher erzeugt nicht nur ein JSON-Schema-Dokument -- es wandelt Ihr Schema zur Laufzeit in ein dynamisches Pydantic-Modell um. Dieses Modell dient dann als strukturierter Ausgabetyp für Pydantic-AI-Agenten, sodass die LLM-Ausgabe auf Typebene gegen Ihr Schema validiert wird. Ungültige Ausgaben lösen automatische Wiederholungsversuche aus.
Dieser Ansatz kombiniert die Flexibilität benutzerdefinierter Schemas mit der Typsicherheit kompilierter Modelle. Sie erhalten das Beste aus beiden Welten: Definieren Sie jede beliebige Form, und das System setzt sie automatisch durch.
Fügen Sie ein JSON-Beispiel ein, wählen Sie ein Modell und erhalten Sie in Sekunden ein validiertes Anreicherungs-Schema. Verfeinern Sie es anschließend mit natürlicher Sprache oder dem visuellen Editor.
Kostenlos starten