Entity Enricher ofrece dos estrategias de enriquecimiento que controlan cómo se orquestan las llamadas al LLM. Elegir la estrategia adecuada afecta a la precisión, la velocidad y el coste.
Desde la configuración más simple hasta la más potente. Cada una se basa en la anterior.
Un modelo, una llamada. Todo el esquema se envía en un único prompt. Rápido y económico: ideal para esquemas sencillos o iteración rápida.
Aspirin
Cualquier entidad: empresa, fármaco, caso legal, artículo de investigación...
Utilice cualquier proveedor LLM con su propia API key.
Esquema completo en una sola llamada: reintenta automáticamente si falla la validación.
Aspirin
La misma estrategia, pero ejecutada en varios modelos en paralelo. Los resultados se comparan y arbitran campo por campo para producir una única salida de alta confianza.
Aspirin
Cualquier entidad: empresa, fármaco, caso legal, artículo de investigación...
Coincidencia — Pharmaceutical Compound
Detecta incompatibilidades de tipos antes de desperdiciar créditos de LLM.
Use sus propias claves de API: funciona con cualquier proveedor de LLM.
Esquema completo en una sola llamada: reintenta automáticamente si falla la validación.
Aspirin
ArbitradoLa resolución razonada de conflictos a nivel de campo produce el resultado final de confianza.
El esquema se divide por dominio de especialización. Cada modelo recibe subprompts enfocados para cada dominio. Los resultados se combinan en profundidad por modelo y luego se arbitran entre modelos. Máxima precisión para esquemas complejos y multidominio.
Aspirin
Cualquier entidad: empresa, fármaco, caso legal, artículo de investigación...
Coincidencia — Pharmaceutical Compound
Detecta incompatibilidades de tipos antes de desperdiciar créditos de LLM.
Use sus propias claves de API: funciona con cualquier proveedor de LLM.
Esquema dividido por dominio: los prompts con autocorrección se reintentan cuando falla la validación.
Fusión profunda de las respuestas del dominio de especialización por modelo.
Aspirin
ArbitradoLa resolución razonada de conflictos a nivel de campo produce el resultado final de confianza.
| Aspecto | Pasada única | Multiespecialización |
|---|---|---|
| Llamadas al LLM | 1 por modelo | N por modelo (1 por dominio de especialización) |
| Esquema enviado | Esquema completo en un solo prompt | Subconjunto por dominio de especialización |
| Ejecución | Secuencial (una llamada) | Paralelo (todos los dominios de experiencia se ejecutan simultáneamente) |
| Precisión | Adecuado para schemas simples | Mayor: los prompts enfocados producen mejores resultados |
| Velocidad | Más rápido para esquemas pequeños | La ejecución en paralelo puede ser más rápida para esquemas grandes |
| Costo | Menor (sobrecarga de una sola llamada) | Mayor (múltiples llamadas con sobrecarga por llamada) |
| Streaming | Resultado de todo o nada | Progresivo — los resultados se transmiten a medida que se completa cada experiencia |
| Éxito parcial | No: la llamada completa se realiza correctamente o falla | Sí: las expertises exitosas se conservan y las fallidas se pueden reintentar |
La estrategia multiexperiencia sigue un proceso de cuatro pasos para cada modelo:
El esquema se recorre de forma recursiva. Cada propiedad con una etiqueta de dominio de especialización se agrupa con otras que comparten el mismo dominio. Por ejemplo, revenue y market_cap van al grupo «financiero», mientras que gmp_status va a «regulatorio».
Cada grupo de especialización se convierte en un subesquema mínimo que contiene solo sus propiedades. Esto significa que el LLM recibe un prompt más pequeño y enfocado, y solo necesita rellenar los campos en los que se especializa.
Todas las llamadas de especialización se ejecutan de forma simultánea. Un esquema con 5 dominios de especialización lanzará 5 llamadas al LLM al mismo tiempo. A medida que cada una finaliza, sus resultados se combinan en profundidad con la salida acumulada y se transmiten a la interfaz en tiempo real.
Si algunas especializaciones fallan, el sistema devuelve la salida combinada de las exitosas con un estado «Parcial». Puede reintentar solo las especializaciones fallidas, y los nuevos resultados se combinarán con la salida existente sin repetir el trabajo que ya tuvo éxito.
Ambas estrategias pueden combinarse con el enriquecimiento multimodelo. Cuando selecciona varios modelos, cada modelo ejecuta la estrategia elegida de forma independiente. Los resultados pueden luego fusionarse mediante la fusión multimodelo para producir una única salida de alta confianza.