Entity Enricher propose deux stratégies d'enrichissement qui contrôlent l'orchestration des appels LLM. Le choix de la bonne stratégie influe sur la précision, la vitesse et le coût.
De la configuration la plus simple à la plus puissante. Chacune s'appuie sur la précédente.
Un modèle, un appel. L'intégralité du schéma est envoyée dans un seul prompt. Rapide et économique — idéal pour les schémas simples ou l'itération rapide.
Aspirin
Toute entité : entreprise, médicament, affaire juridique, article de recherche...
Utilisez n'importe quel fournisseur LLM avec votre propre clé API.
Schéma complet en un seul appel — nouvelles tentatives automatiques en cas d'échec de validation.
Aspirin
Même stratégie, mais exécutée sur plusieurs modèles en parallèle. Les résultats sont comparés et arbitrés champ par champ pour produire un résultat unique à haute confiance.
Aspirin
Toute entité : entreprise, médicament, affaire juridique, article de recherche...
Correspondance — Pharmaceutical Compound
Détecte les incompatibilités de type avant de gaspiller des crédits LLM.
Apportez vos propres clés API — compatible avec tous les fournisseurs LLM.
Schéma complet en un seul appel — nouvelles tentatives automatiques en cas d'échec de validation.
Aspirin
ArbitréUne résolution raisonnée des conflits au niveau des champs produit le résultat final fiable.
Le schéma est découpé par domaine d'expertise. Chaque modèle reçoit des sous-prompts ciblés pour chaque domaine. Les résultats sont fusionnés en profondeur par modèle, puis arbitrés entre les modèles. Précision maximale pour les schémas complexes multi-domaines.
Aspirin
Toute entité : entreprise, médicament, affaire juridique, article de recherche...
Correspondance — Pharmaceutical Compound
Détecte les incompatibilités de type avant de gaspiller des crédits LLM.
Apportez vos propres clés API — compatible avec tous les fournisseurs LLM.
Schéma découpé par domaine — les prompts auto-correcteurs réessaient en cas d'échec de validation.
Fusion profonde des réponses d'expertise par modèle.
Aspirin
ArbitréUne résolution raisonnée des conflits au niveau des champs produit le résultat final fiable.
| Aspect | Passe unique | Multi-expertise |
|---|---|---|
| Appels LLM | 1 par modèle | N par modèle (1 par domaine d'expertise) |
| Schéma envoyé | Schéma complet en un seul prompt | Sous-ensemble par domaine d'expertise |
| Exécution | Séquentiel (un seul appel) | Parallèle (toutes les expertises s'exécutent simultanément) |
| Exactitude | Adapté aux schémas simples | Plus élevé — des prompts ciblés donnent de meilleurs résultats |
| Vitesse | Plus rapide pour les petits schémas | L'exécution parallèle peut être plus rapide pour les grands schémas |
| Coût | Plus faible (surcoût d'un seul appel) | Plus élevé (appels multiples avec surcoût par appel) |
| Streaming | Résultat tout ou rien | Progressif — les résultats arrivent en continu à mesure que chaque expertise se termine |
| Succès partiel | Non — l'appel entier réussit ou échoue | Oui — les expertises réussies sont conservées, les expertises en échec peuvent être relancées |
La stratégie multi-expertise suit un processus en quatre étapes pour chaque modèle :
Le schéma est parcouru récursivement. Chaque propriété portant une étiquette de domaine d'expertise est regroupée avec celles partageant le même domaine. Par exemple, revenue et market_cap vont dans le groupe « financial », tandis que gmp_status va dans « regulatory ».
Chaque groupe d'expertise devient un sous-schéma minimal contenant uniquement ses propriétés. Le LLM reçoit ainsi un prompt plus petit et plus ciblé, et n'a qu'à renseigner les champs de sa spécialité.
Tous les appels d'expertise s'exécutent en parallèle. Un schéma comportant 5 domaines d'expertise lancera 5 appels LLM simultanément. À mesure que chacun se termine, ses résultats sont fusionnés en profondeur dans la sortie accumulée et diffusés en temps réel dans l'interface.
Si certaines expertises échouent, le système renvoie la sortie fusionnée des expertises réussies avec un statut « Partiel ». Vous pouvez relancer uniquement les expertises en échec, et les nouveaux résultats seront fusionnés dans la sortie existante sans répéter le travail déjà réussi.
Les deux stratégies peuvent être combinées avec l'enrichissement multi-modèle. Lorsque vous sélectionnez plusieurs modèles, chaque modèle exécute la stratégie choisie indépendamment. Les résultats peuvent ensuite être fusionnés via la fusion multi-modèle pour produire une sortie unique à haute confiance.