AI एंटिटी एनरिचमेंट प्लेटफ़ॉर्मआपके दस्तावेज़ एक डेटाबेस बन जाते हैं।

लोगों और AI एजेंट्स के लिए एक AI हार्नेस, जिससे वे नॉर्मलाइज़्ड रिलेशनल डेटाबेस बना सकें, भर सकें और विकसित कर सकें। PDF, फ़ोटो, वॉइस मेमो, CSV फ़ाइलों या किसी मौजूदा डेटाबेस से शुरू करें, या बस बताएं कि आपको क्या चाहिए। Entity Enricher एक एडिटेबल schema और वर्कफ़्लो बनाता है जो आपके डेटा को enrich करते हैं, डुप्लिकेट entity को हल करते हैं और आपके डेटाबेस को अप-टू-डेट रखते हैं।

लाइव enrichment चलाएँ

एक एनरिचमेंट एक अनुरोध से शुरू होता है और एक एंटिटी तथा उससे जुड़ी एंटिटीज़ के लिए स्कीमा भरता है। पाँच खिलाड़ी क्रम से एनरिच किए जाते हैं: पिछले खिलाड़ी के लिए मिला कोई क्लब या देश पहचान लिया जाता है, दोबारा नहीं जोड़ा जाता।

स्कीमा की हर फ़ील्ड एक सवाल है

ऊपर दिए एनरिचमेंट एक स्कीमा को मानों से भरते हैं। यहाँ वही स्कीमा एक क्लास डायग्राम के रूप में है: इसकी JSON संरचना का हर ऑब्जेक्ट, अपने फ़ील्ड के साथ, और हर फ़ील्ड वहाँ अपना JSON टाइप (string, number, boolean…) दिखाता है जहाँ कोई मान आता। हर फ़ील्ड के साथ एक विवरण जुड़ा होता है, और किसी फ़ील्ड पर पॉइंटर रखने या उसे टैप करने पर वह विवरण — यानी प्रश्न — खुल जाता है, साथ में फ़ील्ड के उदाहरण, बंद सेट होने पर वे मान जो यह ले सकता है, और वह एक्सपर्ट जो इसका उत्तर देता है; ऑब्जेक्ट का हेडर स्वयं उस ऑब्जेक्ट का विवरण खोलता है। किसी दूसरे ऑब्जेक्ट से जुड़ा लिंक भी एक फ़ील्ड ही है: इस पर फ़ील्ड का नाम होता है और यह वह प्रश्न खोलता है जो मॉडल को बताता है कि यह किस ऑब्जेक्ट से जुड़ता है।

प्रत्येक विवरण वह प्रश्न है जो उस फ़ील्ड के मान के लिए भाषा मॉडल से पूछा जाता है। स्कीमा जनरेशन इन्हें लिखता है, और स्कीमा एडिटर इन्हें संपादित कर सकता है — किसी प्रश्न को अधिक सटीक बनाने के लिए, या कोई एनरिचमेंट चलने से पहले अस्पष्टता हटाने के लिए।

सिमेंटिक ID के साथ प्रत्येक क्लब के लिए एक ही पहचानकर्ता, नाम चाहे जैसे लिखा गया हो

हर एनरिचमेंट किसी क्लब को वैसे ही लिखती है जैसे उसके स्रोत लिखते हैं: एक खिलाड़ी के रिकॉर्ड में FC Barcelona, अगले में Futbol Club Barcelona। रिकॉर्ड में नामित हर क्लब को एक सिमैंटिक ID मिलती है, जिसे मॉडल कभी नहीं भरता; यह नीचे दिए तीन चरणों में हल होती है, सबसे सस्ते से शुरू। संदेह हो तो नई ID बना दी जाती है: दो ID को मर्ज करना एक क्लिक का काम है, गलत मर्ज को पलटना नहीं।

हर enrichment आपकी tables में पंक्तियाँ बन जाता है

डेटाबेस से जुड़ा स्कीमा टेबल्स बन जाता है: हर एंटिटी टाइप के लिए एक, हर लिस्ट के लिए एक, और हर टेबल अपनी फ़ॉरेन कीज़ के ज़रिए दूसरी टेबल्स से जुड़ी होती है। एक एनरिचमेंट एक ही ट्रांज़ैक्शन में लिखा जाता है — पहले वे रो जिनका संदर्भ दिया गया है, उसके बाद वे रो जो उनका संदर्भ देती हैं। जिस एंटिटी को पहले की कोई एनरिचमेंट पहले ही लिख चुकी है, उसके लिए नई रो नहीं जुड़ती: उसकी रो अपडेट हो जाती है, या जैसी है वैसी ही रहती है। जिस स्कीमा से कोई डेटाबेस नहीं जुड़ा, वह एनरिचमेंट के अपने आउटपुट पर ही समाप्त हो जाता है: स्ट्रक्चर्ड JSON, जो स्कीमा के अनुसार वैलिडेट किया गया होता है।

आपके डेटाबेस तक एक ही कतार, पंक्तियों और स्कीमा परिवर्तनों — दोनों के लिए

Database Sync एंटिटीज़ को आपके ही एक PostgreSQL डेटाबेस में रखता है। हर एनरिचमेंट एक ट्रांज़ैक्शन बन जाता है, जिसमें उस एंटिटी और उससे जुड़ी एंटिटीज़ के upserts होते हैं; स्कीमा परिवर्तन प्रकाशित करना एक माइग्रेशन बन जाता है। दोनों एक ही कतार में, अपने आने के क्रम में प्रतीक्षा करते हैं, और ee-database क्लाइंट कतार के सिरे वाले आइटम को लागू करता है, फिर उसे acknowledge करता है। इसलिए नया कॉलम उस पहली पंक्ति से पहले ही मौजूद होता है जो उसे भरती है, और पहले लिखी गई पंक्तियों में वहाँ NULL रहता है।

ee-database एक ओपन-सोर्स प्रोग्राम (MIT लाइसेंस) है, जो आपके सर्वर या लैपटॉप पर, उसी डेटाबेस के पास चलता है जिसमें वह लिखता है। कनेक्शन वह खुद, बाहर की ओर Entity Enricher की तरफ़ खोलता है, इसलिए डेटाबेस बाहर से कोई कनेक्शन स्वीकार नहीं करता और उसके क्रेडेंशियल कभी उस मशीन से बाहर नहीं जाते।

आपके डेटा सैंपल से AI द्वारा बनाया गया स्कीमा

सैंपल, चाहे वह दस्तावेज़ से एक्सट्रैक्ट किया गया हो या हाथ से लिखा गया हो, स्कीमा का पहला वर्शन बनाता है, जिसे फिर प्लैटफ़ॉर्म में एडिट किया जाता है।

  1. दस्तावेज़ से सैंपल तक

    सैंपल को किसी दस्तावेज़ से एक्सट्रैक्ट किया जा सकता है — यहाँ, एक बुकशॉप का The Fellowship of the Ring का रिकॉर्ड (रिकॉर्ड, PDF के रूप में)। एक्सट्रैक्शन दस्तावेज़ में बताए गए हर मान को रखता है: लेखक और प्रकाशक, साथ ही चैप्टर, पात्र और दुकान में किताब की शेल्फ़ भी। दस्तावेज़ से यह तय नहीं होता कि कौन-से फ़ील्ड निकलेंगे।

    इसके बाद उपयोगकर्ता केवल वही फ़ील्ड रखता है जिनके लिए स्कीमा बना है। किताबों के एक कैटलॉग के लिए शीर्षक, शैली, वर्ष और कीमत, लेखक, श्रृंखला और प्रकाशक चाहिए: बाकी फ़ील्ड अलग रख दिए जाते हैं। जो बचता है वह इस किताब का नमूना है — अगले चरणों में पढ़े जाने वाले पाँच नमूनों में पहला; एक दस्तावेज़ से एक नमूना मिलता है, बाकी अन्य किताबों से आते हैं।

  2. सैंपल से एंटिटी मैप तक

    Entity Enricher आपके डेटा का एक सैंपल पढ़ता है और उसमें वर्णित एंटिटी पहचानता है — यहाँ किताबें, लेखक, सीरीज़ और प्रकाशक — साथ ही वे फ़ील्ड भी जो हर एक की पहचान करते हैं। ये एंटिटी केवल सुझाव हैं: जब तक उपयोगकर्ता एक क्लिक में किसी को अलग एंटिटी नहीं बना देता, स्कीमा सैंपल का सपाट ढाँचा ही बनाए रखता है। उसके बाद उसके फ़ील्ड उसी के अंतर्गत चले जाते हैं, और कई किताबों में उल्लिखित लेखक अपने यूनिक आइडेंटिफ़ायर वाली एक ही एंटिटी बन जाता है।

  3. फ़ील्ड एक्सपर्ट के बीच बाँटे गए

    स्कीमा जेनरेशन फ़ील्ड्स को उनके लिए ज़रूरी जानकारी के आधार पर समूहों में बाँटता है और हर समूह को एक एक्सपर्ट देता है: यहाँ टाइटल, जेनर, लेखक और सीरीज़ के लिए एक साहित्य एक्सपर्ट, और प्रकाशक, कीमत और प्रकाशन वर्ष के लिए एक प्रकाशन एक्सपर्ट।

    एनरिचमेंट के समय हर एक्सपर्ट अपनी अलग कॉल बन सकता है, जो समानांतर में चलती है: जिस मॉडल से सिर्फ़ कीमतों और प्रकाशकों के बारे में पूछा जाता है, वह उनका जवाब उस मॉडल से ज़्यादा पूर्णता से देता है जिससे एक साथ सब कुछ पूछा जाता है।

  4. हर एक्सपर्ट अपने फ़ील्ड का विवरण लिखता है

    इसके बाद हर एक्सपर्ट अपने फ़ील्ड्स का डिस्क्रिप्शन अपनी ही शब्दावली में लिखता है: किसी किताब का वर्ष कौन सा वर्ष है, उसकी कीमत किस करेंसी में और किस तारीख़ पर पढ़ी जाती है। एक्सपर्ट साथ-साथ लिखते हैं, हर एक के लिए एक कॉल।

    डिस्क्रिप्शन वह सवाल है जिसका जवाब मॉडल एनरिचमेंट के समय अपने फ़ील्ड के लिए देता है, इसलिए सटीक डिस्क्रिप्शन ही यह तय करता है कि दो मॉडल, या दो रन, फ़ील्ड को एक जैसा भरें।

  5. वे फ़ील्ड जो किसी एंटिटी की पहचान करते हैं

    हर एंटिटी प्रकार के लिए, स्कीमा जनरेशन वे फ़ील्ड चुनता है जो किसी एक इंस्टेंस की पहचान कराते हैं — किताब का शीर्षक, लेखक का नाम। दांते और डैन ब्राउन, दोनों ने Inferno लिखी है: किताब की पहचान उसके शीर्षक और लेखक, दोनों से मिलकर होती है।

  6. हर एंटिटी के लिए एक सिमैंटिक ID

    जब सिमैंटिक ID मांगी जाती हैं, तो किसी एंटिटी को दर्शाने वाले हर ऑब्जेक्ट को एक id फ़ील्ड मिलती है: किताब, और उसके अंदर नेस्टेड हर एंटिटी — लेखक, सीरीज़, प्रकाशक। मॉडल इसे कभी नहीं भरता: हर एनरिचमेंट के बाद यह एंटिटी की पहचान करने वाली फ़ील्ड से हल होती है, जिससे दो तरह से लिखे गए एक ही लेखक की एक ही पहचान बनी रहती है।

    जो ऑब्जेक्ट केवल अपने पैरेंट के तथ्य रखता है — यहाँ किताब का वर्ष और कीमत — उसे कोई नहीं मिलती: उसमें कोई भी फ़ील्ड किसी चीज़ की पहचान नहीं करती। किसी जोड़ी को भी नहीं, जैसे किसी सीरीज़ में किताब का वॉल्यूम नंबर: उसकी पहचान उन दो एंटिटी से होती है जिन्हें वह जोड़ती है।

  7. बहुभाषी फ़ील्ड

    किसी टेक्स्ट फ़ील्ड को बहुभाषी चिह्नित किया जा सकता है: तब वह अनुरोध की गई प्रत्येक भाषा के लिए एक मान रखती है — शीर्षक, शैली या देश, जो उनमें से प्रत्येक में लिखा हो, और नाम प्रत्येक भाषा की लिपि में। वर्ष या मूल्य एकल मान ही रहता है। पहचान पहली भाषा से पढ़ी जाती है, इसलिए अनुवादित शीर्षक से कभी दूसरी पुस्तक नहीं बनती।

  8. पहचानकर्ता जैसे हैं वैसे ही रखे जाते हैं

    हर एंटिटी के लिए, एक या कई लैंग्वेज मॉडल अटैच किए गए दस्तावेज़ों और अपने स्वयं के ज्ञान से स्कीमा भरते हैं। संरक्षित के रूप में चिह्नित फ़ील्ड इसका अपवाद है: उसका मान आपके अपने सिस्टम से आता है — एक row id, एक आंतरिक संदर्भ — और संवर्धन के दौरान अपरिवर्तित बना रहता है, जिससे हर संवर्धित पुस्तक उसी row पर वापस जाती है जहाँ से वह आई थी। चिह्नित न होने पर, फ़ील्ड भरना मॉडल के हाथ में होता है, और उसे आपकी id की जगह अपना जाना-पहचाना ISBN लिखने से कोई नहीं रोकता।

आपके स्कीमा से डिज़ाइन किया गया डेटाबेस

डेटाबेस से जुड़ा स्कीमा टेबल बन जाता है। डिज़ाइन का बड़ा हिस्सा इसमें है कि वे टेबल एक-दूसरे से कैसे जुड़ती हैं: कौन-सी पंक्तियाँ कई एंटिटी साझा करती हैं, और कौन-सी किसी एक की होती हैं। एक लैंग्वेज मॉडल इन सवालों का उत्तर देता है; बाकी काम प्रोजेक्शन के नियम करते हैं।

  1. हर तरह की चीज़ के लिए एक टेबल

    डेटाबेस अपना डेटा टेबल में रखता है। टेबल एक ग्रिड है: हर कॉलम में एक फ़ील्ड होता है, हर पंक्ति में एक चीज़। जब कोई स्कीमा डेटाबेस से जुड़ता है, तो हर एंटिटी प्रकार को अपनी एक टेबल मिलती है — यहाँ football_player — और हर एनरिच किया गया खिलाड़ी उसकी एक पंक्ति बन जाता है।

    फ़ील्ड्स का ऐसा ग्रुप जिसकी अपनी कोई पहचान नहीं होती, जैसे किसी खिलाड़ी का डेब्यू, उसे किसी टेबल की ज़रूरत नहीं: उसके फ़ील्ड उसी पंक्ति के कॉलम बन जाते हैं, जिनके नाम उन तक पहुँचने वाले पाथ के अनुसार रखे जाते हैं — senior_debuts_club_date।

  2. दो पंक्तियों को अलग क्या बनाता है

    हर टेबल की एक की होती है: वे कॉलम जो एक पंक्ति को दूसरी से अलग बताते हैं। खिलाड़ी की पहचान पूरे नाम और जन्म तिथि से मिलकर होती है, देश की उसके ISO कोड से। की तब चुनी जाती हैं जब स्कीमा जोड़ा जाता है, उन फ़ील्ड में से जो हर एंटिटी की पहचान कराते हैं।

    जब किसी खिलाड़ी का दोबारा संवर्धन किया जाता है, तो कुंजी उस खिलाड़ी की मौजूदा पंक्ति ढूँढ लेती है: पंक्ति अपडेट हो जाती है और कोई डुप्लिकेट नहीं बनता।

  3. रिलेशनशिप एक पॉइंटर है

    सपाट स्प्रेडशीट में क्लब हर उस खिलाड़ी की पंक्ति पर दिखता है जो वहाँ खेला, और उसका स्थापना वर्ष हर बार कॉपी हो जाता है। कॉपियाँ एक-दूसरे से भटक जाती हैं: एक को सुधार दिया जाए, तो बाकी में पुराना मान ही बना रहता है।

    डेटाबेस में क्लब एक ही बार, अपनी एक टेबल में संग्रहित होता है, और हर कार्यकाल उसका सिर्फ़ एक पॉइंटर रखता है — एक फ़ॉरेन की, क्लब का _id। टेबल के बीच ये रिलेशनशिप ही डेटा को भरोसेमंद बनाए रखती हैं: हर तथ्य एक ही जगह रहता है, और जिस भी पंक्ति को उसकी ज़रूरत होती है वह वहीं इशारा करती है।

  4. साझा या स्वामित्व वाली: वह सवाल जिसका उत्तर मॉडल देता है

    स्कीमा के हर रिलेशनशिप के लिए लैंग्वेज मॉडल से एक सवाल पूछा जाता है: क्या कोई दूसरा खिलाड़ी ठीक इसी पंक्ति की ओर इशारा कर सकता है? कोई क्लब, शहर, देश या प्रतियोगिता किसी एक खिलाड़ी से स्वतंत्र रूप से मौजूद होती है, इसलिए उत्तर हाँ है, और वह पंक्ति उसकी ओर इशारा करने वाले हर खिलाड़ी द्वारा साझा की जाती है।

    हर उत्तर के साथ उसका कारण आता है, जिसे उपयोगकर्ता पढ़ सकता है और डेटाबेस बनने से पहले बदल भी सकता है। इस स्कीमा के लिए मॉडल ने अठारह रिलेशनशिप आँकीं, और पाया कि उनमें से हर एक किसी साझा चीज़ की ओर इशारा करती है।

  5. वे पंक्तियाँ जो एक ही खिलाड़ी की होती हैं

    किसी क्लब में खिलाड़ी का कार्यकाल ऐसे तथ्य रखता है जो सिर्फ़ उसी खिलाड़ी के लिए सही हैं: वर्ष, गोल। इसकी पंक्तियाँ स्वामित्व वाली होती हैं: हर खिलाड़ी की अपनी पंक्तियाँ होती हैं, एक ही क्लब में भी, और हर पंक्ति उस एक साझा क्लब पंक्ति की ओर इशारा करती है।

    यह स्विच दिखाता है कि ग़लत निर्णय का क्या असर होता। साझा मानने पर दोनों कार्यकाल प्रति क्लब एक ही पंक्ति में सिमट जाते हैं, और दूसरा संवर्धन पहले खिलाड़ी के मानों को अधिलेखित कर देता है। इसीलिए किसी संबंध को तब तक स्वामित्व वाला माना जाता है जब तक वह साझा साबित न हो: ग़लत विलय डेटा को दूषित कर देता है, जबकि छूटे हुए विलय की कीमत सिर्फ़ एक अतिरिक्त पंक्ति होती है।

  6. कॉलम प्रकार और इंडेक्स

    हर कॉलम अपना प्रकार अपने फ़ील्ड से लेता है: ऊँचाई दशमलव संख्या बनती है, वर्ष पूर्णांक, जन्म तिथि एक तिथि। सटीक प्रकार डेटाबेस को अपने मानों की तुलना, क्रमबद्धता और जाँच करने देता है।

    इंडेक्स कुछ कॉलम की क्रमित प्रतिलिपि है, जिससे डेटाबेस पूरी टेबल पढ़े बिना पंक्तियाँ ढूँढ़ लेता है। नामों को एक सर्च इंडेक्स मिलता है, और मॉडल बाकी इंडेक्स उन लिस्ट स्क्रीन के हिसाब से गढ़ता है जो कोई एप्लिकेशन दिखाएगी — यहाँ, ऊँचाई से फ़िल्टर किए और नाम से क्रमबद्ध खिलाड़ी।

हर वर्कफ़्लो के लिए एक स्कीमा, कई के लिए एक डेटाबेस

एक स्कीमा एक वर्कफ़्लो है: उसका अपना सैंपल, उसके अपने संवर्धन रन, और परिणाम आने पर उसका अपना वेबहुक। एक डेटाबेस को कई स्कीमा से जोड़ा जा सकता है। जो दो वर्कफ़्लो एक ही तरह की चीज़ का नाम लेते हैं — यहाँ एक खिलाड़ी के क्लब का शहर, और स्वयं अपने आप में संवर्धित एक शहर — वे एक ही टेबल में लिखते हैं: जो वर्कफ़्लो केवल उसका नाम लेता है वह उसकी पहचान लिखता है, और जो वर्कफ़्लो उसी के बारे में है वह बाकी भरता है; पहचान के आगे हर कॉलम का ठीक एक ही लेखक होता है।

किसी स्कीमा को जोड़ते समय उसकी पहले से जुड़ी स्कीमा के साथ जाँच होती है: जिस टाइप का नाम दोनों लेते हैं, उसकी पहचान एक ही की से होनी चाहिए। Database Sync गाइड में ये जाँच विस्तार से दी गई हैं।

रॉ डेटा से सूचना प्रणाली तक

एक pipeline वह सब लेता है जो आपके पास है — दस्तावेज़, स्प्रेडशीट, आधे-भरे rows — और ऐसे records लौटाता है जिन पर आपका डेटाबेस भरोसा कर सके।

1

स्रोत

अपने मौजूदा सिस्टम से एक बैच लाएँ — या कोई एकल नई एंटिटी जैसे ही वह सामने आए। दस्तावेज़, इमेज, वेब सर्च, और LLM वर्ल्ड नॉलेज उसे भरते हैं जो आपका डेटा नहीं बताता।

2

संरचना

अपने लक्ष्य का सरल भाषा में वर्णन करें या एक नमूना पेस्ट करें — AI expertise domains के साथ एक typed schema का मसौदा तैयार करता है। इसे विज़ुअल रूप से या चैट के ज़रिए परिष्कृत करें।

3

सत्यापित करें

कई मॉडल प्रति ज्ञान क्षेत्र समानांतर में उत्तर देते हैं। टकराव फ़ील्ड दर फ़ील्ड पहचाने जाते हैं और नियमों या एक AI मध्यस्थ द्वारा हल किए जाते हैं — तर्क रिकॉर्ड किए जाने के साथ।

4

इंटीग्रेट करें

सत्यापित records आपकी मूल keys को हूबहू सुरक्षित रखते हुए और semantic IDs को स्थिर join keys के रूप में रखते हुए वापस प्रवाहित होते हैं। कोई डुप्लिकेट नहीं, कोई re-keying नहीं — प्रति फ़ील्ड 40 भाषाओं तक।

इसे देने के दो तरीके

बैच — आपके मौजूदा सिस्टम से

अपने डेटाबेस, CRM, या किसी भी REST एंडपॉइंट से सैकड़ों entity पुल करें — JSON पेस्ट करें या auth के साथ किसी URL से फ़ेच करें। उन्हें समानांतर में enrichment करें, प्रगति लाइव देखें, साफ़-सुथरे record वापस लिखें — या Excel में एक्सपोर्ट करें।

तुरंत — जैसे-जैसे नई entities आती हैं

आपके सिस्टम में एक नया lead, उत्पाद, या दस्तावेज़ प्रवेश करता है? इसे कुछ ही सेकंड में enrich करें — एक API call, एक n8n/Make ट्रिगर, या MCP के माध्यम से सीधे किसी chat से। संरचित, validated, डालने के लिए तैयार।

दोनों पथ समान सिमेंटिक ID साझा करते हैं — आज किसी बैच में एनरिच की गई एंटिटी और कल तुरंत फिर से सामने आने पर भी एक रिकॉर्ड पर ही पहुँचती है।

हर मान का एक पेपर ट्रेल होता है

अधिकांश AI टूल आपसे आउटपुट पर भरोसा करने को कहते हैं। हम आपको यह जाँचने देते हैं कि निर्णय कैसे लिया गया।

पहले

प्री-फ्लाइट जाँच

एक तेज़ model पहले आपके schema के विरुद्ध entity को classify करता है। “Titan” को एक ग्रह के रूप में enrich कर रहे हैं? एक भी token खर्च होने से पहले आपको चेतावनी दी जाती है।

दौरान

प्रतिस्पर्धा में शामिल मॉडल

दो या अधिक LLM स्वतंत्र रूप से उत्तर देते हैं। आउटपुट schema-validated होते हैं; errors model के पास वापस जाते हैं ताकि वह स्वतः स्वयं को सुधार सके।

बाद

आर्बिट्रेट किया गया, रिकॉर्ड किया गया

फ़ील्ड-स्तरीय कॉन्फ्लिक्ट बहुमत, माध्यिका, या किसी AI मध्यस्थ द्वारा हल किए जाते हैं। हर निर्णय — सभी उम्मीदवार मान, विजेता, तर्क — रिकॉर्ड पर संग्रहीत होता है।

Entity

Acme Corp

कोई भी एंटिटी: कंपनी, ड्रग, कानूनी मामला, शोध पत्र...

प्री-फ्लाइट क्लासिफिकेशन

मिलान — कंपनी

LLM क्रेडिट बर्बाद करने से पहले टाइप मिसमैच को पकड़ लेता है।

Anthropic
OpenAI
Google Gemini

अपनी खुद की API keys लाएँ — किसी भी LLM provider के साथ काम करता है।

Anthropic
वित्तीय विवरणLLM प्रॉम्प्ट
कानूनीLLM प्रॉम्प्ट
मार्केटLLM प्रॉम्प्ट
OpenAI
वित्तीय विवरणLLM प्रॉम्प्ट
कानूनीLLM प्रॉम्प्ट
मार्केटLLM प्रॉम्प्ट
Gemini
वित्तीय विवरणLLM प्रॉम्प्ट
कानूनीLLM प्रॉम्प्ट
मार्केटLLM प्रॉम्प्ट

स्कीमा क्षेत्र के अनुसार विभाजित — सत्यापन विफलता पर स्व-सुधार करने वाले प्रॉम्प्ट पुनः प्रयास करते हैं।

Anthropic परिणाम
OpenAI परिणाम
Gemini परिणाम

प्रति मॉडल एक्सपर्टीज़ डोमेन रिस्पॉन्स का डीप मर्ज।

अंतिम Enriched परिणाम

Acme Corp

आर्बिट्रेट किया गया

तर्कसंगत फ़ील्ड-स्तरीय विरोध समाधान अंतिम विश्वसनीय परिणाम तैयार करता है।

एक LLM की कल्पना और आपके डेटाबेस के बीच आठ रक्षा परतें खड़ी हैं। हम hallucinations को कैसे रोकते हैं →

आपका डेटा, आपके model, आपकी keys

उन टीमों के लिए बनाया गया जिनका डेटा इमारत से बाहर नहीं जा सकता — इंफ़रेंस कहां होती है इस पर पूर्ण नियंत्रण के साथ क्लाउड की सुविधा।

अपनी खुद की API keys लाएँ

अपने ऑर्गनाइज़ेशन की Anthropic, OpenAI, या Gemini keys उपयोग करें — आपकी बिलिंग, आपके डेटा-प्रोसेसिंग एग्रीमेंट। प्लेटफ़ॉर्म keys तो बस ज़ीरो-सेटअप डिफ़ॉल्ट हैं।

अपने खुद के हार्डवेयर पर मॉडल रन करें

दो मिनट में लैपटॉप या ऑन-प्रेम GPU सर्वर पेयर करें और अपने लोकल Ollama तक सुरक्षित टनल के माध्यम से एनरिचमेंट रूट करें। संवेदनशील डेटा कभी क्लाउड LLM तक नहीं पहुँचता।

टनल कैसे काम करता है →

निर्माण से ही tenant-पृथक

रिकॉर्ड्स, स्कीमा, फ़ाइलें और कॉन्सेप्ट रजिस्ट्री संगठन-स्कोप्ड होती हैं। प्रत्येक API की तक भूमिका-आधारित एक्सेस नियंत्रण।

संगठन और भूमिकाएँ →

Entity Enricher क्यों

संरचित LLM एनरिचमेंट के लिए विशेष रूप से बनाया गया — एकल मॉडल कॉल या हाथ से बनाई पाइपलाइन की तुलना में यह क्या जोड़ता है, देखें।

आपके सूचना तंत्र से जुड़ता है

बिल्ट-इन

किसी schema में database sync जोड़ें और enrichments आपके अपने PostgreSQL में असली रिलेशनल टेबल के रूप में मिरर हो जाते हैं — इसे seed करने के लिए एक SQL snapshot, इसे कन्वर्ज्ड रखने के लिए एक idempotent delta feed, और एक ओपन-सोर्स sync client जो इसे बिना किसी glue code के लागू करता है। Input keys हूबहू सुरक्षित रहती हैं, और हर entity को एक स्थिर semantic ID मिलती है: एक तैयार join key जो “Headache”, “Céphalée” और “Cephalalgia” को तीन नहीं, बल्कि एक ही record में हल कर देती है।

हर कॉल पर रॉ JSON। आपके सिस्टम तक पहुँचने से पहले स्टोरेज, कीज़, मैचिंग और रिकॉन्सिलिएशन आपको खुद डिज़ाइन करने होते हैं।

कस्टम स्कीमा

आप आउटपुट संरचना परिभाषित करते हैं। कोई भी entity प्रकार, कोई भी फ़ील्ड, कोई भी नेस्टिंग गहराई।

हाथ से लिखा एक प्रॉम्प्ट एक फ़्लैट आकार लौटाता है। नेस्टिंग, टाइप्स और वैलिडेशन सब आपको खुद बनाना होगा।

मल्टी-मॉडल

2+ LLM एक साथ रन करें। परिणामों की तुलना करें। हर एक का सर्वश्रेष्ठ उपयोग करें।

एकल मॉडल, एकल प्रोवाइडर। क्रॉस-वैलिडेट करने या सटीकता सुधारने का कोई तरीका नहीं।

फ्यूज़न और आर्बिट्रेशन

नियम-आधारित या LLM-मध्यस्थित समाधान के साथ फ़ील्ड-स्तरीय कॉन्फ्लिक्ट डिटेक्शन।

एकल स्रोत पर आँख मूंदकर भरोसा। कोई संघर्ष जागरूकता नहीं।

कोई भी Domain, कोई भी Entity

कानूनी एंटिटी, फार्मा कंपाउंड, शोध पत्र, रियल एस्टेट — कुछ भी।

हर नए डोमेन का मतलब है नए प्रॉम्प्ट, नया वैलिडेशन, नई प्लंबिंग — हर एंटिटी टाइप के लिए अलग पाइपलाइन।

डिज़ाइन से बहुभाषी

बिल्ट-इन

किसी field को एक बार बहुभाषी के रूप में चिह्नित करें। एक ही enrichment कॉल वह value लौटाती है जो आपके द्वारा चुनी गई हर भाषा में अनुवादित होती है — 40 तक — बिना किसी अतिरिक्त LLM कॉल या अनुवाद पाइपलाइन के।

केवल अंग्रेज़ी में output। अनुवाद एक अलग चरण, एक अलग लागत, और एक अलग failure mode है।

अपने खुद के दस्तावेज़ लाएँ

नया

PDF, स्लाइड, स्प्रेडशीट, कॉन्ट्रैक्ट, स्कैन, ऑडियो रिकॉर्डिंग attach करें। विज़न-, PDF- और ऑडियो-सक्षम models उन्हें सीधे पढ़ते हैं; बाकी को सर्वर-साइड निकालकर अपने-आप इनलाइन कर दिया जाता है।

केवल टेक्स्ट इनपुट। डॉक्यूमेंट आपकी समस्या हैं — एनरिचमेंट से पहले आपको उन्हें कन्वर्ट, OCR, ट्रांसक्राइब, चंक और क्लीन करना होगा।

PDFPNGJPEGMP3WAVM4ADOCXDOCODTRTFEPUBHTMLCSVXLSXPPTXTXTMDसभी फ़ॉर्मैट देखें →

डिफ़ॉल्ट रूप से लागत-अनुकूलित

बिल्ट-इन

प्रॉम्प्ट कैशिंग साझा प्रॉम्प्ट को समानांतर कॉल्स में इनपुट कीमत के ~10% पर पुनः उपयोग करती है, प्रत्येक एक्सपर्टीज़ डोमेन केवल अपने फ़ील्ड देखता है, और एक सस्ती प्री-फ्लाइट जाँच आपको गलत एंटिटी को एनरिच करने के लिए भुगतान करने से रोकती है।

बिना किसी टोकन-स्तरीय ऑप्टिमाइज़ेशन के फ्लैट प्रति-record मूल्य निर्धारण — और आपने वास्तव में क्या खर्च किया इसकी कोई जानकारी नहीं।

लागत अनुकूलन कैसे काम करता है →

जहाँ आप काम करते हैं वहाँ काम करता है

अपना schema एक बार डिज़ाइन करें, फिर किसी भी स्केल पर enrich करें — वेब ऐप से, स्वचालित workflows से, या सीधे अपने कोड से।

बैच एनरिचमेंट

वेब ऐप से सैकड़ों entity को समानांतर में एनरिच करें। रियल-टाइम स्ट्रीमिंग, ऑटो-fusion, Excel एक्सपोर्ट।

n8n और Make वर्कफ़्लो

ऑटोमेटेड पाइपलाइन: नए डेटा पर ट्रिगर करें, एनरिच करें, अपने CRM या डेटाबेस में पुश करें। 400+ ऐप इंटीग्रेशन।

REST API

कस्टम इंटीग्रेशन के लिए प्रोग्रामैटिक एक्सेस। टाइप्ड OpenAPI स्कीमा, org-स्कोप्ड कीज़, सिंक और स्ट्रीमिंग एंडपॉइंट।

n8n के ज़रिए 400+ ऐप्स से कनेक्ट करें

n8n के विज़ुअल वर्कफ़्लो एडिटर के साथ स्वचालित एनरिचमेंट पाइपलाइन बनाएं। किसी भी स्रोत से डेटा खींचें, AI से एनरिच करें, और परिणाम कहीं भी पुश करें।

Google Sheets
स्रोत डेटा
Entity Enricher
Entity Enricher
AI संवर्धन
HubSpot
CRM सिंक
HubSpot
CRM
Salesforce
CRM
Google Sheets
स्प्रेडशीट
Airtable
डेटाबेस
Slack
मैसेजिंग
PostgreSQL
डेटाबेस
Webhook
API
Gmail
ईमेल
Notion
वर्कस्पेस
Stripe
भुगतान
Jira
प्रोजेक्ट प्रबंधन
HTTP Request
API
CRM सिंक
enrichment किए गए डेटा को सीधे HubSpot, Salesforce, या किसी भी CRM में पुश करें
Waterfall Enrichment
कंडीशनल लॉजिक के साथ कई एनरिचमेंट चरणों को जोड़ें
नो-कोड वर्कफ़्लो
विज़ुअल ड्रैग-एंड-ड्रॉप पाइपलाइन बिल्डर — किसी कोडिंग की आवश्यकता नहीं
ऑटोमेटेड पाइपलाइन
नई पंक्तियों, फ़ॉर्म सबमिशन या शेड्यूल पर एनरिचमेंट ट्रिगर करें
या इसे सीधे Claude Desktop, Claude Code, या Cursor से उपयोग करें

Entity Enricher एक एम्बेडेड MCP (Model Context Protocol) सर्वर के साथ आता है। अपने स्कीमा सूचीबद्ध करें, किसी एंटिटी को समृद्ध करें, परिणाम का निरीक्षण करें — सब कुछ चैट से। किसी वर्कफ़्लो एडिटर की आवश्यकता नहीं।

या सब कुछ अपने अपने डेटाबेस में मिरर करें

ओपन-सोर्स ee-database क्लाइंट आपके अपने PostgreSQL को हर enrichment के साथ कन्वर्ज्ड रखता है — स्नैपशॉट बूटस्ट्रैप, फिर एक आउटबाउंड कनेक्शन पर लाइव डेल्टा फ़ीड। कोई workflow बनाने की ज़रूरत नहीं, और आपकी कनेक्शन स्ट्रिंग कभी आपकी मशीन से बाहर नहीं जाती।

हम कैसे तुलना करते हैं

किसी वेब-रिसर्च API या स्प्रेडशीट रिसर्च एजेंट से आ रहे हैं — या अपनी खुद की LLM पाइपलाइन बना रहे हैं? यहाँ देखिए Entity Enricher कहाँ खड़ा है।

फ़ीचरEntity EnricherParallel AIAI रिसर्च एजेंटDIY LLM पाइपलाइन
कस्टम नेस्टेड स्कीमाफ़्लैट JSON स्कीमाप्रति कॉलम एक प्रॉम्प्टहाथ से कोड किया गया
मल्टी-मॉडल एनरिचमेंटआप ऑर्केस्ट्रेट करते हैं
फ्यूज़न और कॉन्फ्लिक्ट रिज़ॉल्यूशन
फ़ील्ड-स्तरीय ऑडिट ट्रेलसिटेशन + कॉन्फ़िडेंस
लिंक्ड-एंटिटी डीडुप (सिमेंटिक ID)
अपने PostgreSQL में सिंक करेंCSV / शीट एक्सपोर्टआप इसे बनाते हैं
आपके डॉक्युमेंट स्रोत के रूप मेंअलग-अलगआप इसे बनाते हैं
कोई भी एंटिटी प्रकार
बहुभाषी आउटपुट (40 भाषाएँ)आप इसे बनाते हैं
BYOK / सेल्फ़-होस्टेड मॉडलकभी-कभार
बैच प्रोसेसिंगआप इसे बनाते हैं
रखरखावप्रबंधितप्रबंधितप्रबंधितआपका, हमेशा के लिए
मूल्य निर्धारणपे-पर-टोकन$5-25 / 1k रोक्रेडिट / सब्सक्रिप्शनEng समय + tokens

अतीत को बैकफ़िल करें। भविष्य को एनरिच करें।

आपकी कंपनी का ज्ञान पहले से ही लिखा हुआ है — इसे क्वेरी-योग्य बनाएं। मुफ्त शुरू करें, अपनी खुद की API keys लाएं, और केवल LLM लागत का भुगतान करें।

मुफ़्त में शुरू करें