Entity Enricher offre due strategie di arricchimento che controllano il modo in cui vengono orchestrate le chiamate all'LLM. La scelta della strategia giusta incide su accuratezza, velocità e costo.
Dalla configurazione più semplice a quella più potente. Ciascuna si basa sulla precedente.
Un modello, una chiamata. L'intero schema viene inviato in un unico prompt. Veloce ed economico — ideale per schemi semplici o iterazioni rapide.
Aspirin
Qualsiasi entità: azienda, farmaco, caso legale, articolo di ricerca...
Utilizzate qualsiasi provider LLM con la vostra API key.
Schema completo in una sola chiamata — nuovi tentativi automatici in caso di errore di validazione.
Aspirin
Stessa strategia, ma eseguita su più modelli in parallelo. I risultati vengono confrontati e arbitrati campo per campo per produrre un unico output ad alta affidabilità.
Aspirin
Qualsiasi entità: azienda, farmaco, caso legale, articolo di ricerca...
Corrispondenza — Pharmaceutical Compound
Intercetta le incongruenze di tipo prima di sprecare crediti LLM.
Utilizzate le vostre chiavi API — funziona con qualsiasi provider LLM.
Schema completo in una sola chiamata — nuovi tentativi automatici in caso di errore di validazione.
Aspirin
ArbitratoLa risoluzione ragionata dei conflitti a livello di campo produce il risultato finale attendibile.
Lo schema è suddiviso per dominio di competenza. Ogni modello riceve sotto-prompt mirati per ciascun dominio. I risultati vengono uniti in profondità per modello, quindi arbitrati tra i modelli. Massima accuratezza per schemi complessi e multi-dominio.
Aspirin
Qualsiasi entità: azienda, farmaco, caso legale, articolo di ricerca...
Corrispondenza — Pharmaceutical Compound
Intercetta le incongruenze di tipo prima di sprecare crediti LLM.
Utilizzate le vostre chiavi API — funziona con qualsiasi provider LLM.
Schema suddiviso per dominio — i prompt autocorrettivi riprovano in caso di errore di validazione.
Unione profonda delle risposte del dominio di competenza per modello.
Aspirin
ArbitratoLa risoluzione ragionata dei conflitti a livello di campo produce il risultato finale attendibile.
| Aspetto | Passaggio singolo | Multi-competenza |
|---|---|---|
| Chiamate LLM | 1 per modello | N per modello (1 per dominio di competenza) |
| Schema inviato | Schema completo in un solo prompt | Sottoinsieme per expertise domain |
| Esecuzione | Sequenziale (una chiamata) | Parallelo (tutti i domini di competenza vengono eseguiti simultaneamente) |
| Accuratezza | Ideale per schemi semplici | Superiore — i prompt mirati producono risultati migliori |
| Velocità | Più veloce per schema di piccole dimensioni | L'esecuzione parallela può essere più veloce per schemi di grandi dimensioni |
| Costo | Inferiore (overhead di una singola chiamata) | Superiore (più chiamate con overhead per chiamata) |
| Streaming | Risultato tutto o niente | Progressivo — i risultati vengono trasmessi man mano che ogni competenza viene completata |
| Successo parziale | No — l'intera chiamata riesce o fallisce | Sì — le expertise riuscite vengono conservate, quelle fallite possono essere riprovate |
La strategia multi-competenza segue un processo in quattro fasi per ciascun modello:
Lo schema viene attraversato ricorsivamente. Ogni proprietà con un tag di dominio di competenza viene raggruppata con le altre che condividono lo stesso dominio. Ad esempio, revenue e market_cap vanno nel gruppo “financial”, mentre gmp_status va in “regulatory”.
Ogni gruppo di expertise diventa un sotto-schema minimale contenente solo le sue proprietà. Ciò significa che l'LLM riceve un prompt più piccolo e mirato e deve compilare solo i campi in cui è specializzato.
Tutte le chiamate di competenza vengono eseguite in parallelo. Uno schema con 5 domini di competenza avvia 5 chiamate LLM contemporaneamente. Al completamento di ciascuna, i relativi risultati vengono uniti in profondità nell'output accumulato e trasmessi all'interfaccia in tempo reale.
Se alcuni domini di competenza falliscono, il sistema restituisce l'output unito di quelli riusciti con stato “Parziale”. Può riprovare solo i domini di competenza falliti e i nuovi risultati verranno uniti all'output esistente senza ripetere il lavoro già completato con successo.
Entrambe le strategie possono essere combinate con l'arricchimento multi-modello. Quando selezionate più modelli, ogni modello esegue la strategia scelta in modo indipendente. I risultati possono poi essere uniti tramite la fusione multi-modello per produrre un unico output ad alta affidabilità.