Entity Enricher는 LLM 호출이 조율되는 방식을 제어하는 두 가지 강화 전략을 제공합니다. 올바른 전략을 선택하면 정확도, 속도, 비용에 영향을 미칩니다.
가장 단순한 구성부터 가장 강력한 구성까지. 각 구성은 이전 구성을 기반으로 합니다.
모델 하나, 호출 한 번. 전체 스키마가 하나의 프롬프트로 전송됩니다. 빠르고 저렴하여 간단한 스키마나 빠른 반복 작업에 이상적입니다.
Aspirin
회사, 약물, 법률 사건, 연구 논문 등 모든 엔터티...
직접 준비한 API 키로 어떤 LLM 공급자든 사용하세요.
한 번의 호출로 전체 스키마 — 검증 실패 시 자동으로 재시도합니다.
Aspirin
동일한 전략이지만 여러 모델에서 병렬로 실행합니다. 결과는 필드별로 비교 및 중재되어 단일 고신뢰도 출력을 생성합니다.
Aspirin
회사, 약물, 법률 사건, 연구 논문 등 모든 엔터티...
일치 — Pharmaceutical Compound
LLM 크레딧을 낭비하기 전에 유형 불일치를 잡아냅니다.
자체 API 키 사용 — 모든 LLM 공급자와 함께 작동합니다.
한 번의 호출로 전체 스키마 — 검증 실패 시 자동으로 재시도합니다.
Aspirin
중재됨논리적인 필드 수준 충돌 해결로 신뢰할 수 있는 최종 결과를 생성합니다.
스키마는 전문 도메인별로 분할됩니다. 각 모델은 도메인마다 집중된 하위 프롬프트를 받습니다. 결과는 모델별로 딥 병합된 후 모델 간에 중재됩니다. 복잡한 다중 도메인 스키마에 대해 최대의 정확도를 제공합니다.
Aspirin
회사, 약물, 법률 사건, 연구 논문 등 모든 엔터티...
일치 — Pharmaceutical Compound
LLM 크레딧을 낭비하기 전에 유형 불일치를 잡아냅니다.
자체 API 키 사용 — 모든 LLM 공급자와 함께 작동합니다.
스키마가 영역별로 분할되며, 자가 수정 프롬프트가 검증 실패 시 재시도합니다.
모델별 전문 영역 응답의 딥 병합입니다.
Aspirin
중재됨논리적인 필드 수준 충돌 해결로 신뢰할 수 있는 최종 결과를 생성합니다.
| 측면 | 단일 패스 | 다중 전문 분야 |
|---|---|---|
| LLM 호출 | model당 1개 | 모델당 N개 (전문 분야당 1개) |
| 스키마 전송됨 | 하나의 프롬프트로 전체 스키마 | 전문 분야별 하위 집합 |
| 실행 | 순차 (호출 1회) | 병렬 (모든 expertise domain이 동시에 실행됩니다) |
| 정확도 | 간단한 schema에 적합합니다 | 높음 — 집중된 prompt가 더 나은 결과를 냅니다 |
| 속도 | 작은 스키마에 더 빠름 | 병렬 실행은 대규모 schema에서 더 빠를 수 있습니다 |
| 비용 | 더 낮음 (단일 호출 오버헤드) | 높음(호출당 오버헤드가 있는 다중 호출) |
| 스트리밍 | 전부 아니면 전무 결과 | 점진적 — 각 전문 영역이 완료되는 대로 결과가 스트리밍됩니다 |
| 부분 성공 | 아니요 — 전체 호출이 성공하거나 실패합니다 | 예 — 성공한 전문 분야는 보존되며, 실패한 것은 재시도할 수 있습니다 |
다중 전문 분야 전략은 각 모델에 대해 4단계 프로세스를 따릅니다:
스키마는 재귀적으로 순회됩니다. 전문 도메인 태그가 있는 각 속성은 동일한 도메인을 공유하는 다른 속성과 그룹화됩니다. 예를 들어 revenue와 market_cap은 “financial” 그룹으로, gmp_status는 “regulatory”로 이동합니다.
각 expertise 그룹은 자신의 속성만 포함하는 최소 하위 schema가 됩니다. 이는 LLM이 더 작고 집중된 prompt를 받으며 자신이 전문으로 하는 필드만 채우면 된다는 것을 의미합니다.
모든 전문 영역 호출은 동시에 실행됩니다. 전문 영역이 5개인 스키마는 5개의 LLM 호출을 동시에 시작합니다. 각 호출이 완료되면 그 결과가 누적된 출력에 깊게 병합되어 실시간으로 UI에 스트리밍됩니다.
일부 전문 영역이 실패하면 시스템은 성공한 전문 영역의 병합된 출력을 “부분” 상태와 함께 반환합니다. 실패한 전문 영역만 재시도할 수 있으며, 이미 성공한 작업을 반복하지 않고 새 결과가 기존 출력에 병합됩니다.
두 전략 모두 멀티 모델 보강과 결합할 수 있습니다. 여러 모델을 선택하면 각 모델이 선택한 전략을 독립적으로 실행합니다. 그런 다음 멀티 모델 융합을 사용해 결과를 병합하여 하나의 높은 신뢰도 출력을 생성할 수 있습니다.