Codex, Cursor, GitHub Copilot을 사용하는 VS Code, Claude Code, Claude은 모두 동일한 Entity Enricher MCP 서버에 연결됩니다. 이들 에이전트는 스키마를 설계하고, 여러 언어로 엔터티를 보강하고, 모델을 융합하고, 시맨틱 ID를 정리하고, 품질을 벤치마크하고, 관계형 테이블을 데이터베이스에 동기화할 수 있습니다. 플랫폼의 모델로 실행하거나, 작업이 LLM 호출을 위임하는 경우 클라이언트의 자체 모델로 실행할 수 있으며, 질문이 Entity Enricher 자체에 관한 것이면 제품의 지원 어시스턴트에게 문의할 수 있습니다.
Schema 검증과 model 간 일치는 사실의 정확성이나 최신성을 보장하지 않습니다. 소스, 실패 항목, 부분적인 데이터베이스 결과를 확인하세요. MCP는 대화형 액세스를 제공하며, n8n과 Make는 동일한 서비스에 대한 워크플로 자동화를 제공합니다.
기본적으로 모든 start 도구는 작업을 귀하의 모델에서 실행합니다(use_platform_models=true를 지정하거나 플랫폼 모델을 지정하면 플랫폼의 과금 모델에서 실행됩니다). 이 작업은 플랫폼 모델을 호출하지 않으며 크레딧도 소모하지 않습니다. 귀하의 대화와 문서, 연결된 도구를 이미 보유하고 있는 MCP 클라이언트의 모델이 작업의 모든 모델 호출에 응답하고, 플랫폼은 가장 잘하는 일, 즉 프롬프트 구성, 출력 스키마 적용, 각 응답의 검증 및 정규화, 레코드 저장과 데이터베이스 동기화를 담당합니다.
enable_web_search를 결정하세요. 생략하면 web_search_undecided가 반환되므로 사용자에게 먼저 확인해야 합니다. 검색을 수행하는 쪽이 귀하의 모델이기 때문입니다. 작업은 첫 모델 호출이 준비되는 즉시 일시 중지됩니다.llm_requests를 읽으세요. 각 항목은 MCP sampling/createMessage 형식의 모델 호출 하나로, 시스템 프롬프트, 메시지, 도구, toolChoice를 포함하며 단계를 나타내는 purpose와 기한이 함께 제공됩니다. 바이너리 첨부 파일은 인라인으로 포함되지 않고enricher://attachments/{id} 리소스로 참조되며, 추출된 텍스트는 이미 메시지에 포함되어 있습니다. 파일을 업로드한 클라이언트는 자신의 사본을 읽으므로 첨부 파일 때문에 플랫폼 모델이 필요하지 않습니다.answer_llm_request로 반환하세요. 플랫폼은 제공자의 응답을 검증할 때와 똑같이 스키마에 따라 검증합니다. 거부된 응답은 실패한 도구 결과에 오류가 담긴 동일한 대화로 다시 전달되므로, 수정해 다시 응답하면 됩니다.프로토콜 세부 사항과 예외 상황(옵트아웃, 웹 검색 결정, 동시 요청, 보강 시 복구 요청, 첨부 파일, 타임아웃)은 아래에 나열된 위임된 LLM 호출 가이드에 있습니다.
OAuth를 사용하면 API 키 없이 클라이언트를 연결할 수 있습니다. Entity Enricher의 동의 화면에는 클라이언트, 조직, 연결에 부여된 역할이 표시됩니다. 액세스 권한은 API Keys → Connected Apps에서 관리하거나 취소할 수 있습니다.
이 예시들은 브라우저 로그인(OAuth)과 동일한 Streamable HTTP 엔드포인트 https://entityenricher.ai/api/mcp/를 사용하며, 끝의 슬래시도 포함합니다. 클라이언트마다 고유한 설정 형식이 있습니다.
Codex는 ~/.codex/config.toml을 통해 앱, CLI, IDE 확장 간에 MCP 설정을 공유합니다. 첫 번째 명령은 Entity Enricher를 등록하고, login 명령은 인증이 필요할 때 브라우저 로그인을 엽니다.
codex mcp add entity-enricher --url https://entityenricher.ai/api/mcp/
codex mcp login entity-enricherCursor는 .cursor/mcp.json에서 프로젝트 서버를, ~/.cursor/mcp.json에서 개인 서버를 읽습니다. 원격 서버 항목은 mcpServers를 사용하며, OAuth 로그인 절차는 Cursor가 처리합니다.
{
"mcpServers": {
"entity-enricher": {
"url": "https://entityenricher.ai/api/mcp/"
}
}
}VS Code는 .vscode/mcp.json 파일에서 servers 객체와 명시적인 http 전송 방식을 사용합니다. 서버를 시작하면 인증 후 GitHub Copilot 에이전트에서 해당 도구를 사용할 수 있습니다.
{
"servers": {
"entity-enricher": {
"type": "http",
"url": "https://entityenricher.ai/api/mcp/"
}
}
}이 명령은 Claude Code에 원격 HTTP 서버를 등록합니다. Claude Code 안에서 /mcp 명령을 실행하면 연결 및 인증 제어 화면이 열립니다.
claude mcp add --transport http entity-enricher https://entityenricher.ai/api/mcp/claude.ai와 Claude Desktop에서는 Connectors 설정에 "Add custom connector" 작업이 제공됩니다. 커넥터는 위의 서버 URL을 사용하며 Entity Enricher의 인증 화면을 엽니다. 이 호스팅형 연결은 Connectors를 통해 설정하며, claude_desktop_config.json은 로컬 서버용입니다.
조직 액세스 키는 Settings → API Keys에서 원하는 역할을 지정해 생성합니다. 클라이언트는 OAuth로 로그인하는 대신 X-API-Key 헤더로 키를 전송할 수 있습니다. 예를 들어 다음 Codex 설정은 환경 변수에서 키를 읽습니다:
[mcp_servers.entity-enricher]
url = "https://entityenricher.ai/api/mcp/"
env_http_headers = { "X-API-Key" = "ENTITY_ENRICHER_API_KEY" }ENTITY_ENRICHER_API_KEY에는 Codex를 실행하는 프로세스의 환경에 키가 포함되어 있어야 합니다. Cursor와 VS Code는 각자의 headers 설정 객체에서 이 HTTP 헤더를 허용합니다. 위의 클라이언트 참고 자료에 지원되는 설정이 설명되어 있습니다.
동일한 요청이 모든 클라이언트에서 작동합니다: "내 Entity Enricher 스키마를 나열한 후, 제약 회사 스키마를 사용해 Sanofi를 보강하고 저장된 결과를 보여주세요."클라이언트는 도구를 탐색해 스키마를 선택하고 보강을 실행합니다. 확인 요청, 진행 상황 표시, 리소스 액세스 방식은 클라이언트에 따라 다릅니다.
62개 도구가 스키마 작성, 보강, 벤치마크, Database Sync, 시맨틱 ID, 제품 지원을 다룹니다. 이 도구들은 검증, 결제, 처리를 위해 백엔드 서비스를 재사용합니다. 각 도구는 자체적으로 지원하는 매개변수를 노출합니다. 장시간 실행되는 작업(배치 보강, 샘플 생성, 벤치마크 실행)은 비동기로 처리됩니다. 시작 도구가 job_id를 반환하고, 클라이언트는 get_job_status를 폴링하여 생성된 레코드나 벤치마크 결과를 읽습니다. 성공을 보고하기 전에 실패와 부분적인 결과를 확인하세요.
| 범주 | 도구 | 설명 |
|---|---|---|
| 검색 | list_models | 사용 가능한 모델 키, 명목 성능, 언어, 전략, 자동 선택된 기본값 및 조직 profile_limits를 나열합니다. |
| 스키마 | generate_sample | 스키마 작성을 위해 자유 텍스트 요청에서 편집 가능한 샘플 JSON을 생성합니다. |
| 스키마 | list_schemas | 조직에 저장된 스키마를 고정된 항목부터 나열합니다. |
| 스키마 | get_schema | 저장된 스키마를 속성, 주석 및 input_contract와 함께 확인합니다. |
| 스키마 | create_schema_from_sample | 검토된 샘플에서 스키마를 생성해 자동 저장하고, schema_id, 스키마 내용, 레코드 링크를 반환합니다. |
| 스키마 | save_schema | 직접 작성한 schema를 저장하고 해당 ID와 링크를 반환합니다. |
| 스키마 | update_schema | LLM 호출 없이 저장된 스키마의 메타데이터를 편집하거나 schema_content 전체를 교체합니다. |
| 스키마 | get_schema_part | 편집에 필요한 스키마 조각만 확인합니다. |
| 스키마 | get_enum_candidates | 각 개방형 열거형의 현재 어휘에 없는 관측 값을 최근 보강 레코드의 건수와 함께 나열합니다. |
| 스키마 | update_schema_property | 전체 스키마를 교체하지 않고 경로를 지정해 속성 하나를 편집하거나 제거합니다. |
| 스키마 | add_schema_property | 루트(parent_path='), 객체 경로 또는 '$defs.X' 아래에 속성을 추가합니다. |
| 스키마 | move_schema_property | 속성 하나를 루트, 객체 경로 또는 '$defs.X'로 이동하며 해당 플래그와 전문 영역 설정을 유지합니다. |
| 스키마 | resolve_unify_proposal | get_schema에서 대기 중인 엔터티 유형 통합 제안 하나를 처리합니다. |
| 스키마 | nest_schema_region | get_schema의 x-entityMap에서 엔터티 영역을 구체화합니다. |
| 스키마 | publish_schema | 데이터베이스에 연결된 스키마의 작업 사본을 보강 및 복제본이 사용하는 계약으로 게시합니다. |
| 스키마 | delete_schema | UUID로 저장된 스키마를 소프트 삭제합니다. |
| 스키마 | analyze_sample | 스키마 생성 전에 샘플의 속성 모호성과 관계 아이덴티티 범위를 분석합니다. |
| 스키마 | analyze_schema | 저장된 스키마의 속성 모호성과 관계 아이덴티티 범위를 분석하고, 주석을 스키마에 기록합니다. |
| 보강 및 융합 | start_batch_enrichment | schema_id 또는 target_schema 중 정확히 하나를 기준으로 entity 목록에 대한 요금이 부과되는 비동기 enrichment를 시작합니다. |
| 보강 및 융합 | enrich_entity | schema_id 또는 target_schema 중 정확히 하나를 기준으로 엔터티 하나를 보강하고, 구조화된 출력, record_id, 비용, 데이터베이스 결과를 반환합니다. |
| 보강 및 융합 | retry_expertises | 기존 레코드에서 실패한 전문 영역만 재시도한 뒤 출력을 업데이트하고 해당 실행의 융합/동기화를 시도합니다. |
| 보강 및 융합 | merge_records | 동일한 엔터티의 레코드 두 개 이상을 새 중재 레코드로 융합합니다. |
| 작업 제어 | get_job_status | 작업의 상태, 진행률과 저장된 레코드 ID가 포함된 간략한 최종 요약을 확인합니다. |
| 작업 제어 | cancel_job | 대기 중, 실행 중 또는 일시 중지된 LLM 작업의 취소를 요청합니다. |
| 작업 제어 | answer_job_question | 일시 중지 시 반환된 질문에 답변하여 중지된 작업을 재개합니다. |
| 작업 제어 | answer_llm_request | 위임된 작업에서 대기 중인 모델 호출 하나의 결과를 제출합니다. 위임된 작업이란 사용자가 클라이언트 자체 모델로 시작한 작업입니다(use_platform_models=true이거나…가 아니면 모든 시작 도구의 기본값)… |
| 레코드 및 통계 | list_records | 조직의 레코드를 최신순으로 간략하게 페이지 단위로 나열합니다. |
| 레코드 및 통계 | get_record | 저장된 레코드 하나의 structured_output, entity_input_data, 검증 오류, 전문 영역 판정 및 지표를 확인합니다. |
| 레코드 및 통계 | get_stats | 조직 전체의 레코드 총계, 성공률, 토큰 및 비용 요약을 확인합니다. |
| 벤치마크 | list_benchmark_scenarios | 간략한 벤치마크 시나리오 요약과 총계를 나열합니다. |
| 벤치마크 | get_benchmark_scenario | 벤치마크 시나리오 하나를 모델별 품질, 비용, 속도 결과와 함께 확인합니다. |
| 벤치마크 | get_benchmark_scenario_results | 시나리오의 모델별 벤치마크 결과를 필터링, 정렬, 제한합니다. |
| 벤치마크 | create_benchmark_scenario | 필수 채점 판정기를 포함한 재사용 가능한 벤치마크를 만듭니다. |
| 벤치마크 | update_benchmark_scenario | 벤치마크의 테스트 정의 또는 채점 구성을 편집합니다. |
| 벤치마크 | set_benchmark_reference | enrichment 또는 schema 생성 benchmark의 기준 정답(gold reference)을 저장합니다. |
| 벤치마크 | revert_benchmark_reference_updates | 채점 패스가 시나리오 레퍼런스에 적용한 자동 수정을 되돌립니다. |
| 벤치마크 | delete_benchmark_scenario | 벤치마크 시나리오와 저장된 결과를 삭제합니다. |
| 벤치마크 | run_benchmark | benchmark의 요금이 부과되는 비동기 실행 및 채점을 시작합니다. |
| 첨부 파일 | upload_attachment | base64 파일 바이트를 재사용 가능한 소스 자료로 업로드합니다. id와 requires_capability를 반환합니다. |
| 첨부 파일 | delete_attachment | 조직의 첨부 파일을 저장된 파일까지 포함해 영구적으로 삭제합니다. |
| Database Sync | list_database_syncs | 저장된 스키마의 데이터베이스 등록, 연결된 스키마, 옵션 및 동기화 호스트를 나열합니다. |
| Database Sync | list_entity_states | 실행별 레코드가 아니라 스키마의 현재 병합된 엔터티 행을 조회합니다. |
| Database Sync | create_database_sync | 저장된 스키마를 PostgreSQL, MySQL 또는 SQLite로의 관계형 동기화 대상으로 등록합니다. |
| Database Sync | assign_sync_host | 데이터베이스 동기화를 프로비저닝하는 호스트를 지정하거나 해제합니다. |
| Database Sync | classify_database_model | 연결된 schema에 대해 database key, SQL 타입, 인덱스, 관계 소유권을 제안하는 요금이 부과되는 분석을 시작합니다. |
| Database Sync | delete_database_sync | 데이터베이스 등록과 대기 중인 델타를 삭제하여 해당 피드를 중단합니다. |
| Database Sync | get_database_setup_instructions | ee-database sync 클라이언트의 비밀 정보가 없는 설치, 브라우저 확인 페어링 및 실행 안내를 반환합니다. |
| Database Sync | fetch_database_deltas | 데이터베이스 동기화의 다음 순서 구간에 해당하는 SQL 델타와 정규 페이로드를 확인합니다. |
| Database Sync | ack_database_deltas | 적용에 성공한 후 up_to_id를 통해 모든 델타를 확인 처리하여 리스를 해제합니다. |
| Database Sync | sync_records_to_database | 저장되었거나 제공된 enrichment 출력을 검증하여 entity 계층과 연결된 동기화에 주입합니다. |
| 시맨틱 ID | list_semantic_concepts | 별칭, 사용 횟수, 유형/모델 패싯과 함께 조직 개념을 조회합니다. |
| 시맨틱 ID | get_semantic_concept | 개념 하나의 별칭, 아이덴티티 소스 키, 연결된 레코드 및 동일한 유형/모델 구간 내 최근접 이웃을 확인합니다. |
| 시맨틱 ID | probe_semantic_concept | 개념을 추가하거나 사용 횟수를 늘리지 않고 아이덴티티 해석 결과를 미리 봅니다. |
| 시맨틱 ID | add_semantic_concept | 사용 횟수 0인 아이덴티티 개념을 추가하거나, alias_of를 사용해 텍스트를 별칭으로 추가합니다. |
| 시맨틱 ID | update_concept_alias | get_semantic_concept에서 얻은 별칭 ID로 개념 별칭을 제거하거나 승격합니다. |
| 시맨틱 ID | import_semantic_concepts | 하나의 개념 유형에 대해 텍스트 1~1000개를 해석합니다. |
| 시맨틱 ID | merge_semantic_concepts | 탈락 개념을 승자 개념으로 병합합니다. |
| 시맨틱 ID | delete_semantic_concepts | ids, concept_types 또는 unused_only로 선택한 개념을 삭제합니다. |
| 시맨틱 ID | migrate_semantic_embeddings | 조직의 개념 임베딩 공간을 검사하거나 마이그레이션합니다. |
| 제품 지원 | ask_support | Entity Enricher의 제품 지원 어시스턴트인 Rupert에게 애플리케이션 자체에 대해 질문하세요: 기능, 도구, 설정의 작동 방식, error_code, 제한, 상태의 의미… |
| 제품 지원 | get_support_conversation | 지원 스레드 하나의 모든 대화를 확인합니다: 내 질문(role user), Rupert의 답변(assistant), 지원팀의 후속 답변(admin, author_name 포함). |
| 제품 지원 | list_support_conversations | 최근 활동 순으로 정렬된 내 지원 스레드 목록으로, message_count와 unread_for_user(아직 읽지 않은 지원팀 후속 답변)를 포함합니다. |
서버 지침은 사용 가능한 워크플로를 설명하고, 도구 설명은 개별 호출을 설명합니다. 모델링을 결정하거나 복구해야 할 때는 클라이언트에서 enricher://docs의 가이드 색인을 읽고 MCP 리소스를 통해 가이드를 선택할 수 있습니다. 가이드를 읽어도 model이 실행되지는 않습니다. 아래 링크는 공개 저장소에 있는 동일한 영문 가이드를 엽니다.
기본적으로 시작하는 모든 작업은 사용자 본인의 모델에서 실행됩니다. 각 모델 호출에 `answer_llm_request`로 응답하면 플랫폼이 모든 응답을 스키마에 대해 검증합니다. `use_platform_models=true`를 설정하면 작업이 플랫폼에서, 즉 해당 작업에 대해 조직의 벤치마크 성능이 가장 좋은 모델로 실행됩니다.
검토된 예시를 바탕으로 아이덴티티, 관계, 다국어 필드를 포함한 재사용 가능한 스키마를 설계합니다.
직렬화된 JSON Schema, 샘플 데이터, 속성 도구 경로를 혼동하지 않고 Entity Enricher 스키마 문서를 읽고 작성하고 편집합니다.
추출, 지식 보강 또는 2단계 조합을 선택하고, 호출 간에 첨부 파일 출처를 유지합니다.
엔터티를 보강하고 실제 결과를 해석하며, 성공한 작업을 반복하지 않고 부분적인 모델 실패를 복구합니다.
엔터티 목록을 비동기로 보강하고, 건너뜀·실패·융합·데이터베이스 반영 결과를 구분합니다.
올바른 기준과 점수 해석을 사용해 보강, 샘플 생성 또는 스키마 생성에서 모델을 비교합니다.
enrichment schema를 자체 데이터베이스의 관계형 테이블로 전환하고, 승인·마이그레이션·복제본 전달을 각각 확인하세요.
다양한 표기 형태에서 반복되는 엔터티를 인식하고, 불확실한 매칭을 검토하며, 어휘 변경이 복제본에 미치는 영향을 파악합니다.
제품 지원 어시스턴트인 Rupert에게 Entity Enricher 자체에 대해 무엇이든 질문하고, 이미 시작한 스레드를 이어가며, 지원팀의 후속 답변을 확인하세요.
리소스는 스키마와 레코드 데이터, 그리고 워크플로 가이드를 Markdown으로 제공합니다. 탐색 및 로드 방식은 클라이언트가 선택하며, 리소스 콘텐츠도 모델 컨텍스트를 소비할 수 있습니다.
| URI 템플릿 | 설명 |
|---|---|
| enricher://docs | 워크플로 가이드 색인이며, 각 항목은 표시된 리소스 URI에서 확인할 수 있습니다. |
| enricher://schemas/{schema_id} | 저장된 스키마 작업 사본을 Markdown으로 제공합니다. 활성 연결 계약을 보려면 version="published"로 get_schema를 사용하세요. |
| enricher://records/{record_id} | Markdown으로 렌더링된 과거 강화 레코드 — 메타데이터 + 구조화된 출력 + 검증 오류. |
| enricher://attachments/{attachment_id} | 업로드된 첨부 파일의 바이트를 실제 미디어 유형으로 제공합니다. LLM 호출을 위임하는 작업이 클라이언트가 직접 업로드하지 않은 PDF, 이미지 또는 오디오 파일을 전달하는 방식입니다. |
질문이 Entity Enricher 자체에 관한 것이고 — 기능이나 도구의 작동 방식, 오류 코드·한도·경고의 의미, 결과가 그렇게 나온 이유 등 — 가이드에서 답을 찾을 수 없는 경우, 서버 지침은 에이전트가 추측하지 말고 제품 지원 어시스턴트인 Rupert에게 ask_support로 문의하도록 안내합니다. 이 호출은 완전한 답변과 새로 열린 스레드의 id를 반환하며, 다음 질문에 해당 conversation_id를 전달하면 대화의 맥락이 유지됩니다.
각 질문은 조직의 일일 지원 할당량에서 차감되며, questions_remaining으로 보고됩니다. 지원 팀이 해당 스레드에 답변할 수 있습니다. 그 스레드에서 다음 ask_support를 호출하면 추가된 답변이 new_admin_messages로 반환되고, get_support_conversation은 스레드 전체를 읽습니다. 동일한 스레드가 웹 앱의 지원 채팅에, 그리고 소유자에게는 Users 페이지의 Discussions 탭에 AI 에이전트가 열었다는 배지와 함께 표시됩니다.
enrich_entity에 분류 모델을 사용하도록 요청했는데 엔터티가 스키마 유형과 일치하지 않으면, 도구는 구조화된 세부 정보가 담긴 오류가 아닌 응답을 반환합니다. 클라이언트는 이를 읽고 판단 근거를 보여 준 뒤, 확인하시면 force_after_classification_warning=true로 다시 시도합니다 — 이때 재시도에서는 분류기를 사용하지 않습니다.
{
"success": false,
"error_code": "classification_warning",
"message": "Pre-flight classification rejected the entity. ...",
"classification": {
"status": "mismatch",
"reasoning": "Titan is a moon of Saturn, not a planet.",
"confidence": 0.97
},
"job_id": "..."
}MCP 응답은 classification 세부 정보를 유지하므로, 클라이언트가 새 호출을 시작하기 전에 그 판단 근거를 설명할 수 있습니다.
동일한 상호작용 방식이 두 번째 흐름에도 적용됩니다. generate_sample을 원본 문서와 함께 실행하면, 플래너가 구조에 관한 확인 질문을 제시하며 일시 중지할 수 있습니다. 클라이언트는 그 질문을 전달하고 answer_job_question으로 작업을 재개합니다 — 샘플이 생성될 때까지 여러 차례 반복됩니다.
대부분의 도구 오류는 error_code 필드가 포함된 구조화된 객체를 반환하므로 클라이언트가 할당량, 분류, 시간 초과, 제공자 오류를 구분할 수 있습니다. 일부 이전 응답에는 error 또는 message 필드만 포함되므로 전송 상태뿐 아니라 실제 결과도 확인하세요.
| error_code | 시점 |
|---|---|
| invalid_request | 잘못된 형식의 UUID, 상호 배타적인 인수(schema_id + target_schema), 또는 요청 본문 검증 실패. |
| prompt_limit_reached | 일별/주별/월별 prompt 할당량이 소진되었습니다(HTTP 402). 본문에 기간, 한도, 사용량, 필요량이 포함됩니다. |
| insufficient_credits | organization에 결제가 활성화되어 있으나 credit 잔액이 너무 적어 작업을 시작할 수 없습니다(HTTP 402). 본문에 잔액과 구매 URL이 포함됩니다. |
| model_limit_exceeded | 요금제가 허용하는 것보다 많은 모델을 요청했습니다(HTTP 402). 한도와 요청 수를 반환합니다. |
| language_limit_exceeded | 요금제가 허용하는 것보다 많은 언어를 요청했습니다(HTTP 402). |
| concurrent_job_limit_reached | 이 organization에 활성 enrichment 작업이 너무 많습니다. 기다리거나 요금제를 업그레이드하세요. |
| classification_warning | ⚡ 오류 아님: 사전 검사 분류기가 엔티티를 거부했습니다. 응답에 분류 컨텍스트가 포함되어 있어, 클라이언트가 사용자에게 확인을 요청한 후 force_after_classification_warning=true로 다시 시도할 수 있습니다. |
| benchmarks_not_in_plan | 현재 organization 요금제에는 Model Benchmarks가 포함되어 있지 않습니다(HTTP 403). benchmark를 변경하는 도구는 소유자 역할도 확인합니다. |
| support_question_limit_reached | 조직의 일일 지원 질문 할당량을 모두 사용했습니다(HTTP 402). 본문에는 limit과 used가 포함되며, 모든 ask_support 결과는 questions_remaining을 보고합니다. |
| support_requires_user | 조직 액세스 키로 ask_support를 호출했습니다(HTTP 403). 지원 스레드는 개인에게 속합니다. OAuth 또는 개인 API 키로 로그인하세요. |
| support_unavailable | 지원 어시스턴트가 답변하지 못했습니다(중계 실패). 질문은 그대로 차감되고 스레드는 생성되어 있습니다. 즉시 다시 질문하지 말고 나중에 get_support_conversation으로 읽어 보세요. |
| web_search_undecided | 귀하의 모델에서 실행되는 작업에 대해 enable_web_search 없이 start 도구가 호출되었습니다. 귀하의 모델이 웹 검색을 사용해도 되는지 사용자에게 먼저 확인한 후 enable_web_search=true 또는 false로 다시 호출하세요. |
| delegation_requires_auto | 귀하의 모델에서 실행 중인 작업이 시작 이후 주입된 명시적 플랫폼 모델(예: 조직 기본값)을 만났습니다(HTTP 400). use_platform_models=true로 작업을 시작하거나 해당 기본값을 제거하세요. |
| request_not_pending | answer_llm_request가 이미 응답되었거나 만료되었거나 다음 단계로 진행한 작업에 속한 요청을 지정했습니다. 현재 대기 중인 요청은 get_job_status(job_id).llm_requests에서 확인하세요. |
| llm_request_pending | answer_job_question이 질문이 아니라 위임된 LLM 요청 때문에 일시 중지된 작업에 대해 호출되었습니다. answer_llm_request로 응답하세요. |
| llm_request_timeout | LLM 호출을 위임한 작업이 15분 내에 대기 중인 요청에 대한 응답을 받지 못해 작업이 실패했습니다. 위임된 작업에는 기본 응답이 없습니다. |
| ambiguity_check_disabled | 모호성 검사가 꺼져 있는 스키마에 대해 analyze_schema가 호출되었습니다(HTTP 400). 먼저 update_schema에서 ambiguity_check_enabled=true로 설정해 다시 활성화하세요. |
| enrichment_timeout | 작업이 timeout_seconds를 초과했습니다. 모델 수를 줄이거나 엔터티를 분할하는 것을 권장합니다. |
| schema_generation_timeout | 스키마 생성이 timeout_seconds를 초과했습니다. |
| schema_generation_failed | 스키마 생성 중 업스트림 LLM 오류가 발생했습니다 (HTTP 502). |
| model_output_invalid | model이 schema와 일치하지 않는 출력을 반환했습니다(HTTP 502). 본문에는 model, 문제가 되는 속성 경로, retryable: true가 명시되어 있습니다 — 도구를 다시 호출하거나 더 강력한 model을 선택하세요. |
| cancelled | 작업이 실행 도중 취소되었습니다(HTTP 499). |
| not_found | 스키마 또는 레코드 ID가 조직에 존재하지 않습니다. |
| http_error | 구조화된 세부 정보 본문이 없는 HTTP 오류에 대한 포괄 처리입니다. |
get_stats는 채팅 측 요약을 제공하며, 전체 대시보드는 앱에 유지됩니다.