Een stapsgewijze uitleg van hoe Entity Enricher één entiteit verwerkt — van invoer via classificatie en parallelle modeluitvoering tot gestructureerde uitvoer.
Open de pagina Workflow Editor en stel je verrijking in. Een workflow-stepper leidt je door de pipeline-fasen: Voorbeeldgegevens, Schema, Verrijking en Resultaten — plus een stap Database Ready wanneer het schema gekoppeld is aan een database sync, die bevestigt dat de wijzigingen van de run in de wachtrij voor je database zijn geplaatst (of uitlegt waarom het opslaan is geweigerd).
Plak voorbeeld-JSON om automatisch een schema te genereren en verken vervolgens de interactieve eigenschappenboom. Bewerk eigenschappen, voeg expertisedomeinen toe en markeer velden als zoeksleutels of behouden.
Configureer verrijkingsopties (strategie, modellen, talen, classificatie, plus het response-schema en de schakelaars voor strikte gestructureerde uitvoer) en vul de zoeksleutels van de entiteit in (naam, website, land, enz.) om de entiteit te identificeren.
Toont realtime voortgang en resultaten voor elk model. Bij gebruik van meerdere modellen verschijnt er een knop “Resultaten samenvoegen” voor fusion.
Sommige verzoeken kunnen onmogelijk een bruikbaar resultaat opleveren, en dat ontdek je het goedkoopst vóór de eerste LLM-aanroep. Twee contracten worden vooraf afgedwongen.
Een schema legt vast wat de invoer moet bevatten: de sleutelvelden die aangeven welke entiteit dit is, een sleutel op elk item van een array die je aanlevert, en een waarde voor elk veld dat als preserve is gemarkeerd (er kan niets bewaard worden dat nooit is meegegeven). Een verzoek waarin iets daarvan ontbreekt, wordt geweigerd met één enkele fout die alle overtredingen tegelijk opsomt — plus het volledige contract van het schema, zodat je het in één keer kunt herstellen in plaats van de vereisten afwijzing voor afwijzing te ontdekken. Het contract wordt bij elk opgeslagen schema gepubliceerd, zodat een client het vooraf kan controleren.
Een array waarvoor je items aanlevert, wordt exact verrijkt: het model vult aan wat het over elk item weet en mag er geen toevoegen of weglaten. Stuur je vijf regels, dan krijg je er vijf terug. Een item dat het model niet heeft opgepakt, wordt letterlijk teruggeplaatst in plaats van verloren te gaan, en een item dat het verzint wordt weggelaten. Arrays die je leeg laat, blijven open — dan ontdekt het model feiten, en daar gaat het juist om.
Als je een classificatiemodel hebt geselecteerd, wordt eerst een snelle, goedkope LLM-aanroep uitgevoerd om te controleren of de entity overeenkomt met het schematype. Dit voorkomt dat er tokens worden verspild aan enrichment wanneer de entity niet overeenkomt. Lees meer in de Classificatiedocumentatie.
Elk geselecteerd model verwerkt de entiteit met de strategie die je hebt opgegeven — of standaard met de strategie die automatisch wordt gekozen op basis van de vorm van je schema en die de run bij de start meldt. Als er meerdere modellen zijn geselecteerd, draaien ze parallel over providers heen (Claude en GPT-4 draaien tegelijk), terwijl modellen van dezelfde provider achter elkaar draaien om de rate limits te respecteren.
Elke LLM-respons wordt in realtime gevalideerd aan de hand van je schema. Wanneer de output niet overeenkomt met de verwachte types of beperkingen, stuurt het systeem de fouten automatisch terug naar de LLM ter correctie.
Maximaal 5 automatische nieuwe pogingen per LLM-aanroep. Elke poging bevat de specifieke validatiefout, zodat de LLM precies weet wat er hersteld moet worden — en het herstel is chirurgisch: alleen de bladeren die fout terugkwamen worden opnieuw gevraagd, niet het hele antwoord.
Let op wat niet in deze lijst staat: een waarde die het model niet kon bepalen is geen fout om opnieuw te proberen. Elk veld kan ontbrekend terugkomen, en het model geeft aan wat het niet kon vinden, dus “onbekend” is een antwoord en geen mislukking. Of een ontbrekende waarde acceptabel is, wordt later bepaald, wanneer de entity in je database wordt toegelaten — niet door het model te laten gokken.
Twee optionele schakelaars vragen de provider om de uitvoer te beperken voordat deze terugkomt, zodat er om te beginnen minder antwoorden gecorrigeerd hoeven te worden. Beide gelden alleen voor modellen die ze ondersteunen; alles valt nog steeds terug op de validatie-en-herprobeer-lus hierboven.
Entity Enricher gebruikt Server-Sent Events (SSE) om de voortgang in realtime te streamen. Je hoeft niet te wachten tot alle modellen klaar zijn — resultaten verschijnen geleidelijk zodra elk expertisedomein of model klaar is.
Elk model krijgt zijn eigen resultaatpaneel met de gestructureerde JSON-output, voortgangsbadges per expertise, tokengebruik, kosten en verwerkingstijd. Bij gebruik van de multi-expertise-strategie worden de expertise-badges in realtime bijgewerkt zodra elk domain klaar is.
Bij gebruik van de multi-expertisestrategie kunnen sommige expertises mislukken terwijl andere slagen. In plaats van alles weg te gooien, retourneert Entity Enricher de samengevoegde output van de geslaagde expertises met de status “Gedeeltelijk”. Je kunt dan alleen de mislukte expertises opnieuw proberen zonder de hele verrijking opnieuw uit te voeren.
Nadat de enrichment is voltooid, worden je resultaten opgeslagen op de History-pagina voor later gebruik. Als je meerdere modellen hebt gebruikt, kun je de resultaten samenvoegen met Multi-Model Fusion.