Plataforma de enriquecimento de entidades com IAOs seus documentos tornam-se uma base de dados.

Um ambiente de IA para pessoas e agentes de IA criarem, preencherem e fazerem evoluir bases de dados relacionais normalizadas. Comece com PDFs, fotografias, notas de voz, ficheiros CSV, uma base de dados existente ou descreva simplesmente aquilo de que precisa. O Entity Enricher cria um schema editável e fluxos de trabalho que enriquecem os seus dados, resolvem entidades duplicadas e mantêm a sua base de dados atualizada.

Executar um enriquecimento em direto

Um enriquecimento parte de um pedido e preenche o schema de uma entidade e das que lhe estão associadas. Cinco jogadores são enriquecidos sucessivamente: um clube ou um país encontrado num jogador anterior é reconhecido, não é adicionado novamente.

Cada campo de um esquema é uma pergunta

Os enriquecimentos acima preenchem um esquema com valores. Aqui está o mesmo esquema sob a forma de diagrama de classes: cada objeto da sua estrutura JSON, com os seus campos, apresentando cada um o respetivo tipo JSON (string, number, boolean…) no lugar onde estaria um valor. Cada campo traz uma descrição e, ao passar o ponteiro sobre um campo ou ao tocar nele, abre-se essa descrição — a pergunta — com os exemplos do campo, os valores que pode assumir quando se trata de um conjunto fechado e o especialista que lhe responde; o cabeçalho de um objeto abre a descrição do próprio objeto. Uma ligação para outro objeto também é um campo: traz o nome do campo e abre a pergunta que indica ao modelo a que objeto se liga.

Cada descrição é a pergunta colocada ao modelo de linguagem para obter o valor desse campo. A geração de schema escreve-as, e o editor de schemas pode editá-las, para tornar uma pergunta mais precisa ou para eliminar uma ambiguidade antes de qualquer execução de enriquecimento.

Um identificador por clube com IDs semânticos, independentemente de como o nome é escrito

Cada enriquecimento escreve o nome de um clube tal como as suas fontes o fazem: FC Barcelona no registo de um jogador, Futbol Club Barcelona no seguinte. Cada clube mencionado num registo recebe um ID semântico, nunca preenchido pelo modelo, resolvido nos três passos abaixo, começando pelo mais económico. Em caso de dúvida, é criado um novo ID: fundir dois IDs é questão de um clique, anular uma fusão incorreta não.

Cada enriquecimento torna-se linhas nas suas tabelas

Um esquema ligado a uma base de dados torna-se tabelas: uma por tipo de entidade, uma por lista, cada uma ligada às outras pelas suas chaves estrangeiras. Um enriquecimento é escrito numa única transação, as linhas referenciadas antes das linhas que lhes fazem referência. Uma entidade que um enriquecimento anterior já escreveu não acrescenta nenhuma linha nova: a sua linha é atualizada ou deixada como está. Um esquema que não está ligado a nenhuma base de dados termina no resultado do próprio enriquecimento: JSON estruturado, validado em relação ao esquema.

Uma única fila para a sua base de dados, tanto para linhas como para alterações de esquema

Um Database Sync mantém as entidades numa base de dados PostgreSQL sua. Cada enriquecimento torna-se uma transação de upserts, para a entidade e para as que lhe estão ligadas; publicar uma alteração de esquema torna-se uma migração. Ambos aguardam na mesma fila, pela ordem de chegada, e o cliente ee-database aplica o primeiro elemento e depois confirma-o. Assim, uma nova coluna existe antes da primeira linha que a preenche, e as linhas escritas anteriormente mantêm NULL nessa coluna.

O ee-database é um programa open-source (licença MIT) que corre no seu servidor ou portátil, junto à base de dados onde escreve. É ele que abre a ligação, para fora, em direção a Entity Enricher, pelo que a base de dados não aceita nenhuma ligação do exterior e as suas credenciais nunca saem dessa máquina.

Um esquema criado por IA a partir das suas amostras de dados

A amostra, extraída de um documento ou escrita manualmente, cria a primeira versão do esquema, que é depois editada na plataforma.

  1. De um documento a uma amostra

    Uma amostra pode ser extraída de um documento — aqui, o registo de uma livraria referente a The Fellowship of the Ring (o registo em PDF). Uma extração conserva todos os valores indicados no documento: o autor e a editora, mas também os capítulos, as personagens e a prateleira do livro na loja. Um documento não dá qualquer controlo sobre os campos obtidos.

    O utilizador mantém depois os campos a que o schema se destina. Um catálogo de livros precisa de um título, um género, um ano e um preço, um autor, uma série e uma editora: os restantes campos ficam de lado. O que sobra é a amostra deste livro, a primeira das cinco que os passos seguintes leem; um documento dá uma amostra, as outras vêm de outros livros.

  2. De uma amostra a um mapa de entidades

    O Entity Enricher lê uma amostra dos seus dados e reconhece as entidades que ela descreve — aqui, livros, autores, séries e editoras — bem como os campos que identificam cada uma. Estas entidades são propostas: o esquema mantém a forma plana da amostra até que o utilizador transforme uma delas numa entidade própria, com um só clique. Os respetivos campos passam então para baixo dessa entidade, e um autor citado por vários livros torna-se uma única entidade com o seu próprio identificador único.

  3. Campos distribuídos entre especialistas

    A geração de schema agrupa os campos pelo conhecimento que exigem e atribui um especialista a cada grupo: aqui, um especialista literário para títulos, géneros, autores e séries, e um especialista em edição para editoras, preços e anos de publicação.

    No enriquecimento, cada especialista pode tornar-se uma chamada autónoma, executada em paralelo: um modelo a quem só se pergunta sobre preços e editoras responde de forma mais completa do que um a quem se pergunta tudo de uma vez.

  4. Cada especialista descreve os seus campos

    Cada especialista escreve então a descrição dos seus próprios campos, no seu próprio vocabulário: a que ano corresponde o ano de um livro, em que moeda e em que data é lido o seu preço. Os especialistas escrevem em paralelo, uma chamada cada.

    Uma descrição é a pergunta a que um modelo responde para o seu campo durante o enriquecimento, pelo que uma descrição precisa é o que faz com que dois modelos, ou duas execuções, preencham o campo da mesma forma.

  5. Campos que identificam uma entidade

    Para cada tipo de entidade, a geração de esquema seleciona os campos que identificam uma instância — o título de um livro, o nome de um autor. Dante e Dan Brown escreveram, cada um, um Inferno: um livro distingue-se pelo título e pelo autor em conjunto.

  6. Um ID semântico para cada entidade

    Quando são pedidos IDs semânticos, cada objeto que representa uma entidade recebe um campo id: o livro e cada entidade nele aninhada — autor, série, editora. O modelo nunca o preenche: após cada enriquecimento, é resolvido a partir dos campos identificadores da entidade, pelo que o mesmo autor escrito de duas formas mantém um único identificador.

    Um objeto que apenas contém factos do seu elemento-pai — aqui, o ano e o preço do livro — não recebe nenhum: nenhum dos seus campos identifica o que quer que seja. O mesmo acontece com uma associação, como o número de volume de um livro na sua série: é identificada pelas duas entidades que relaciona.

  7. Campos multilingues

    Um campo de texto pode ser marcado como multilingue: passa então a conter um valor por cada idioma pedido — um título, um género ou um país escritos em cada um deles, um nome no alfabeto de cada idioma. Um ano ou um preço mantém-se como um valor único. A identidade é lida no primeiro idioma, pelo que um título traduzido nunca cria um segundo livro.

  8. Identificadores mantidos tal como estão

    Para cada entidade, um ou vários modelos de linguagem preenchem o esquema a partir dos documentos anexados e do seu próprio conhecimento. Um campo marcado como preservado é a exceção: o seu valor vem do seu próprio sistema — um id de linha, uma referência interna — e atravessa o enriquecimento sem alterações, para que cada livro enriquecido regresse à linha de onde veio. Sem essa marca, o campo fica ao cuidado do modelo e nada o impede de escrever o ISBN que conhece em vez do seu id.

Uma base de dados desenhada a partir do seu esquema

Um esquema ligado a uma base de dados transforma-se em tabelas. A maior parte do desenho está na forma como essas tabelas se relacionam: que linhas são partilhadas por várias entidades e quais pertencem a uma só. Um modelo de linguagem responde a essas perguntas; as regras da projeção fazem o resto.

  1. Uma tabela por tipo de coisa

    Uma base de dados guarda os seus dados em tabelas. Uma tabela é uma grelha: cada coluna contém um campo, cada linha uma coisa. Quando um esquema é ligado a uma base de dados, cada tipo de entidade recebe uma tabela própria — aqui football_player — e cada jogador enriquecido torna-se uma linha dessa tabela.

    Um grupo de campos sem identidade própria, como a estreia de um jogador, não necessita de tabela: os seus campos tornam-se colunas da mesma linha, com o nome do caminho que conduz até eles — senior_debuts_club_date.

  2. O que distingue duas linhas

    Cada tabela tem uma chave: as colunas que distinguem uma linha das outras. Um jogador distingue-se pelo nome completo e pela data de nascimento em conjunto, um país pelo seu código ISO. As chaves são escolhidas quando o esquema é ligado, entre os campos que identificam cada entidade.

    Quando um jogador é enriquecido novamente, a chave encontra a linha que esse jogador já tem: a linha é atualizada e não surge nenhum duplicado.

  3. Uma relação é um apontador

    Numa folha de cálculo plana, um clube aparece na linha de cada jogador que lá jogou, com o seu ano de fundação copiado de cada vez. As cópias divergem: quando uma é corrigida, as outras continuam com o valor antigo.

    Numa base de dados, o clube é guardado uma só vez, numa tabela própria, e cada passagem contém apenas um apontador para ele — uma chave estrangeira, o _id do clube. São estas relações entre tabelas que mantêm os dados fiáveis: cada facto vive num só lugar, e todas as linhas que dele necessitam apontam para lá.

  4. Partilhada ou própria: a pergunta a que o modelo responde

    Para cada relação do esquema, é feita uma única pergunta a um modelo de linguagem: poderia outro jogador apontar para esta mesma linha? Um clube, uma cidade, um país ou uma competição existem independentemente de qualquer jogador, pelo que a resposta é sim, e a linha é partilhada por todos os jogadores que apontam para ela.

    Cada resposta vem acompanhada da sua justificação, que o utilizador lê — e pode contrariar — antes de a base de dados ser criada. Para este esquema, o modelo avaliou dezoito relações e concluiu que todas apontam para algo partilhado.

  5. Linhas que pertencem a um só jogador

    A passagem de um jogador por um clube contém factos válidos apenas para esse jogador: os anos, os golos. As suas linhas são próprias: cada jogador tem linhas só suas, mesmo no mesmo clube, e cada uma aponta para a única linha partilhada do clube.

    O interruptor mostra o que aconteceria com o veredicto errado. Como partilhadas, as duas passagens colapsam numa única linha por clube e o segundo enriquecimento substitui os valores do primeiro jogador. É por isso que uma relação é considerada exclusiva até se demonstrar que é partilhada: uma fusão errada corrompe os dados, enquanto uma fusão em falta apenas custa uma segunda linha.

  6. Tipos de colunas e índices

    Cada coluna assume um tipo a partir do seu campo: uma altura torna-se um número decimal, um ano um inteiro, uma data de nascimento uma data. Um tipo preciso permite à base de dados comparar, ordenar e validar os seus valores.

    Um índice é uma cópia ordenada de algumas colunas, que permite à base de dados encontrar linhas sem ler a tabela inteira. Os nomes recebem um índice de pesquisa, e o modelo molda os restantes índices a partir dos ecrãs de lista que uma aplicação irá mostrar — aqui, jogadores filtrados por altura e ordenados por nome.

Um esquema por workflow, uma base de dados para vários

Um esquema é um workflow: a sua própria amostra, as suas próprias execuções de enriquecimento, o seu próprio webhook quando chega um resultado. Uma base de dados pode estar ligada a vários. Dois workflows que nomeiam o mesmo tipo de coisa — aqui a cidade do clube de um jogador e uma cidade enriquecida por direito próprio — escrevem na mesma tabela: aquele que apenas a nomeia escreve a sua identidade, aquele que lhe é dedicado preenche o resto, e cada coluna além da identidade tem exatamente um responsável pela escrita.

Ligar um esquema verifica-o em relação aos já ligados: um tipo nomeado por ambos tem de ser distinguido pela mesma chave. O guia de sincronização da base de dados detalha as verificações.

De dados em bruto a sistema de informação

Um único pipeline recebe o que tiver — documentos, folhas de cálculo, linhas meio preenchidas — e devolve registos em que a sua base de dados pode confiar.

1

Fonte

Traga um lote do seu sistema existente — ou uma única entidade nova no momento em que surge. Documentos, imagens, pesquisa web e o conhecimento do mundo do LLM preenchem o que os seus dados não dizem.

2

Estrutura

Descreva o seu alvo em linguagem simples ou cole uma amostra — a IA cria um esquema tipado com domínios de especialização. Refine-o visualmente ou por chat.

3

Verificar

Vários modelos respondem em paralelo, por domínio de conhecimento. Os conflitos são detetados campo a campo e resolvidos por regras ou por um árbitro de IA — com o raciocínio registado.

4

Integrar

Os registos validados regressam com as suas chaves originais preservadas na íntegra e os IDs semânticos como chaves de junção estáveis. Sem duplicados, sem nova atribuição de chaves — até 40 idiomas por campo.

Duas formas de o alimentar

Lote — do seu sistema existente

Importe centenas de entidades da sua base de dados, CRM ou qualquer endpoint REST — cole JSON ou obtenha um URL com autenticação. Enriqueça-as em paralelo, acompanhe o progresso em tempo real, escreva registos limpos de volta — ou exporte para Excel.

Em tempo real — à medida que novas entidades chegam

Entra um novo lead, produto ou documento no seu sistema? Enriqueça-o em segundos — uma chamada à API, um acionador n8n/Make ou diretamente de um chat via MCP. Estruturado, validado, pronto a inserir.

Ambos os caminhos partilham os mesmos IDs semânticos — uma entidade enriquecida hoje num lote e reencontrada amanhã em tempo real continua a resultar num único registo.

Cada valor tem um rasto documental

A maioria das ferramentas de IA pede-lhe que confie no resultado. Nós permitimos-lhe inspecionar como foi decidido.

Antes

Verificação prévia

Um modelo rápido classifica primeiro a entidade em relação ao seu esquema. A enriquecer “Titan” como um planeta? É avisado antes de gastar um único token.

Durante

Modelos em competição

Dois ou mais LLM respondem de forma independente. As saídas são validadas face ao schema; os erros voltam ao model para autocorreção, automaticamente.

Depois

Arbitrado, registado

Conflitos ao nível do campo resolvidos por maioria, mediana ou por um árbitro de IA. Cada decisão — todos os valores candidatos, o vencedor, o raciocínio — é armazenada no registo.

Entity

Acme Corp

Qualquer entidade: empresa, medicamento, processo jurídico, artigo científico...

Classificação prévia

Correspondência — Empresa

Deteta incompatibilidades de tipo antes de desperdiçar créditos LLM.

Anthropic
OpenAI
Google Gemini

Use as suas próprias chaves de API — funciona com qualquer fornecedor de LLM.

Anthropic
Dados financeirosPrompt do LLM
JurídicoPrompt do LLM
MercadoPrompt do LLM
OpenAI
Dados financeirosPrompt do LLM
JurídicoPrompt do LLM
MercadoPrompt do LLM
Gemini
Dados financeirosPrompt do LLM
JurídicoPrompt do LLM
MercadoPrompt do LLM

Esquema dividido por domínio — prompts de autocorreção repetem em caso de falha de validação.

Anthropic Resultado
OpenAI Resultado
Gemini Resultado

Fusão profunda das respostas de especialização por modelo.

Resultado final enriquecido

Acme Corp

Arbitrado

A resolução ponderada de conflitos ao nível do campo produz o resultado final fiável.

Oito camadas de defesa estão entre a imaginação de um LLM e a sua base de dados. Como evitamos alucinações →

Os Seus Dados, os Seus Modelos, as Suas Chaves

Concebido para equipas cujos dados não podem sair do edifício — a conveniência da cloud com total controlo sobre onde a inferência acontece.

Use as suas próprias chaves de API

Utilize as chaves Anthropic, OpenAI ou Gemini da sua organization — a sua faturação, os seus acordos de tratamento de dados. As chaves da plataforma são apenas a opção predefinida sem configuração.

Execute modelos no seu próprio hardware

Emparelhe um portátil ou servidor GPU on-premise em dois minutos e encaminhe os enriquecimentos através de um túnel seguro para o seu Ollama local. Os dados sensíveis nunca chegam a um LLM na cloud.

Como funciona o tunnel →

Isolado por tenant por construção

Registos, esquemas, ficheiros e registos de conceitos têm âmbito de organização. Controlo de acesso baseado em funções até cada chave de API.

Organizações e funções →

Porquê o Entity Enricher

Criado de raiz para enriquecimento estruturado com LLM — eis o que acrescenta face a uma única chamada de modelo ou a um pipeline feito à mão.

Integra-se no seu sistema de informação

Integrado

Adicione uma sincronização de base de dados a um esquema e os enriquecimentos são espelhados no seu próprio PostgreSQL como tabelas relacionais reais — um snapshot SQL para o inicializar, um feed delta idempotente para o manter convergido e um cliente de sincronização de código aberto que o aplica sem qualquer código de ligação. As chaves de entrada são preservadas tal como estão, e cada entidade recebe um ID semântico estável: uma chave de junção pronta a usar que resolve “Headache”, “Céphalée” e “Cephalalgia” num único registo, e não três.

JSON em bruto por chamada. É você que concebe o armazenamento, as chaves, a correspondência e a reconciliação antes de tocar nos seus sistemas.

Schema Personalizado

Você define a estrutura de saída. Qualquer tipo de entity, quaisquer campos, qualquer profundidade de aninhamento.

Um prompt feito à mão devolve uma estrutura plana. O aninhamento, os tipos e a validação ficam todos a seu cargo.

Multi-modelo

Execute mais de 2 LLMs em simultâneo. Compare os resultados. Use o melhor de cada um.

Um único modelo, um único fornecedor. Sem forma de validar de forma cruzada ou melhorar a precisão.

Fusão e Arbitragem

Deteção de conflitos ao nível do campo com resolução baseada em regras ou arbitrada por LLM.

Confiança cega numa única fonte. Sem consciência de conflitos.

Qualquer Domínio, Qualquer Entidade

Entidades jurídicas, compostos farmacêuticos, artigos de investigação, imóveis — qualquer coisa.

Cada novo domínio implica novos prompts, nova validação, novo trabalho de integração — um pipeline por tipo de entidade.

Multilingue de Raiz

Integrado

Marque um campo como multilingue uma vez. Uma única chamada de enriquecimento devolve o valor traduzido em todos os idiomas que selecionou — até 40 — sem chamadas de LLM adicionais nem pipeline de tradução.

Saída apenas em inglês. A tradução é um passo separado, um custo separado e um modo de falha separado.

Use os Seus Próprios Documentos

Novo

Anexe PDFs, slides, folhas de cálculo, contratos, digitalizações e gravações de áudio. Os modelos com capacidade de visão, PDF e áudio leem-nos diretamente; os restantes são extraídos no servidor e inseridos automaticamente.

Apenas entradas de texto. Os documentos são um problema seu — converta, aplique OCR, transcreva, divida e limpe antes de poder enriquecer.

PDFPNGJPEGMP3WAVM4ADOCXDOCODTRTFEPUBHTMLCSVXLSXPPTXTXTMDVer todos os formatos →

Otimizado para custo por predefinição

Integrado

O caching de prompts reutiliza o prompt partilhado entre chamadas paralelas a ~10% do preço de entrada, cada especialização vê apenas os seus próprios campos, e uma verificação prévia económica evita que pague para enriquecer a entidade errada.

Preço fixo por registo, sem otimização ao nível dos tokens — e sem visibilidade sobre o que gastou de facto.

Como funciona a otimização de custos →

Funciona Onde Você Trabalha

Crie o seu esquema uma vez e enriqueça a qualquer escala — a partir da aplicação web, de fluxos de trabalho automatizados ou diretamente do seu próprio código.

Enriquecimento em Lote

Enriqueça centenas de entidades em paralelo a partir da aplicação web. Streaming em tempo real, fusão automática, exportação para Excel.

Fluxos de trabalho n8n e Make

Pipelines automatizados: acione com novos dados, enriqueça e envie para o seu CRM ou base de dados. Mais de 400 integrações com aplicações.

REST API

Acesso programático para integrações personalizadas. Esquema OpenAPI tipado, chaves com âmbito de organização, endpoints síncronos e de streaming.

Ligue-se a mais de 400 aplicações através do n8n

Crie pipelines de enriquecimento automatizados com o editor visual de fluxos de trabalho do n8n. Extraia dados de qualquer fonte, enriqueça com IA e envie resultados para qualquer lugar.

Google Sheets
Dados de origem
Entity Enricher
Entity Enricher
Enriquecimento com IA
HubSpot
Sincronização de CRM
HubSpot
CRM
Salesforce
CRM
Google Sheets
Folha de cálculo
Airtable
Base de dados
Slack
Mensagens
PostgreSQL
Base de dados
Webhook
API
Gmail
E-mail
Notion
Espaço de Trabalho
Stripe
Pagamentos
Jira
Gestão de Projetos
HTTP Request
API
Sincronização de CRM
Envie dados enriquecidos diretamente para o HubSpot, Salesforce ou qualquer CRM
Enriquecimento em cascata
Encadeie vários passos de enriquecimento com lógica condicional
Fluxos de trabalho sem código
Construtor visual de pipelines com arrastar e largar — sem necessidade de programação
Pipelines automatizados
Acionar o enriquecimento em novas linhas, submissões de formulários ou agendamentos
Ou use-o diretamente a partir do Claude Desktop, do Claude Code ou do Cursor

O Entity Enricher disponibiliza um servidor MCP (Model Context Protocol) incorporado. Liste os seus esquemas, enriqueça uma entidade, inspecione o resultado — tudo a partir do chat. Sem necessidade de editor de fluxos de trabalho.

Ou espelhe tudo na sua própria base de dados

O cliente open-source ee-database mantém o seu próprio PostgreSQL convergido com cada enrichment — inicialização por snapshot e, depois, um feed delta em tempo real através de uma ligação de saída. Sem workflow para construir, e a sua connection string nunca sai da sua máquina.

Como comparamos

Vem de uma API de pesquisa web, de um agente de pesquisa em folha de cálculo — ou está a construir o seu próprio pipeline de LLM? Eis onde se posiciona o Entity Enricher.

FuncionalidadeEntity EnricherParallel AIAgentes de pesquisa com IAPipeline LLM DIY
Esquema aninhado personalizadoEsquema JSON planoUm prompt por colunaCodificado à mão
Enriquecimento multi-modeloVocê orquestra
Fusão e Resolução de Conflitos
Registo de auditoria ao nível do campoCitações + confiança
Desduplicação de entidades ligadas (IDs semânticos)
Sincronize com o seu próprio PostgreSQLExportação CSV / folha de cálculoVocê constrói-o
Os seus documentos como fontesVariávelVocê constrói-o
Qualquer tipo de entidade
Resultados multilingues (40 idiomas)Você constrói-o
BYOK / modelos self-hostedRaramente
Processamento em LoteVocê constrói-o
ManutençãoGeridoGeridoGeridoSeu, para sempre
PreçosPagamento por token5-25 $ / 1 mil linhasCréditos / subscriçãoTempo de eng. + tokens

Recupere o passado. Enriqueça o futuro.

O conhecimento da sua empresa já está registado — torne-o consultável. Comece gratuitamente, traga as suas próprias chaves de API e pague apenas os custos de LLM.

Começar gratuitamente