A classificação prévia verifica se uma entidade corresponde ao tipo de schema esperado antes de o enriquecimento começar. Este passo opcional evita alucinações e desperdício de tokens quando as entidades não correspondem ao seu schema.
Os LLMs estão ansiosos por ajudar. Quando lhes é pedido que enriqueçam uma entidade com base num esquema, produzem uma saída estruturada mesmo que a entidade não corresponda de todo ao tipo do esquema. Isto leva a dados alucinados que parecem plausíveis, mas estão completamente errados.
Esquema: “Planeta” — Entidade: “Titan”
O LLM trata Titan como um planeta e inventa dados: período orbital, composição da atmosfera, número de luas — todos com aparência plausível, mas errados. Titan é, na verdade, uma lua de Saturno.
A classificação deteta: “incompatibilidade — Titã é uma lua, não um planeta”
Os modelos de enriquecimento recebem este contexto, definem os campos irrelevantes como null e preenchem apenas as propriedades que realmente se aplicam à entidade.
A classificação é executada como uma única chamada rápida ao LLM antes de qualquer modelo de enrichment começar. Utiliza um modelo económico e rápido (como o Claude Haiku ou o GPT-4o Mini) para minimizar o custo.
A entidade corresponde ao tipo do schema. O enriquecimento prossegue com elevada confiança.
A entidade é de um tipo diferente do que o schema espera. A classificação explica o que a entidade realmente é.
A entidade não pode ser identificada com certeza. O LLM não tem informação suficiente para a classificar.
Existem várias interpretações válidas. A classificação lista as alternativas.
A classificação é meramente consultiva. Se a chamada de classificação falhar por qualquer motivo (erro do modelo, timeout, limite de taxa), o enrichment prossegue normalmente sem contexto de classificação. Isto garante que a etapa opcional de classificação nunca impede a conclusão do enrichment.
A classificação foi concebida para ser executada em modelos rápidos e económicos. Envia um payload mínimo (nome do schema, descrição e dados da entity truncados) e espera uma pequena resposta estruturada. O custo típico é uma fração do próprio enrichment — bem vale a melhoria de precisão.
A interface mostra o progresso da classificação em tempo real através de Server-Sent Events. Um evento classification_started dispara quando a verificação começa, seguido de classification_completed com o estado, a confiança e a descrição da entidade. O resultado aparece como um banner acima dos resultados dos modelos.
Se você cancelar o enrichment durante a fase de classification, o trabalho é interrompido de imediato sem iniciar quaisquer models de enrichment. Não se gastam tokens desnecessários.
Na barra lateral do Editor de Fluxo de Trabalho ou do Enriquecimento em Lote, procure o menu pendente “Classificação”. Selecione um modelo rápido e económico (Claude Haiku, GPT-4o Mini ou semelhante). A classificação será executada automaticamente antes de o enriquecimento começar para cada entidade.
Ao utilizar a API REST, inclua o campo classification_model no seu pedido de enrichment com a chave composta do modelo (por exemplo, anthropic::claude-haiku-4-5).
Cada verificação é guardada como um registo próprio no Histórico, sob o tipo Classificação, para que possa sempre perceber por que motivo uma execução recebeu um aviso.
Não confundir com a classificação database-model, que partilha a palavra e nada mais: essa é executada quando um esquema está ligado a um Database Sync e propõe, para cada propriedade, a chave de base de dados, o tipo SQL e a intenção de índice — uma coluna de pesquisa correspondida por fragmento de texto, metade de um par de coordenadas ou de intervalo que se torna um único índice espacial ou de intervalo, ou um índice moldado pela consulta: uma lista ordenada dos campos de um objeto, moldada pela consulta do ecrã de lista que serve, entregue como um único índice multicoluna. Não pergunta nada sobre a sua entidade e aparece no Histórico como DB Classification.