O Entity Enricher oferece duas estratégias de enriquecimento que controlam como as chamadas ao LLM são orquestradas. Escolher a estratégia certa afeta a precisão, a velocidade e o custo.
Da configuração mais simples à mais poderosa. Cada uma assenta na anterior.
Um modelo, uma chamada. Todo o esquema é enviado num único prompt. Rápido e económico — ideal para esquemas simples ou iteração rápida.
Aspirin
Qualquer entidade: empresa, medicamento, processo jurídico, artigo científico...
Utilize qualquer provider de LLM com a sua própria chave de API.
Esquema completo numa única chamada — repete automaticamente em caso de falha de validação.
Aspirin
A mesma estratégia, mas executada em vários modelos em paralelo. Os resultados são comparados e arbitrados campo a campo para produzir um único resultado de elevada confiança.
Aspirin
Qualquer entidade: empresa, medicamento, processo jurídico, artigo científico...
Correspondência — Pharmaceutical Compound
Deteta incompatibilidades de tipo antes de desperdiçar créditos LLM.
Use as suas próprias chaves de API — funciona com qualquer fornecedor de LLM.
Esquema completo numa única chamada — repete automaticamente em caso de falha de validação.
Aspirin
ArbitradoA resolução ponderada de conflitos ao nível do campo produz o resultado final fiável.
O esquema é dividido por domínio de especialização. Cada modelo recebe subprompts focados para cada domínio. Os resultados são combinados em profundidade por modelo e, em seguida, arbitrados entre modelos. Precisão máxima para esquemas complexos e multidomínio.
Aspirin
Qualquer entidade: empresa, medicamento, processo jurídico, artigo científico...
Correspondência — Pharmaceutical Compound
Deteta incompatibilidades de tipo antes de desperdiçar créditos LLM.
Use as suas próprias chaves de API — funciona com qualquer fornecedor de LLM.
Esquema dividido por domínio — prompts de autocorreção repetem em caso de falha de validação.
Fusão profunda das respostas de especialização por modelo.
Aspirin
ArbitradoA resolução ponderada de conflitos ao nível do campo produz o resultado final fiável.
| Aspeto | Passagem única | Multi-especialização |
|---|---|---|
| Chamadas ao LLM | 1 por modelo | N por modelo (1 por domínio de especialização) |
| Esquema Enviado | Esquema completo num único prompt | Subconjunto por domínio de especialização |
| Execução | Sequencial (uma chamada) | Paralelo (todas as especializações são executadas em simultâneo) |
| Precisão | Adequado para esquemas simples | Maior — prompts focados produzem melhores resultados |
| Velocidade | Mais rápido para esquemas pequenos | A execução em paralelo pode ser mais rápida para esquemas grandes |
| Custo | Menor (sobrecarga de uma única chamada) | Maior (várias chamadas com sobrecarga por chamada) |
| Streaming | Resultado de tudo ou nada | Progressivo — os resultados são transmitidos à medida que cada especialização é concluída |
| Sucesso parcial | Não — a chamada inteira tem sucesso ou falha | Sim — as expertises bem-sucedidas são preservadas, as que falharam podem ser repetidas |
A estratégia multi-especialização segue um processo de quatro passos para cada modelo:
O esquema é percorrido recursivamente. Cada propriedade com uma etiqueta de domínio de especialização é agrupada com outras que partilham o mesmo domínio. Por exemplo, revenue e market_cap vão para o grupo “financeiro”, enquanto gmp_status vai para “regulamentar”.
Cada grupo de especialização torna-se um sub-schema mínimo, contendo apenas as suas propriedades. Isto significa que o LLM recebe um prompt mais pequeno e focado, e só precisa de preencher os campos em que é especializado.
Todas as chamadas de especialização são executadas em simultâneo. Um schema com 5 domínios de especialização lança 5 chamadas de LLM ao mesmo tempo. À medida que cada uma termina, os seus resultados são combinados em profundidade no resultado acumulado e transmitidos para a interface em tempo real.
Se algumas expertise domains falharem, o sistema devolve o output combinado das que tiveram sucesso, com o estado “Parcial”. Pode repetir apenas as expertise domains que falharam, e os novos resultados serão combinados com o output existente sem repetir o trabalho já concluído com sucesso.
Ambas as estratégias podem ser combinadas com o enriquecimento multi-modelo. Quando seleciona vários modelos, cada modelo executa a estratégia escolhida de forma independente. Os resultados podem depois ser fundidos através da fusão multi-modelo para produzir uma única saída de alta confiança.