Entity Enricher предлагает три стратегии обогащения, которые определяют, как оркестрируются вызовы LLM. Выбор подходящей стратегии влияет на точность, скорость и стоимость — но обычно выбирать не нужно: по умолчанию стратегия подбирается автоматически на основе структуры вашей схемы.
От самой простой до самой мощной конфигурации. Каждая основывается на предыдущей.
Одна модель, один вызов. Вся схема отправляется в одном промпте. Быстро и дёшево — идеально для простых схем или быстрой итерации.
Aspirin
Любая сущность: компания, лекарство, судебное дело, научная статья...
Используйте любого LLM-провайдера со своим API-ключом.
Полная схема за один вызов — автоповтор при ошибке валидации.
Aspirin
Та же стратегия, но с запуском на нескольких моделях параллельно. Результаты сравниваются и арбитрируются поле за полем для получения единого результата с высокой уверенностью.
Aspirin
Любая сущность: компания, лекарство, судебное дело, научная статья...
Совпадение — Pharmaceutical Compound
Выявляет несоответствия типов до того, как будут потрачены кредиты LLM.
Используйте собственные ключи API — работает с любым провайдером LLM.
Полная схема за один вызов — автоповтор при ошибке валидации.
Aspirin
Разрешено арбитражемОбоснованное разрешение конфликтов на уровне полей формирует итоговый доверенный результат.
Схема разбивается по области экспертизы. Каждая модель получает сфокусированные под-промпты для каждой области. Результаты глубоко объединяются для каждой модели, а затем проходят арбитраж между моделями. Максимальная точность для сложных многодоменных схем.
Aspirin
Любая сущность: компания, лекарство, судебное дело, научная статья...
Совпадение — Pharmaceutical Compound
Выявляет несоответствия типов до того, как будут потрачены кредиты LLM.
Используйте собственные ключи API — работает с любым провайдером LLM.
Схема разбита по областям — самокорректирующиеся промпты повторяются при ошибке валидации.
Глубокое слияние ответов области экспертизы по каждой модели.
Aspirin
Разрешено арбитражемОбоснованное разрешение конфликтов на уровне полей формирует итоговый доверенный результат.
Если стратегия не задана — а это значение по умолчанию везде, включая API и коннекторы, — она определяется по структуре вашей схемы ещё до запуска. Правило детерминировано, поэтому одна и та же схема всегда получает одну и ту же стратегию, а запуск сообщает, какая из них была выбрана.
Экспертным областям нужны вызовы инструментов. Стратегия работает за счёт объявления по одной функции submit на каждую экспертную область, поэтому модель без поддержки вызова инструментов отклоняется с явной ошибкой ещё до расхода токенов, а не деградирует молча.
| Аспект | Один проход | Экспертные области | Мульти-экспертиза |
|---|---|---|---|
| Вызовы LLM | 1 на модель | 1 диалог на модель (не менее 2 запросов) | N на модель (1 на область экспертизы) |
| Схема отправлена | Полная схема в одном промпте | Полная схема в промпте плюс по одному инструменту отправки на каждую область, аргументы которого — подмножество этой области | Подмножество для каждой области экспертизы |
| Выполнение | Последовательно (один вызов) | Одна генерация, вызовы инструментов обрабатываются по мере поступления | Параллельно (все экспертизы выполняются одновременно) |
| Точность | Подходит для простых схем | Лучше, чем одиночный проход: каждая область проверяется на своём подмножестве | Выше — сфокусированные промпты дают лучшие результаты |
| Скорость | Быстрее для небольших схем | Близко к одиночному проходу | Параллельное выполнение может быть быстрее для больших схем |
| Стоимость | Ниже (накладные расходы одного вызова) | Примерно как одиночный проход — схема отправляется один раз | Выше (несколько вызовов с накладными расходами на каждый вызов) |
| Потоковая передача | Результат по принципу «всё или ничего» | Прогрессивно — по одному событию на каждый отправленный домен | Прогрессивно — результаты передаются по мере завершения каждой экспертизы |
| Частичный успех | Нет — весь вызов либо выполняется успешно, либо завершается ошибкой | Частично — домены, отправленные до сбоя, сохраняются | Да — успешные экспертизы сохраняются, неудачные можно повторить |
Стратегия множественной экспертизы следует четырёхшаговому процессу для каждой модели:
Схема обходится рекурсивно. Каждое свойство с тегом области экспертизы группируется с другими, имеющими ту же область. Например, revenue и market_cap попадают в группу «financial», а gmp_status — в «regulatory».
Каждая группа expertise становится минимальной под-schema, содержащей только свои свойства. Это означает, что LLM получает меньший, более целенаправленный prompt и должна заполнить только те поля, на которых специализируется.
Все вызовы экспертизы выполняются параллельно. Схема с 5 областями экспертизы одновременно запустит 5 вызовов LLM. По мере завершения каждого его результаты глубоко объединяются в накопленный вывод и передаются в интерфейс в реальном времени.
Если часть экспертиз не удаётся, система возвращает объединённый результат от успешных со статусом «Частично». Вы можете повторить только неудавшиеся экспертизы, и новые результаты будут объединены с существующим выводом без повторения уже успешно выполненной работы.
Обе стратегии можно сочетать с обогащением несколькими моделями. Когда вы выбираете несколько моделей, каждая модель выполняет выбранную стратегию независимо. Затем результаты можно объединить с помощью слияния нескольких моделей, чтобы получить единый результат с высокой достоверностью.