Entity Enricher 提供三种增强策略，用于控制 LLM 调用的编排方式。选择合适的策略会影响准确率、速度和成本——不过通常您无需选择：默认会根据模式的结构自动选定。
从最简单到最强大的配置。每一层都建立在前一层之上。
一个模型，一次调用。整个模式在单个提示词中发送。快速且低成本——非常适合简单模式或快速迭代。
Aspirin
任意实体：公司、药物、法律案件、研究论文……
使用您自己的 API 密钥调用任意 LLM 提供商。
一次调用完成完整模式——验证失败时自动重试。
Aspirin
策略相同，但并行运行多个模型。结果逐字段对比并仲裁，生成单一的高置信度输出。
Aspirin
任意实体：公司、药物、法律案件、研究论文……
匹配——Pharmaceutical Compound
在浪费 LLM 积分之前捕获类型不匹配。
使用你自己的 API 密钥——适用于任何 LLM 提供商。
一次调用完成完整模式——验证失败时自动重试。
Aspirin
已仲裁经过推理的字段级冲突解决生成最终可信结果。
Schema 按 expertise domain 拆分。每个 model 会为每个领域接收有针对性的子 prompt。结果先按 model 深度合并，再在各 model 之间进行 arbitration。为复杂的多领域 schema 提供最高的准确度。
Aspirin
任意实体：公司、药物、法律案件、研究论文……
匹配——Pharmaceutical Compound
在浪费 LLM 积分之前捕获类型不匹配。
使用你自己的 API 密钥——适用于任何 LLM 提供商。
Schema 按领域拆分——自我纠正的提示词在验证失败时重试。
按模型对专长领域响应进行深度合并。
Aspirin
已仲裁经过推理的字段级冲突解决生成最终可信结果。
不设置策略（在各处均为默认，包括 API 和连接器）时，系统会在任何运行开始前根据你模式的结构来确定策略。该规则是确定性的，因此同一模式始终得到同一策略，并且运行结果会报告所选的策略。
专家领域模式需要工具调用。该策略的工作方式是为每个专业领域声明一个 submit 函数，因此不支持工具调用的模型会在消耗任何 token 之前被明确报错拒绝，而不会悄然降级。
| 方面 | 单次通过 | 专家领域 | 多专业领域 |
|---|---|---|---|
| LLM 调用 | 每个模型 1 个 | 每个模型 1 次对话（至少 2 个请求） | 每个模型 N 次（每个专业领域 1 次） |
| Schema 已发送 | 一个提示词完成完整模式 | 提示词中包含完整模式，并为每个领域提供一个提交工具，其参数即该领域的子集 | 按专业领域划分的子集 |
| 执行 | 顺序执行（单次调用） | 一次生成，工具调用随到随处理 | 并行（所有 expertise domain 同时运行） |
| 准确性 | 适合简单的 schema | 优于单次处理 — 每个领域在各自的子集上进行校验 | 更高——聚焦的 prompt 能带来更好的结果 |
| 速度 | 小型 schema 更快 | 接近单次处理 | 对于大型 schema，并行执行可能更快 |
| 成本 | 更低（单次调用开销） | 与单次处理大致相同 — 模式只发送一次 | 更高（多次调用，每次调用都有额外开销） |
| 流式传输 | 全有或全无结果 | 渐进式——每个已提交的领域对应一个事件 | 渐进式 — 每个专业领域完成后即刻流式返回结果 |
| 部分成功 | 否——整个调用要么全部成功，要么全部失败 | 部分保留——失败前已提交的领域会被保留 | 是——成功的 expertise 会被保留，失败的可以重试 |
多专业领域策略对每个模型遵循四步流程：
Schema 会被递归遍历。每个带有 expertise domain 标签的属性会与共享同一领域的其他属性归为一组。例如，revenue 和 market_cap 归入“financial”组，而 gmp_status 归入“regulatory”组。
每个专业领域分组都会成为一个仅包含其属性的最小子 schema。这意味着 LLM 收到的提示词更小、更聚焦，只需填写它所专精的字段。
所有专业领域调用并发运行。含 5 个专业领域的 schema 将同时发起 5 个 LLM 调用。每个调用完成后，其结果都会深度合并到累积输出中，并实时流式传输到界面。
如果部分专业领域失败，系统会返回成功领域的合并输出，并标记为“部分完成”状态。你可以仅重试失败的专业领域，新结果将合并到现有输出中，而不会重复已成功的工作。
两种策略都可以与 多模型增强 结合使用。当你选择多个模型时，每个模型都会独立运行所选策略。随后可以使用 多模型融合 将结果合并，生成单一的高置信度输出。