使用 AI 从示例数据生成结构化 JSON 模式，并进行自动自我校正和智能后处理。
Schema 生成会将原始实体数据转换为带类型和注释的 JSON Schema，精确定义在数据丰富过程中要提取哪些信息。您无需手动编写 Schema，只需粘贴示例 JSON，让 AI 分析结构、推断类型、分配专业领域并提出改进建议。
{"en": "...", "fr": "..."}）会被折叠为单个值，属性数量决定允许多少个专长领域。自我修正循环是让 schema 生成变得可靠的关键。在 AI 生成 schema 后，它会经过一个校验器，检查涵盖类型正确性、expertise 分配、引用完整性和数据完整性的 8 条规则。如果任何规则未通过，具体的错误信息会被发送回 AI，以便它在下一次尝试中修复问题。
revenue：类型不匹配——输入为数字，但模式要求为 'string'number。全部 8 条规则通过。架构被接受。这种方法远比在 prompt 中要求 AI“注意类型”更可靠。校验器会捕获具体错误，并向 AI 提供精确反馈以便修正。在校验规则指南中详细了解每条规则。
生成的 schema 不仅仅是简单的类型定义。每个属性都包含指导扩充过程的元数据：
JSON Schema 类型（string、number、integer、boolean、array、object）
告诉 AI 要查找哪些信息的上下文描述
由哪个专家领域（财务、监管等）提供该值
该字段用于标识实体（搜索）还是对数组去重（合并）
字段是否可为 null，以避免对可选数据进行不必要的重试
该字段是否应跨多种语言进行富集
是否在富集过程中保持原始值不变
引导 AI 采用正确格式的真实示例值
AI 会根据语义含义将 schema 属性归类到不同的专业领域。例如，一个制药公司的 schema 可能包含“财务分析师”“监管专家”和“公司信息”等领域。多专业策略会利用这些领域并行运行专门的 LLM 调用，以获得更深入的结果。
专业领域的数量会根据你数据的属性数量自动限制，以防止过度碎片化：
AI 生成有效架构后，会有三个确定性的后处理步骤，根据你的实际输入数据对其进行优化：
输入中值为 null 的字段会自动标记为可为空，因此 AI 不会浪费重试去尝试填充它们。
对于值为空（null、空字符串、零）的字段，会移除其搜索键标记，因为它们无法帮助识别实体。
系统会从 schema 中收集所有唯一的专业领域，用于指标统计和策略配置。
生成后，你可以使用自然语言指令修改架构。输入命令，AI 会在保留现有架构结构的同时应用更改。每次编辑还会生成 5 条进一步改进的建议。
添加一个 employee_count 整数字段创建包含城市和国家/地区的嵌套地址对象为所有文本字段添加法语描述使用 $defs 定义母公司引用将 website 字段标记为可为空AI 编辑会使用生成规则的一个子集（类型检查、引用完整性、专业领域一致性）进行验证，但不会与输入数据进行比较，因为你可能有意添加或删除字段。
模式生成和 AI 编辑都会生成 5 条针对性建议，覆盖不同的改进类别：
建议会以可点击的标签形式显示在 Schema 编辑器 中——点击其中一个即可自动填入 AI 编辑输入框并应用。