在同一实体上并行运行多个 AI 模型，检测它们输出之间的字段级冲突，并将结果融合为单条高置信度记录。这是 Entity Enricher 的核心差异化优势：您不再依赖单个 LLM，而是跨提供商交叉验证，以实现最高的数据准确性。
实体数据 + Schema
独立丰富
独立丰富
独立丰富
逐字段比较所有模型的输出
基于规则的合并
多数投票、中位数、并集
LLM 仲裁
AI 通过推理进行仲裁
带审计跟踪的单条高置信度记录
当你为某个富集任务选择多个模型时，Entity Enricher 会将相同的实体数据和架构同时发送给每个模型。每个模型都独立运行，互不知晓其他模型的输出，从而确保数据点真正相互独立。
该系统支持任意组合的 provider —— Anthropic Claude、OpenAI GPT-4、Google Gemini、Mistral，或通过 Ollama 自托管的 model。按 provider 的速率限制可确保你在最大化吞吐量的同时，仍处于每个 provider 的 API 限制之内。
实时 SSE 流式传输会在每个模型完成时显示进度，在使用多专业领域策略时还包括每个专业领域的进度。你可以在所有模型完成之前查看部分结果。
所有模型完成后，冲突检测引擎会逐字段比较它们的输出。该比较是类型感知的——不同的字段类型使用不同的比较规则：
| 字段类型 | 比较方法 | 一致规则 |
|---|---|---|
| 字符串 / 标量 | 精确匹配（归一化后） | 经大小写/空白归一化后所有值必须相等 |
| 数字 | 精确数值匹配 | 所有值必须是相同的数字 |
| 布尔值 | 精确匹配 | 所有模型必须对 true/false 达成一致 |
| 多语言 | 按语言对比 | 各语言键独立比较 |
| 数组 | 集合比较（忽略顺序） | 相同项，与顺序无关 |
| 对象 | 逐属性递归 | 所有嵌套字段必须匹配 |
| Null 值 | null == 缺失 | Null 与缺失被视为等价 |
使用投票规则进行确定性解决。快速、可预测，且无需额外的 LLM 调用。
仲裁模型结合实体上下文和字段描述审查每处冲突，然后做出结构化决策。
每条融合后的 record 都包含带完整溯源信息的仲裁元数据：
此元数据与 fusion 后的 record 一起存储，并导出到 Excel 冲突表中，因此适用于注重决策来源的合规工作流。
财务尽职调查、药品安全概况以及合规筛查，这些场景中的错误都会带来实质性后果。
各来源信息存在冲突的实体——不同来源报告的融资金额、成立日期或监管状态各不相同。
当没有任何单一模型拥有完整知识时。不同的 LLM 基于不同的数据训练，因此运行多个模型可以填补空白。
当下游使用方需要为每个数据点获取置信度分数和来源信息，而不仅仅是最终值时。
选择 2 个以上模型并行运行，看 fusion 如何解决冲突。无需按月订阅——使用你自己的 API 密钥，按 token 付费。
免费开始使用