实体丰富是指获取一条稀疏的数据记录——公司名称、药物化合物标识符、房产地址——并用来自外部来源的结构化详细信息对其进行增强的过程。本指南解释了实体丰富的工作原理、为何 AI 驱动的方法正在取代传统方法，以及多模型丰富如何产生更准确的结果。
“实体”是指任何你想深入了解的现实世界事物：一家公司、一个人、一种药物化合物、一个法律主体、一篇研究论文、一处房产。“增补”是指填补空白——利用你已知的信息（实体标识符）来发现你未知的内容（其属性、关系和元数据）。
例如，仅给出名称“Novartis”，enrichment 过程可能返回：总部所在地（瑞士巴塞尔）、员工人数（105,000+）、治疗领域（肿瘤、心血管、免疫）、近期收购、临床试验管线以及各司法辖区的监管备案。
关键挑战不仅在于找到这些信息，还在于将其结构化。增强系统会生成带类型、经过校验的输出，供下游应用以编程方式使用——不是自由文本摘要，而是具有特定字段、类型和关系的结构化 JSON。
针对专有数据集（Apollo、ZoomInfo、Clearbit）的数据库查询。你查询一个预先整理好的数据库，并获取 provider 提供的相应字段。
大语言模型利用其训练数据和推理能力对实体进行研究，返回符合您 schema 的结构化输出。
AI 驱动的增强并不能在所有场景中取代数据库查询。当你需要经过验证的电子邮件地址或电话号码时，精心整理的数据库仍是合适的工具。但当你需要自定义字段、非标准实体类型或交叉验证的结构化数据时，AI 驱动的增强则表现出色。许多团队会同时使用这两种方法。
单模型增强有一个根本局限：您在每个数据点上都只信任一个 AI 的知识和推理。不同的 LLM 使用不同的数据训练，具有不同的优势，也会犯不同的错误。Claude 答对的事实，GPT-4 可能会遗漏，反之亦然。
多模型增强通过在同一实体和 schema 上并行运行多个模型来解决这一问题，然后逐字段比较它们的输出。当所有模型对某个值达成一致时，置信度较高。当它们不一致时，系统会检测到冲突，并使用确定性规则（多数投票、数值取中位数）或带结构化推理的 LLM 仲裁来解决。
这种被 Entity Enricher 称为多 model fusion 的方法，产生的结果比任何单个 model 都明显更准确。它还提供审计追踪——每条 fusion 后的 record 都记录了哪些 model 达成一致、哪些存在分歧，以及冲突是如何被 arbitration 解决的。
一个现代的 AI 驱动扩充流水线由四个阶段组成：
实体丰富适用于任何需要获取现实世界实体结构化信息的领域。以下是一些最常见的应用：
Entity Enricher 专为模式驱动的多模型增强而构建。传统平台只能从专有数据库提供固定字段集，而 Entity Enricher 与之不同，让您能够定义所需的精确输出结构、运行多个 AI 模型进行交叉验证，并通过冲突解决来融合结果。
使用带类型的属性、嵌套对象、数组和 $ref 引用定义任意输出结构。
同时运行 2 个以上 LLM。检测字段级冲突。通过规则或 LLM 仲裁解决。
粘贴 JSON，即可获得带专长领域和搜索键的经过校验的 schema。可自我纠正。
并行丰富多达 100 个实体，支持实时进度和 Excel/JSON 导出。
Schema 按领域拆分，进行专业的并行 LLM 调用，产生更深入的结果。
在扩充前验证实体类型，以防止在不匹配的实体上产生幻觉。
定义您的 schema，选择您的模型，几分钟内即可获得结构化的实体数据。无需订阅，没有固定字段——只提供您需要的数据，并由多个 AI 模型验证。
免费开始使用