实体链接（Entity Linking, EL）系统在标准基准测试中取得了令人瞩目的成果，这主要得益于近年来预训练语言模型所提供的上下文表征能力。然而，这类系统仍需大量标注数据——数百万个标注样本——才能达到最佳性能，且训练时间往往超过数天，尤其在计算资源有限的情况下更为显著。本文探讨了如何利用命名实体识别（Named Entity Recognition, NER）技术，缩小在高、低标注数据量下训练的EL系统之间的性能差距。具体而言，我们展示了EL系统如何以及在何种程度上借助NER来增强实体表征、优化候选实体选择、选取更具代表性的负样本，并对输出实体施加硬约束与软约束。相关代码与模型检查点已开源，可访问 https://github.com/Babelscape/ner4el 获取。