Trotz der jüngsten Erfolge kollektiver Entitätsverknüpfungsmethoden (Entity Linking, EL) können diese „globalen“ Inferenzansätze suboptimale Ergebnisse liefern, wenn die Annahme der „All-Mention-Kohärenz“ nicht mehr gilt, und leiden häufig unter hohen Rechenkosten während der Inferenzphase aufgrund des komplexen Suchraums. In diesem Paper stellen wir eine einfache, aber effektive Lösung namens Dynamic Context Augmentation (DCA) für die kollektive EL vor, die lediglich einen einzigen Durchlauf über die Erwähnungen eines Dokuments erfordert. DCA akkumuliert kontextuelle Informationen sequenziell, um eine effiziente, kollektive Inferenz zu ermöglichen, und kann unterschiedliche lokale EL-Modelle als Plug-and-Enhance-Modul integrieren. Wir untersuchen sowohl überwachte als auch verstärkende Lernstrategien zur Optimierung des DCA-Modells. Umfangreiche Experimente belegen die Wirksamkeit unseres Ansatzes unter verschiedenen Lernsettings, Basismodellen, Entscheidungsreihenfolgen und Aufmerksamkeitsmechanismen.