JEV 模型用户使用指南

JEV 是一个专门用于分类、评分和判断的结构化决策模型。

与普通聊天模型不同，JEV 不生成长篇回答，而是直接返回稳定、可供程序读取的判断结果。它适合客服分流、内容审核、风险判断、线索评分、RAG 相关性判断等场景。

JEV 适合做什么

JEV 特别适合回答以下问题：

• 这条工单应该分配给哪个部门？
• 这段内容是否存在风险？
• 这个客户是否需要立即转人工？
• 这条销售线索的质量有多高？
• 这段资料与用户问题是否相关？
• 这次工具调用应该允许、确认还是阻止？

JEV 不适合：

• 普通聊天；
• 写文章、翻译或总结长文；
• 生成代码；
• 开放式知识问答；
• 生成图片、音频或视频。

简单来说：

普通大模型负责“生成内容”
JEV 负责“作出判断”

如何使用

调用 JEV 时，需要提供三个主要字段：

input     = 本次任务的简短名称
state     = 需要分析的实际资料
questions = 希望 JEV 作出的判断

最简单的请求示例：

{
  "model": "jev-latest",
  "stream": false,
  "input": "判断是否需要转人工",
  "state": "客户反馈同一订单被扣款两次，并且三天没有收到回复。",
  "questions": {
    "escalate": {
      "type": "noul",
      "instructions": "是否应该立即转交人工处理？"
    }
  }
}

字段说明

input：任务名称

input 用一句简短的话说明本次任务：

"input": "分析客服工单"

推荐写法：

• 分析客服工单
• 判断内容风险
• 评估销售线索
• 检查资料相关性

不要把大量待分析内容都放在 input 中，实际资料应放在 state。

state：需要分析的资料

state 是 JEV 作出判断时参考的实际内容。

它可以是一段文字：

"state": "客户反馈被重复扣款，并且三天没有收到回复。"

也可以是结构化对象：

"state": {
  "customer_level": "VIP",
  "subject": "重复扣款",
  "message": "同一订单被扣款两次，三天没有回复",
  "waiting_days": 3
}

建议只提供作出判断所需的信息。内容越精简，响应通常越快，费用也越低。

questions：希望得到的判断

questions 用来告诉 JEV，你希望它针对 state 判断什么。

"questions": {
  "escalate": {
    "type": "noul",
    "instructions": "是否应该立即转交人工处理？"
  }
}

其中：

• escalate 是自定义的答案名称；
• type 是问题类型；
• instructions 是具体的判断要求。

一次请求可以同时提出多个问题。

三种问题类型

1. 是非判断：noul

适合判断“是否”“能否”“有没有风险”等问题。

"escalate": {
  "type": "noul",
  "instructions": "是否应该立即转交人工处理？"
}

返回示例：

"escalate": {
  "type": "noul",
  "noul": 0.94
}

noul 是 0–1 之间的概率：

• 越接近 1，越倾向“是”；
• 越接近 0，越倾向“否”。

例如，可以设置以下业务规则：

0.85–1.00：自动转人工
0.50–0.85：进入人工复核
0.00–0.50：无需转人工

具体阈值应根据实际业务数据调整。

2. 分类选择：choice

适合从多个候选项中选择一个结果。

"route": {
  "type": "choice",
  "instructions": "应该把这张工单交给哪个部门？",
  "criteria": {
    "billing": "扣款、退款和发票问题",
    "technical": "产品故障或功能异常",
    "account": "登录、账号和权限问题"
  }
}

返回示例：

"route": {
  "type": "choice",
  "choice": "billing",
  "confidence": 0.99,
  "probabilities": {
    "billing": 0.99,
    "technical": 0.01,
    "account": 0.0
  }
}

其中：

• choice 是最终选择；
• confidence 是置信度；
• probabilities 展示各选项的概率。

3. 等级评分：score

适合判断紧急程度、质量、风险等级等有顺序的结果。

"urgency": {
  "type": "score",
  "instructions": "这张工单有多紧急？",
  "criteria": [
    "普通，无需立即处理",
    "需要在今天处理",
    "紧急",
    "非常紧急，必须立即处理"
  ]
}

返回示例：

"urgency": {
  "type": "score",
  "score": 2.97,
  "confidence": 1.0
}

criteria 必须按照从低到高的顺序填写。

常用场景示例

客服工单分流

{
  "model": "jev-latest",
  "stream": false,
  "input": "客服工单分流",
  "state": {
    "subject": "重复扣款",
    "message": "我被扣款两次，三天了仍然没人回复。",
    "customer_level": "VIP"
  },
  "questions": {
    "route": {
      "type": "choice",
      "instructions": "应该把工单交给哪个部门？",
      "criteria": {
        "billing": "扣款、退款、账单和发票",
        "technical": "产品故障和功能异常",
        "account": "登录、账号和权限"
      }
    },
    "urgency": {
      "type": "score",
      "instructions": "工单的紧急程度如何？",
      "criteria": ["普通", "今天处理", "紧急", "立即处理"]
    },
    "escalate": {
      "type": "noul",
      "instructions": "是否应该立即转交人工？"
    }
  }
}

内容风险判断

{
  "model": "jev-latest",
  "stream": false,
  "input": "判断内容风险",
  "state": "待审核的用户内容放在这里。",
  "questions": {
    "unsafe": {
      "type": "noul",
      "instructions": "这段内容是否包含需要拦截的高风险信息？"
    },
    "risk_level": {
      "type": "score",
      "instructions": "评估这段内容的风险等级。",
      "criteria": ["无明显风险", "轻微风险", "较高风险", "严重风险"]
    }
  }
}

RAG 资料相关性

{
  "model": "jev-latest",
  "stream": false,
  "input": "判断检索资料相关性",
  "state": {
    "question": "如何更换账户的 API Key？",
    "document": "进入设置中的 API Key 页面，撤销旧 Key，然后创建新 Key。"
  },
  "questions": {
    "relevant": {
      "type": "noul",
      "instructions": "这份资料是否能够直接帮助回答用户问题？"
    },
    "relevance": {
      "type": "score",
      "instructions": "资料与问题的相关程度如何？",
      "criteria": ["无关", "部分相关", "基本相关", "直接回答"]
    }
  }
}

工具调用风险检查

{
  "model": "jev-latest",
  "stream": false,
  "input": "检查工具调用风险",
  "state": {
    "goal": "清理构建目录并部署网站",
    "tool": "shell",
    "arguments": "删除构建目录并同步到生产存储，同时删除目标端多余文件"
  },
  "questions": {
    "action": {
      "type": "choice",
      "instructions": "应该如何处理这个工具调用？",
      "criteria": {
        "allow": "风险低，可以自动执行",
        "confirm": "存在风险，执行前需要用户确认",
        "block": "风险过高，应该阻止执行"
      }
    },
    "risk": {
      "type": "score",
      "instructions": "评估这个操作的风险等级。",
      "criteria": ["低风险", "中等风险", "高风险", "严重且不可逆"]
    }
  }
}

如何查看结果

推荐读取响应中的：

jev.answers

示例：

{
  "jev": {
    "model": "jev-1.13.0",
    "answers": {
      "route": {
        "type": "choice",
        "choice": "billing",
        "confidence": 0.99
      },
      "escalate": {
        "type": "noul",
        "noul": 0.94
      }
    }
  }
}

如果使用只支持标准 OpenAI Responses 格式的工具，也可以读取：

output[0].content[0].text

该字段是包含 JEV 结果的 JSON 字符串。

提高判断质量的技巧

提供必要事实

不推荐：

"state": "这个客户有问题"

推荐：

"state": {
  "message": "客户反馈同一订单被扣款两次",
  "waiting_days": 3,
  "customer_level": "VIP"
}

清楚描述判断标准

不推荐：

"instructions": "判断一下"

推荐：

"instructions": "根据问题是否涉及扣款、退款或发票，判断是否应该分配给账单部门。"

让选项互相区分

choice 中的选项应当含义明确，尽量避免多个选项描述同一件事。

同一份资料尽量合并提问

多个问题可以共享同一个 state。一次请求同时完成分类、评分和风险判断，通常比多次重复发送相同资料更高效。

根据实际数据调整阈值

noul 和 confidence 是概率，不代表固定的业务规则。上线自动处理前，应使用真实业务样本测试并确定合适阈值。

计费说明

JEV 按输入 Token 计费，输出免费。

当前用户价格：

$0.63 / 百万输入 Token
输出 Token 免费

最终价格以模型广场或账户所属分组展示为准。

降低费用的方法：

• 删除与判断无关的上下文；
• 多个问题共享同一个 state；
• 避免重复发送相同资料；
• 优先使用结构清晰的对象，而不是冗长描述。

重要限制

不能作为普通聊天模型使用

JEV 不支持普通的 messages 对话格式，也不会像聊天助手一样生成自然语言回答。

请使用 Responses 请求格式，并提供：

state + questions

建议关闭流式输出

推荐设置：

"stream": false

JEV 会在判断完成后返回完整结果，开启流式输出不会让上游逐字生成内容。

自动决策需要保留安全兜底

涉及资金、封号、医疗、法律或其他高风险操作时，不应仅凭一次模型结果直接执行不可逆操作。建议结合置信度、业务规则和人工复核。

常见问题

为什么不能直接聊天？

因为 JEV 的目标是输出可靠的结构化判断，而不是生成自由文本。

为什么返回的是 JSON？

结构化 JSON 能让业务程序直接读取结果，无需从自然语言中猜测答案，也更适合自动化流程。

input 和 state 有什么区别？

• input 是任务名称；
• state 是实际需要分析的资料。

一次可以问多个问题吗？

可以。多个问题会共享同一份 state，并在一次请求中返回全部答案。

应该使用 jev-latest 还是固定版本？

• 测试和快速接入：使用 jev-latest；
• 对判断阈值稳定性要求较高：使用经过验证的固定版本。

为什么测试工具提示无法提取消息？

部分工具只识别普通聊天响应。请使用普通 HTTP/Raw JSON 模式，并查看完整响应中的：

jev.answers