jev响应解析必须按type字段分支处理：choice型取choice和probabilities（需zip配对criteria），score型用scale标签而非数值，noul型需同时校验truth_value和confidence。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
response 字段结构必须手动检查，不能依赖默认 JSON 解析
JEV 的响应体不是自由格式文本，但也不是标准 REST API 那种“data”嵌套结构。它的顶层是 results 数组，每个元素对应你提交的一个问题，顺序严格一致。如果你用 Python 的 requests.json() 直接取 ["results"][0]["choice"]，遇到 Noul 类型就会 KeyError —— 因为它返回的是 truth_value 而非 choice。
常见错误现象：解析时报 KeyError: 'choice' 或 AttributeError: 'NoneType' object has no attribute 'get'，本质是你没先读 type 字段就硬取值。
- 必须先读每个
results[i]["type"]，再决定取哪个键：choice、score或truth_value -
confidence字段永远存在，但它是 float，不是字符串；别用.lower()或正则去处理它 - 如果启用了
include_probabilities: true，probabilities是 dict（Choice）或 list（Score），不是 JSON string，无需json.loads
Choice 类型结果要按 criteria 顺序映射，不能靠字面匹配
你定义的 criteria 是一个 list，比如 ["finance", "billing", "refunds"]，JEV 返回的 choice 值一定是这三个之一，但它的 probabilities 字段返回的是按相同顺序排列的 float 列表：[0.12, 0.78, 0.1]。很多人误以为 probabilities 是 dict，写成 probs["billing"]，结果报错。
使用场景：路由工单到下游服务时，你要的不只是最高概率项，有时还要判断「finance 和 billing 概率差是否小于 0.15」来触发人工复核。
- 用
zip(criteria, probabilities)显式配对，避免索引错位 - 别用
max(probabilities)反推选项 —— 如果criteria里有重复字符串（比如两个 "other"），会出错 -
choice字段值是原始字符串，不带空格、不转大小写，和你传入的完全一致
Score 类型的 scale 必须与请求时完全一致，否则置信度失效
Score 不返回数字 1/2/3，而是返回你定义的 scale 中的某个 label，比如 "high"。但它的 confidence 是基于整个 scale 分布算出来的 —— 如果你在请求里写 scale: ["low", "medium", "high"]，却在代码里把返回的 "high" 当作整数 3 去参与计算，那后续所有阈值判断（比如 if score_val > 2）都失去概率意义。
性能影响：scale 超过 10 个 item 时，probabilities 数组变长，网络传输和解析开销略增，但 JEV 本身延迟不受影响。
- 建议用 enum 或 mapping dict 统一管理 scale，避免硬编码字符串
- 不要把
score当数值做加减，它只是语义标签；真要量化，用probabilities加权平均（需你自己实现） - 若 scale 含中文或特殊符号（如
"⚠️ high"），确保 HTTP headerContent-Type含charset=utf-8
Noul 类型的 truth_value 是 float，但业务逻辑常误当 bool 用
Noul 返回的 truth_value 是 0–1 区间内的 float，比如 0.923。很多开发者直接写 if response["truth_value"]:，这在 Python 里恒为 True（除非是 0.0）。更危险的是，有人拿它跟 0.5 硬比：truth_value > 0.5，忽略了置信度低时（比如 confidence=0.41）这个比较毫无意义。
容易踩的坑：把 Noul 当布尔开关用，导致高风险操作（如删库检测）被误放行。
- 必须同时检查
truth_value和confidence，例如：if truth_value > 0.85 and confidence > 0.7 - 别对
truth_value做 round() 或 int() 转换 —— 它不是分类阈值，而是贝叶斯后验概率估计 - 若用于熔断逻辑（如拒绝执行命令），建议设置双阈值：
truth_value主判断，confidence控制 fallback 行为
JEV 的响应解析难点不在语法，而在语义绑定：每个字段的含义和可用性，完全取决于你提交请求时声明的 type 和 criteria。漏掉一次 type 分支判断，或错用 probabilities 结构，就会让本该稳定的决策链突然崩出 None 或 KeyError。
