jev 是执行判定而非回答问题的结构化模型，要求问题类型明确封闭、输入精简标准化、响应需校验置信度与概率分布，混合问题须避免逻辑耦合。
☞☞☞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☜☜☜
Jev 的响应格式本身是结构化、强约束的，但实际调用中出错，往往不是模型返回错了，而是开发者没对齐它的设计前提。关键在于：Jev 不是“回答问题”，而是“执行判定”——它只在你给定的 schema 内输出，不解释、不扩展、不自由发挥。
问题定义必须明确且封闭
Jev 对每个 question 都要求提前声明类型（Choice / Score / Noul）和取值范围。如果漏掉选项、写错字段名、或让选项之间语义重叠，结果就会不可靠。
- Choice 类问题不能留“其他”或“未知”作为兜底项，Jev 不会主动归入；应把所有可能路径列全，比如工单分类写成
["billing", "support", "account"]，而不是["billing", "support", "other"] - Score 类问题的等级必须有序且无歧义，例如
"情绪等级": ["平静", "轻微不满", "沮丧", "非常生气"]，不能混入"需要升级"这类动作型描述 - Noul 类问题必须是可验证的二元命题，像“用户是否在申请退款”可以，而“用户心情如何”就不合法
输入 state 要精简、去噪、标准化
Jev 的输入成本按 token 计费，但更关键的是：冗余内容会稀释信号，导致概率分布发散。
- 剔除与当前判定无关的字段，比如做“是否高优先级工单”判断时，不用传整个用户历史订单列表，只传最近一次交互文本 + 当前工单内容
- 统一文本格式：把 HTML 标签、多余换行、Markdown 符号清理掉，避免模型在噪声上做无效注意力
- 数值类字段建议转为描述性短句，例如
"last_login_days_ago": 12→"距离上次登录已过12天"，Jev 对自然语言语义更鲁棒
解析响应时别跳过元信息
Jev 返回的不只是答案，还有置信度、各选项概率、模型版本等关键字段。忽略它们等于放弃风控能力。
- 不要只读
answers.xxx.choice就直接路由，应同时检查answers.xxx.confidence是否低于阈值（如 0.75） - 对于 Choice 类，查看
answers.xxx.probabilities分布：如果 top2 选项概率接近（如 48% vs 45%），说明状态模糊，应触发人工复核而非自动执行 - 所有请求务必记录
model字段（如"jev-1.13.0"），版本变更可能影响结果分布，便于事后归因
混合问题要避免语义干扰
同一个请求支持多种 question 类型，但它们共享同一份 state。若问题之间逻辑冲突，Jev 仍会各自独立计算，不会内部协调。
- 举例：state 是一段客服对话，同时问
-
"is_refund_requested": {"type": "noul", ...} -
"sentiment": {"type": "score", ...}
这没问题；但若再加一个"should_route_to_billing": {"type": "choice", "options": ["yes", "no"]}，就隐含了因果假设（退款请求 ⇒ 必须走账务），而 Jev 不做推理链，只是分别打分。这种耦合逻辑必须由你代码层组合，不能指望模型自动对齐。
-
响应格式本身很干净，坑都藏在前后环节：定义是否严谨、输入是否干净、解析是否完整、组合是否合理。
