调用jev模型执行noul布尔判断需三步：一准备无问题句式的自然语言状态文本；二构造含明确陈述句的noul字段json请求；三发送post请求并提取响应中noul值（0.000～1.000）作为命题为真的频率估计值。
☞☞☞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☜☜☜
要在程序中调用Jev模型执行Noul布尔判断，必须明确告诉它“判断什么”和“依据什么”，否则它不会凭空返回概率值。
准备输入状态文本
把需要判断的原始信息整理成一段连贯、无歧义的自然语言描述。例如客服工单内容、用户留言、日志片段或邮件正文。不要删减关键事实，也不要添加解释性语句——Jev不读推理过程，只读状态本身。
这一步操作起来很简单，直接把文件拖进去就行。但注意：【状态文本里不能包含任何问题句式，比如“是否紧急？”“是不是垃圾邮件？”】 否则Jev会把它当作上下文的一部分，而不是待判命题。
构造Noul型请求体
在JSON请求中声明一个noul字段，其值为你要判断的完整命题句子，且必须是可被判定真假的陈述句。
方法一：直接写命题
"noul": "该邮件要求立即退款且发件人已投诉至监管机构"
方法二：带上下文绑定命题（推荐）
"noul": "基于以上工单内容，客户情绪处于愤怒状态"
注意：命题中禁止出现“可能”“大概”“似乎”等模糊副词，Jev对这类词不做归一化处理，会导致概率校准失效。
发送请求并解析响应
第一步：向Jev API端点POST请求，Header中携带Authorization和Content-Type: application/json；
第二步：等待响应，成功时HTTP状态码为200；
第三步：从返回JSON中提取noul字段的数值，它是一个0.000～1.000之间的浮点数。
例如响应体为{"is_angry":{"noul":0.873}}，你只需取0.873参与后续逻辑。这个值不是“置信度”，而是Jev校准过的“该命题为真”的频率估计值，可直接用于if (noul > 0.7) { escalate(); }这类硬规则分支。
