jev模型不支持system prompt配置，其输入仅限state、questions和预设题型，不接收role: system消息；所有前置指令须压缩为无歧义陈述填入state字段，并通过questions结构（如choice标签、score权重）显式定义判断边界与业务规则。
☞☞☞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☜☜☜
确认Jev模型是否支持System Prompt配置
本地部署的Jev模型默认不暴露System Prompt配置入口，它本身不是传统LLM，而是专为结构化判断设计的轻量级决策引擎。它的输入只有state、questions和预设题型，【不接收role: system消息】。若你正在尝试在messages数组里硬塞system字段，请求会直接被拒绝或静默忽略。
用Jev的state字段模拟System Prompt效果
Jev不认system，但认state——这个任意文本字段就是你唯一能写“前置指令”的地方。把原本想塞进System Prompt的规则，压缩成一句明确、无歧义、不含语气词的陈述，填入state参数即可。
例如：不要写“你是一个严谨的风控助手，请务必认真对待每一条工单”，而要写成“当前工单需按金融监管条例第3.2条判定风险等级，仅允许返回high/medium/low三选一”。
这句会作为上下文锚点，参与所有question的求值过程。Jev内部会对state做语义切片，提取关键词匹配question中的约束条件。
通过questions定义显式判断边界
Jev真正的System Prompt能力藏在questions结构里。每个question不是自由提问，而是带校验逻辑的契约：
方法一：用Choice题型锁定输出域
设定"labels": ["approved", "rejected", "pending_review"]，Jev将强制只从这三个字符串中选一个，任何越界输出都会触发重试或报错。
方法二：用Score题型绑定规则权重
例如question内容为“该操作是否符合GDPR第17条被遗忘权要求”，同时指定score_levels: ["no", "partial", "yes"]，并附加rule_weights: {"consent_given": 0.4, "data_minimized": 0.3, "response_time_under_30d": 0.3}——这些权重就是你嵌入的业务规则，比纯文本system prompt更刚性、更可审计。
【注意：rule_weights必须为浮点数且总和为1.0，否则Jev启动时校验失败】
在代码层注入运行时系统规则
第一步：创建rules.json文件，内容为纯JSON对象，不含注释，字段名全小写，例如：
{"max_retries": 2, "timeout_ms": 5000, "allowed_domains": ["banking.example.com"]}
第二步：启动Jev服务时，用--rules-path参数指向该文件：
jev-server --rules-path ./rules.json --port 8080
第三步：调用API时，在POST body的顶层添加rules_override字段，传入动态规则片段：
{"timeout_ms": 2000, "allowed_domains": ["banking.example.com", "finance.example.com"]}
这一步覆盖了静态配置，且只对本次请求生效。Jev会在执行前合并rules.json与rules_override，冲突项以override为准。这种分层覆盖机制，比LLM的system prompt更可控、更易测试。
