最后更新：2026-11-02 · 编辑撰写 · API 形态与官方文档一致

用 50 行 Python 搭建 Jev 工单分类系统

工单路由是最典型的第一个 Jev 工作流——类别有界、量大，而旧方案（人工分诊或每单一次 LLM 调用）在成本上全输。这是一个大约 50 行的完整路由器：三个类型化问题、一套置信度阈值策略、优先通道和人工兜底。

完整脚本

import os
import requests

API = "https://api.typesafe.ai/v1/systemone"      # 或你的渠道商端点
KEY = os.environ["JEV_API_KEY"]

QUESTIONS = {
    "category": {"type": "choice", "options": ["billing", "technical", "sales", "spam"]},
    "urgent":   {"type": "noul",
                 "statement": "The customer is blocked, or losing money or time."},
    "mood":     {"type": "score", "scale": ["calm", "annoyed", "angry", "furious"]},
}

def decide(state: str) -> dict:
    r = requests.post(
        API,
        headers={"Authorization": f"Bearer {KEY}"},
        json={"model": "jev-latest", "state": state, "questions": QUESTIONS},
        timeout=10,
    )
    r.raise_for_status()
    return r.json()["answers"]          # {name: {value, confidence, ...}}

def route(state: str) -> str:
    a = decide(state)
    cat, urgent, mood = a["category"], a["urgent"], a["mood"]

    # 1. 垃圾：高置信时直接归档
    if cat["value"] == "spam" and cat["confidence"] > 0.90:
        return "archive"

    # 2. 优先通道：被卡住或情绪激动的客户插队
    if (urgent["value"] and urgent["confidence"] > 0.85) or \
       mood["value"] in ("angry", "furious"):
        return "priority-queue"

    # 3. 自动路由：只在模型足够确信时
    if cat["confidence"] >= 0.75:
        return f"team-{cat['value']}"

    # 4. 其余全部：人工复核
    return "human-review"

if __name__ == "__main__":
    for line in open("tickets.txt"):
        if line.strip():
            print(route(line.strip()))

五十行，其中真正有趣的——策略——只占十行左右。注意代码里没有什么：没有 prompt 字符串、没有输出解析、没有 schema 校验。响应要么带着你要的字段，要么调用本身失败。

为什么三个问题一次调用

三个问题（choice / noul / score）随同一次请求捎带。Jev 只对输入计费，第二、第三个问题近乎免费——整次调用的成本约等于 State 加一点零头。对比：三次独立 LLM 调用，$0.25/1M 输入 + $2.00/1M 输出，每次 2–8 秒，每次都有解析失败的可能。这就是Jev 与 Function Calling 对比里的核心经济账，微缩版。

策略是产品决策，不是代码风格

阈值（0.90、0.85、0.75）是起点，不是推荐值。它们编码的是你接受多大的自动化风险：

阈值	含义	出错时的代价
spam > 0.90	自动归档	真实客户工单凭空消失。昂贵。
urgent > 0.85	优先通道	误报：插队，代价小；漏报：愤怒的客户干等，代价大。
route ≥ 0.75	自动路由	路由错误的工单，客服重新归档。烦人但可活。

用回放集定阈值——100–500 条人工标注的历史工单——并在把任何阈值用于生产前读一遍生产检查清单。Jev 的置信度经过校准训练（RLCD 而非 RLHF），但厂商评测集上的校准不等于你的工单上的校准。

把 State 弄瘦

上面的脚本发什么 State 就用什么——这正是State 设计那篇的价值：调用前剥离签名、HTML 和线程历史，同样的路由决策便宜约 60%。月 10 万工单的量级下，Jev 的费率这也是真金白银；按 LLM 的费率，这就是可行与荒谬的差别。

接进系统

Webhook 触发：把工单系统的出站 webhook（Zendesk、Intercom、Plain……）指向一个小处理器：提取正文 → 调 route() → 通过工单 API 把结果写回。
渠道选择：同一请求可直接换成 Vercel AI Gateway（typesafe-ai/jev）、Cloudflare Workers AI（typesafe/jev）或 Vivgrid（jev）——见渠道对比。两个渠道做个容灾切换是廉价的保险（清单里也有这条）。
可观测性：记录类别/置信度分布，而不只是路由计数。置信度直方图的漂移，是流量结构或模型行为变化最早的信号。

下一步

路由跑通之后，同一个 State 可以喂给生成环节：Jev 完成分类、定级、过滤垃圾之后，由对话式 LLM 起草回复——就是 Jev 与 LLM 页讲的混合模式。想在动代码前测试问题措辞，在线试玩免费运行真实决策并输出完整概率。