Разбор обращения одним запросом
Задайте сразу все вопросы, которые могут понадобиться, — включая те, что важны только для части обращений. Код сам решит, какие ответы читать.category — billing (уверенность 0,86), frustration — 1,0, refund_requested — 0,07, bug_severity — 1,62 при уверенности 0,43.
bug_severity ни на что не влияет.
refund_requested здесь 0,07, хотя с клиента списали дважды: просьбы вернуть деньги в тексте нет, а Jev читает вопрос буквально. Если нужно ловить и такие случаи — спросите иначе: «Описана ли ситуация, в которой клиенту положен возврат?»Маршрутизация: код, LLM или человек
Прежде чем отдавать каждое сообщение дорогой модели, определите, что это за запрос и насколько он сложен.Составная оценка со своими весами
Сложное суждение — «подходит ли кандидат» — разбейте на независимые шкалы, а итог посчитайте в коде.python_depth — 3,99, team_leadership — 2,63, system_design — 2,9.
Защита LLM: проверка входящих сообщений
Проверка стоит малую долю от вызова самой LLM, поэтому её можно ставить на каждое сообщение — и на вход, и на выход.is_injection — 0,99, asks_for_secrets — 0,98, harm — 1,92. Для сообщения «Подскажи, как приготовить борщ на четверых?» те же вопросы дают 0,01 и 0,01.
Фильтр контекста для RAG
Поиск по эмбеддингам возвращает «похожее», а не «полезное». Перед тем как отдавать найденные фрагменты отвечающей модели, проверьте каждый — одним запросом на все сразу.p2_injection — 0,97. В контекст идёт только первый фрагмент, третий отбрасывается как попытка внедрить инструкцию.
Вопросы удобно собирать циклом в коде — по одному на фрагмент. Так же строится переранжирование: сортируйте результаты поиска по значению noul.
Извлечение значения из закрытого списка
Jev не пишет текст, но значение из известного набора извлечь может: сделайте варианты ответа пунктамиchoice и обязательно добавьте «не указано», чтобы модель не угадывала.
март с уверенностью 1,0. Дату собирайте из частей в коде: день, месяц и год — три отдельных вопроса, а сравнение дат и вычисление сроков — обычная арифметика.
Если набор значений заранее неизвестен (email, телефон, сумма), найдите кандидатов регулярным выражением или генеративной моделью, а Jev пусть выберет нужного.
Другие применения
Модерация
Модерация
Оценивайте нарушение по своим правилам: отдельные
noul на токсичность, спам, мошенничество, раскрытие персональных данных и score на тяжесть. Решение — разрешить, предупредить, отправить на проверку, заблокировать — принимает код по сочетанию тяжести и уверенности.Проверка ответов другой модели
Проверка ответов другой модели
Подтверждает ли цитата утверждение, соответствует ли ответ политике компании, верно ли выбран инструмент и его аргументы. В
state — утверждение и источник, в вопросе — choice из «подтверждает», «противоречит», «не относится».Классификация по большому дереву категорий
Классификация по большому дереву категорий
Задавайте по одному
choice на уровень: сначала раздел, затем — его подразделы. Если вероятности двух веток близки, идите по обеим и выбирайте лучший путь в конце.Признаки для ML-моделей
Признаки для ML-моделей
Вероятности Jev — готовые числовые признаки из свободного текста: намерение купить, срочность, интерес к продукту. Их подают на вход классической модели вместе со структурированными данными.
Квалификация лидов и скрининг
Квалификация лидов и скрининг
Соответствие компании профилю клиента, признаки боли и намерения купить во входящем письме, соответствие резюме требованиям вакансии — шкалы плюс свои веса, как в рецепте составной оценки.
Ограничения модели
Jev сильна в суждениях «с первого взгляда» и слаба там, где нужны шаги рассуждения или точные вычисления.
Не используйте значение
score для восстановления точных чисел: по нему надёжно сравнивать с порогом и сортировать, но не интерполировать величины между уровнями.
Лимиты
Идентификаторы
jev-latest и typesafe/jev указывают на последнюю стабильную версию, и она может обновляться. Версия, которая ответила, приходит в поле model ответа — логируйте её, если подбирали пороги уверенности под конкретную версию, и перепроверяйте пороги после обновления.