Jev 模型三原语：判断题、选择题、打分题

Jev 模型的一切能力都可以归结为三种题型原语：判断、选择、打分。TypeSafe AI 围绕这三者设计了模型；一旦你掌握了”问题到原语”的映射，大部分接入决策就自己有了答案。这篇给出每种题型的请求写法和响应形态、怎么在三者之间做选择，以及它们在真实管线里如何组合。所有示例都走 OpenRouter 的 OpenAI 兼容端点。

TL;DR： 判断题返回 yes/no/unclear；选择题返回你枚举的选项之一；打分题返回你定义量表上的数字。每个响应都带 confidence 和 rationale。选择标准就一条：答案空间和你的决策匹配的题型。工作流需要多个决策时，把原语串起来用。

三种题型对比

一条经验法则覆盖大多数情况：答案是是不是，用判断题；是哪一个，用选择题；是有多少，用打分题。

原语一：判断题

判断题是有边界的 yes/no，带一个逃生通道——当输入信息不足时，unclear 是正经答案。

# Confirm the exact model slug on the OpenRouter model page
curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "typesafe/jev-1.13",
    "messages": [
      {
        "role": "user",
        "content": "Judgment question: is this refund request covered by the 30-day policy? Request: \"...\""
      }
    ]
  }'

标准的 chat completions 请求；判断语义通过把 content 写成判断问句来传达。

响应——示例数据（example fixture），正式字段名以官方文档为准：

{
  "answer": "yes",
  "confidence": 0.97,
  "rationale": "The purchase date is within 30 days and the item is unopened."
}

判断题适合审核标记、政策检查、重复检测，以及一切”要么放行要么不放行”的闸口。

原语二：选择题

选择题要求你枚举选项。这个约束恰恰是特性：答案保证是选项之一，你的 switch 语句可以放心写。

import json, os, requests

prompt = (
    "Choice question: which team should own this email? "
    "Options: sales, billing, support. Email: \"...\""
)
resp = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"},
    json={
        # Confirm the exact model slug on the OpenRouter model page
        "model": "typesafe/jev-1.13",
        "messages": [{"role": "user", "content": prompt}],
    },
    timeout=30,
)
route = json.loads(resp.json()["choices"][0]["message"]["content"])

选项在问题文本里枚举；上线前到 OpenRouter 模型页确认确切的 model slug。

响应——示例数据（example fixture），正式字段名以官方文档为准：

{
  "answer": "billing",
  "confidence": 0.94,
  "rationale": "The email disputes a charge amount rather than asking about a product feature."
}

选择题适合工单分流、意图分类，以及一切”从这个列表里挑一个”的决策。三团队邮件分流的完整落地见 email routing 那个 case。

原语三：打分题

打分题返回你定义量表上的数字，并回带量表本身，避免任何歧义。

import json, os, requests

prompt = "Scoring question (1-10): how well does this FAQ entry answer the user question? Entry: \"...\""
resp = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"},
    json={
        # Confirm the exact model slug on the OpenRouter model page
        "model": "typesafe/jev-1.13",
        "messages": [{"role": "user", "content": prompt}],
    },
    timeout=30,
)
score = json.loads(resp.json()["choices"][0]["message"]["content"])

量表写在问题措辞里；多次调用保持量表一致，分数才有可比性。

响应——示例数据（example fixture），正式字段名以官方文档为准：

{
  "answer": 8,
  "scale": [1, 10],
  "confidence": 0.86,
  "rationale": "The entry answers the core question but skips the edge case mentioned in the question."
}

打分题适合质量线、候选重排和队列排序。

组合使用

真实工作流是把三原语串起来。一个客服管线可以：先判断”这条是不是机器人能处理的？“，再选择负责团队，最后在发送前给草稿回复打分。组合时的思路：

1. 判断题当闸口。 先做便宜的 yes/no；unclear 或”否”提前退出转人工。
2. 选择题当分叉。 过了闸口再路由给正确的负责人。
3. 打分题当质量线。 在出口给结果打分，低于阈值就扣下。

每次调用只用一种原语——把选择题和打分混在一个问题里，会让答案空间变浑、confidence 也变难解释。题干措辞、选项枚举和 few-shot 示例的深入讨论见《Jev 问题设计与状态管理》。

本文适用版本 Jev 1.13。