Jev 决策调用模型

Jev 的调用可以概括为一个三元结构：

State（当前状态） + Question（想判断什么）
                 ↓
                Jev
                 ↓
        Typed Decision（带类型的决策）

理解 Jev 的 API，本质就是理解这三部分：给它什么状态、问它什么问题、拿回什么形态的答案。

State：现在发生了什么

State 是交给模型的上下文——你告诉 Jev「当前情况是什么」。它可以是任何能被结构化描述的信息：

State 来源	示例
用户输入	客户消息正文、工单描述
工单 / 订单信息	order_status = processing、已下单 1 天
客户历史	过往 2 笔订单、历史投诉记录
Agent 当前状态	已调用过哪些工具、执行到第几步
检索结果	RAG 召回的文档片段
数据库记录	客户画像、政策条款、流程定义
业务上下文	当前部门队列、SLA 规则

{
  "customer_message": "我想退款",
  "order_status": "processing",
  "order_age": "1 day",
  "customer_history": "2 previous orders"
}

Question：你希望 Jev 判断什么

问题决定调用哪种决策能力。目前核心可以归纳为三类：

你问的问题	对应能力	返回形态
是不是？要不要？是否满足条件？	Noul	概率（P(Yes)）
应该选哪一个？	Choice	选项 + 概率
有多严重 / 多重要 / 多符合条件？	Score	分值 + 置信度

三种能力的定义、适用场景与示例见 Jev-三大决策原语。

Typed Decision：决策本身带类型

与传统 LLM 相比，返回值的差异在于「约束」：

特征	说明
输出空间预先定义	只能是 Yes/No、给定选项集合、给定分值区间，超出范围的结果不会被生成
附带置信度	每个决策都带概率，程序可据此决定自动执行还是转人工，见 Jev-零幻觉与置信度
无需文本解析	结果可以直接进入业务逻辑，不需要从自然语言里抽取字段，也不需要额外的格式校验

（内容由AI生成，仅供参考）