Uso diario: domina las cinco formas de preguntar de Jev
💡 Objetivo: en unas 1 hora domina el uso diario de Jev: alimentar el material correcto (state), plantear las preguntas correctas (Choice / Score / Noul / Box), leer la confianza en las respuestas y convertir cada respuesta directamente en una rama de código.
🎯 Objetivos de la etapa
- Escribir state en sus tres formas según la forma del material (cadena / objeto JSON / arreglo de texto) y usar dot path para que las preguntas apunten a campos concretos
- Ante cualquier necesidad de juicio, saber elegir el tipo de pregunta adecuado (Choice, Score, Noul o Box) y decir qué campos hay en la respuesta
- Fijar umbrales con confidence y las probabilidades de Noul: qué respuestas se ejecutan automáticamente, cuáles se marcan para revisión y cuáles se pasan a un humano
⏳ Tiempo estimado
- 6 lecciones suman unos 58 minutos; con margen, unos 41–75 minutos
- Cada lección es independiente y también puede leerse por separado; 2.1 State es la base de las otras cinco lecciones, se recomienda empezar por ahí
🚀 Antes de empezar
- Haber completado la instalación y la primera solicitud:
route_ticket.pysigue funcionando,TYPESAFE_API_KEYestá en las variables de entorno (los lectores que empiezan desde cero deben consultar primero la guía de inicio rápido) - Saber que Jev solo hace juicios estructurados y no genera texto; si no lo has leído, dedica primero 8 minutos a Qué es Jev
- Si no quieres abrir la terminal, tampoco pasa nada: en el Playground de TypeSafe (
console.typesafe.ai/playground) pega el state, añade preguntas y pruébalo sin código - Un vaso de agua ☕: esta etapa se centra en ganar soltura, el código de cada lección es corto
📚 Lecciones de esta etapa
Una solicitud de Jev solo tiene dos cosas: state (el material a juzgar) + questions (preguntas tipadas). En la etapa de inicio rápido ya enviaste una solicitud; en esta etapa convertirás «cómo preguntar» en algo instintivo: en la lección 1 aprenderás a alimentar el material y en las siguientes 5 lecciones dominarás una a una las cinco formas de preguntar.
Primero, la visión general. questions tiene cuatro tipos de pregunta: Choice (opción múltiple), Score (puntuación), Noul (sí/no) y Box (localización de imágenes); el confidence que viene con la respuesta te dice qué tan segura es esa decisión. Cuatro tipos de pregunta + la confianza son las cinco formas de preguntar que hay que dominar en el uso diario, cada una con su lección:
| Forma de preguntar | Qué responde | Qué hay en la respuesta |
|---|---|---|
| Choice Pregunta de opción múltiple | Cuál opción fija elegir | choice, probabilities (la probabilidad de cada opción), confidence |
| Score Pregunta de puntuación | En qué nivel cae en la escala ordenada que defines | score (puede caer entre dos niveles, p. ej. 0.67), legend, probabilities, confidence |
| Noul Pregunta de sí/no | La probabilidad de que el juicio sea verdadero | noul (0–1; no hay un confidence separado) |
| Confidence Confianza | Qué tan segura es esta respuesta | Un único número en 0–1; viene con las respuestas de Choice / Score / Box, Noul no lo tiene |
| Box Localización de imágenes | La posición del objetivo en la imagen | box (los cuatro bordes top / bottom / left / right, cada uno 0–1) + confidence |
¿Cómo elegir? La recomendación oficial de selección son solo cuatro frases:
- La respuesta es un conjunto de opciones conocidas → Choice (si la lista puede estar incompleta, añade una opción
otheronone of the above) - La respuesta está en un espectro y cada nivel puede describirse → Score
- Un juicio limpio de sí/no, donde la probabilidad misma ya es útil → Noul (0.5 es la incertidumbre de «cincuenta y cincuenta», no un «grado medio»; para medir grados, usa Score)
- Hay que encontrar algo dentro de una imagen → Box (característica experimental: según la documentación oficial, Images / Box aún no alcanza el estándar de producción y el formato puede cambiar entre versiones)
Cuando ambos tipos de pregunta sirvan, elige aquel cuya «respuesta pueda ser actuada directamente por código»: Choice corresponde a varias ramas de código, Score a un umbral y Noul a un if.
Organización de las lecciones:
| Lección | Contenido | Duración |
|---|---|---|
| 2.1 State (estado) | Cómo elegir entre las tres formas de state, organizar un ticket en JSON estructurado, usar dot path para que las preguntas apunten a campos concretos y recortar el material dentro del límite de contexto | 8 minutos |
| 2.2 Choice pregunta de selección | dar todas las opciones en criteria, leer el probabilities de cada opción, y añadir una opción other cuando la lista no es completa | 10 minutos |
| 2.3 Score pregunta de puntuación | definir una escala ordenada, leer el score que puede caer entre dos niveles, y dividir juicios complejos en varias preguntas combinadas con ponderación en el código | 10 minutos |
| 2.4 Noul pregunta de sí/no | 0–1 cómo leer la probabilidad, umbrales de partida 0.7 / 0.3, y cómo elegir entre este y Score | 8 minutos |
| 2.5 Confidence nivel de confianza | cómo se calcula confidence a partir de la distribución de probabilidad, uso en tres niveles (ejecución automática / marcar para revisión / pasar a humano), umbrales que escalan con el riesgo | 12 minutos |
| 2.6 Box e imágenes | poner la imagen en state y en la pregunta, Box devuelve las proporciones de los cuatro bordes, cabeceras de Danger Zone y soporte de Image del SDK de Python | 10 minutos |
un vistazo primero: una sola solicitud mezcla tres tipos de pregunta
Los tipos de pregunta se pueden mezclar libremente; todas las preguntas se evalúan en paralelo e independientemente sobre el mismo state: añadir preguntas casi no aumenta el tiempo de respuesta, solo cuesta los tokens de unas pocas preguntas más. Este ejemplo de la documentación oficial pregunta a la vez una de cada tipo: sí/no, selección y puntuación:
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
state = {
"ticket_message": "My flight was cancelled. Can I get a refund?",
"refund_policy": "Cancelled flights are eligible for a full refund.",
}
with TypeSafeClient() as client:
response = client.system_one(
state=state,
questions={
"refund_requested": Noul(
instructions="Does `ticket_message` request a refund?",
),
"request_type": Choice(
instructions="What is the main request in `ticket_message`?",
criteria={
"refund": "The customer wants money returned.",
"rebooking": "The customer wants a replacement flight.",
"information": "The customer is asking for information only.",
},
),
"frustration": Score(
instructions="How frustrated does the customer appear in `ticket_message`?",
criteria=[
"Calm and neutral.",
"Concerned but civil.",
"Very angry or using strong language.",
],
),
},
)
print(response.answers["refund_requested"].noul)
print(response.answers["request_type"].choice)
print(response.answers["frustration"].score)Cada una de las tres respuestas es un valor tipado: una probabilidad, un nombre de opción, una puntuación; en el código se usa directamente if, sin necesidad de analizar texto generado.
⚠️ Con material en chino, prueba antes de poner en producción
El idioma principal de entrenamiento de Jev es el inglés, y la precisión es mejor con material en inglés; otros idiomas como el chino funcionan, pero con menor precisión. Antes de lanzar contenido en chino, haz primero una ronda de pruebas con tus propios datos, prestando atención a confidence.
🎒 Lo que aprenderás
- Una intuición para formular preguntas: ante una necesidad de juicio, piensa primero «cómo es la respuesta»: opciones, escala, probabilidad o coordenadas en una imagen, y luego elige el tipo de pregunta
- Capacidad completa para leer las respuestas: mirar la distribución con
probabilities, el grado de certeza conconfidence, y leerlas junto conscoreylegend - Convertir la «incertidumbre» en ramas de código: alta confianza ejecuta automáticamente, confianza media marca para revisión, baja confianza pasa a humano
- Introducción al juicio sobre imágenes: Box para localizar más el interruptor de Danger Zone, sentando las bases para escenarios como el reconocimiento de documentos escaneados o la verificación de OCR
Con los cinco estilos de pregunta dominados, ya tienes completo el uso cotidiano de Jev. A continuación, elige uno de dos caminos: si quieres construir un sistema completo, ve a Flujos de trabajo eficientes para aprender cuatro patrones de arquitectura oficiales; si prefieres ver proyectos reales, Escenarios prácticos ofrece 15 casos completos, por ejemplo filtrado de chat en directo: una solicitud por mensaje con tres preguntas, evaluando a la vez insultos, spoilers y spam.
¿Todo listo? Empieza la primera lección: State estado →