Skip to content

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.py sigue funcionando, TYPESAFE_API_KEY está 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 preguntarQué respondeQué hay en la respuesta
Choice Pregunta de opción múltipleCuál opción fija elegirchoice, probabilities (la probabilidad de cada opción), confidence
Score Pregunta de puntuaciónEn qué nivel cae en la escala ordenada que definesscore (puede caer entre dos niveles, p. ej. 0.67), legend, probabilities, confidence
Noul Pregunta de sí/noLa probabilidad de que el juicio sea verdaderonoul (0–1; no hay un confidence separado)
Confidence ConfianzaQué tan segura es esta respuestaUn único número en 0–1; viene con las respuestas de Choice / Score / Box, Noul no lo tiene
Box Localización de imágenesLa posición del objetivo en la imagenbox (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 other o none 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:

LecciónContenidoDuración
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 contexto8 minutos
2.2 Choice pregunta de seleccióndar todas las opciones en criteria, leer el probabilities de cada opción, y añadir una opción other cuando la lista no es completa10 minutos
2.3 Score pregunta de puntuacióndefinir una escala ordenada, leer el score que puede caer entre dos niveles, y dividir juicios complejos en varias preguntas combinadas con ponderación en el código10 minutos
2.4 Noul pregunta de sí/no0–1 cómo leer la probabilidad, umbrales de partida 0.7 / 0.3, y cómo elegir entre este y Score8 minutos
2.5 Confidence nivel de confianzacómo 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 riesgo12 minutos
2.6 Box e imágenesponer 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 Python10 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:

python
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 con confidence, y leerlas junto con score y legend
  • 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 →

gaodong.aiAboutPrivacyContact

Independent tutorials, not affiliated with any product mentioned. Product names and trademarks belong to their owners. Check official pages for prices and policies.