日常使用：掌握 Jev 的五种提问方式

💡 目标：约 1 小时掌握日常的 Jev 使用方法——喂对材料（state）、出对题（Choice / Score / Noul / Box）、读懂答案里的置信度，让每个答案直接变成代码的一个分支。

🎯 阶段目标

按材料形状写出三种形态的 state（字符串 / JSON 对象 / 文本数组），并用 dot path 让问题指向具体字段
拿到任何判断需求，能选出该用的题型——Choice、Score、Noul 还是 Box——并说出答案里有哪些字段
用 confidence 和 Noul 概率设阈值：哪些答案自动执行、哪些标记复核、哪些转人工

⏳ 预计耗时

6 课合计约 58 分钟，预留浮动后约 41–75 分钟
每课独立成篇，也可按需单读；2.1 State 是其余五课的地基，建议从它开始

🚀 开始之前

完成了安装与第一个请求：route_ticket.py 还能跑，TYPESAFE_API_KEY 在环境变量里（从零开始的读者先看快速起步导读）
知道 Jev 只做结构化判断、不生成文本——没读过的话，先花 8 分钟看 Jev 是什么
不想开终端也行：TypeSafe Playground（console.typesafe.ai/playground）里贴上 state、加上问题，免代码体验
一杯水 ☕——这一阶段以建立手感为主，每课代码都不长

📚 本阶段课程

一次 Jev 请求只有两样东西：state（要判断的材料）+ questions（类型化问题）。快速起步阶段你已经发过一次请求；这一阶段把「怎么问」练成本能——第 1 课学喂材料，后 5 课逐一掌握五种提问方式。

先看全貌。questions 的题型有四种：Choice（选择）、Score（打分）、Noul（是非）、Box（图像定位）；答案自带的 confidence 告诉你这次判断有多确定。四种题型 + 置信度，就是日常使用要掌握的五种提问方式，各有一课：

提问方式	回答什么	答案里有什么
Choice 选择题	固定选项里挑哪个	`choice`、`probabilities`（每个选项的概率）、`confidence`
Score 打分题	在你定义的有序量表上落到哪级	`score`（可落在两级之间，如 0.67）、`legend`、`probabilities`、`confidence`
Noul 是非题	这个判断为真的概率	`noul`（0–1；没有单独的 confidence）
Confidence 置信度	这个答案有多确定	0–1 的单一数字；Choice / Score / Box 答案自带，Noul 没有
Box 图像定位	目标在图里的位置	`box`（top / bottom / left / right 四条边，各 0–1）+ `confidence`

怎么选？官方的选型建议就四句：

答案是一组已知选项 → Choice（列表可能不全时，加一个 other 或 none of the above 选项）
答案在一段光谱上、每一档都描述得出来 → Score
干净的是非判断、概率本身就有用 → Noul（0.5 是「五五开」的不确定，不是「中等程度」——要量程度，用 Score）
要在图里找东西 → Box（实验特性：官方称 Images / Box 尚未达到生产标准，格式可能随版本变化）

两种题型都适用时，选「答案能被代码直接行动」的那个：Choice 对应几个代码分支，Score 对应一个阈值，Noul 对应一个 if。

课程安排：

课程	内容	时长
2.1 State 状态	state 三种形态怎么选、把工单组织成结构化 JSON、用 dot path 让问题指向具体字段、在上下文限制内裁剪材料	8 分钟
2.2 Choice 选择题	在 criteria 里给全选项、读懂每个选项的 `probabilities`、列表不全时加 `other` 选项	10 分钟
2.3 Score 打分题	定义有序量表、读懂可落在两级之间的 `score`、把复杂判断拆成多题在代码里加权合并	10 分钟
2.4 Noul 是非题	0–1 概率怎么读、0.7 / 0.3 起点阈值、和 Score 怎么选	8 分钟
2.5 Confidence 置信度	confidence 从概率分布怎么算、三档用法（自动执行 / 标记复核 / 转人工）、阈值随风险缩放	12 分钟
2.6 Box 与图像	图像放进 state 与问题、Box 返回四条边比例、Danger Zone 请求头与 Python SDK 的 Image 支持	10 分钟

先看一眼：一个请求混着问三种题

题型可以随意混搭，所有题对同一份 state 并行、独立评估——加题几乎不增加响应时间，只多花几题的 token。官方文档的这个例子一次问了是非、选择、打分各一题：

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)

三个答案各是一个类型化值：概率、选项名、分数——代码里直接 if，不用从生成文本里解析。

⚠️ 中文材料先测再上线

Jev 的主要训练语言是英语，英语材料准确度最好；中文等其他语言能用，但准确度较低。拿中文内容上线前，先用你自己的数据测一轮，重点看 confidence。

🎒 你将收获

一套出题直觉：拿到判断需求先想「答案长什么样」——选项、量表、概率还是图上坐标——再选题型
读答案的完整能力：probabilities 看分布、confidence 看确定度、score 连着 legend 一起读
把「不确定」变成代码分支：高置信自动执行、中置信标记复核、低置信转人工
图像判断入门：Box 定位加 Danger Zone 开关，为扫描件识别、OCR 核对这类场景打基础

五种提问方式练熟，Jev 的日常使用方法就齐了。接下来两条路任选其一：想搭完整系统，去高效工作流学四种官方架构模式；想先看真实项目，场景实战准备了 15 个完整案例——比如直播聊天过滤：每条消息一次请求、三个问题，辱骂、剧透、垃圾消息一起判断。

日常使用：掌握 Jev 的五种提问方式 ​

🎯 阶段目标 ​

⏳ 预计耗时 ​

🚀 开始之前 ​

📚 本阶段课程 ​

🎒 你将收获 ​