场景实战：选择你的路线
💡 目标：选定一条 Jev 实战路线并完整走完——A 线 4 课约 65 分钟、B 线 5 课约 82 分钟、C 线 6 课约 105 分钟。结束时你手里不只有笔记，还有一套从官方 cookbook 改造来的、能跑的完整案例代码。
🎯 阶段目标
- 能把你的业务问题对号入座：说出它属于哪条路线（内容审核与分类 / LLM 与 Agent 应用 / 文档与数据），以及该先读哪一课
- 至少完整走完一条路线，得到一套能直接改造的代码——比如一条直播弹幕过滤流水线，或一套 RAG 段落把关
- 会用官方难度标签安排顺序：入门（Beginner）案例照着做就能跑，进阶（Intermediate）案例先补前置课再动手
⏳ 预计耗时
- 15 课合计约 252 分钟（约 4 小时 12 分），全走完预留浮动约 176–328 分钟
- 不必全读——三条路线任选其一：A 线约 65 分钟（46–85）、B 线约 82 分钟（57–107）、C 线约 105 分钟（74–137）
- 每课独立成篇，可按需单读；同一条路线内建议按编号顺序走，后面的课会复用前面的代码
🚀 开始之前
- 完成了 日常使用：掌握 Jev 的五种提问方式——官方 cookbook 的前提就是你会题型（primitives）和 confidence：场景课默认你出得了 Choice / Score / Noul / Box 题、读得懂概率分布
- 环境还能跑：
.venv里装好typesafe-sdk，TYPESAFE_API_KEY在环境变量里（安装与第一个请求） - （部分课更顺）读过 高效工作流：B4 的前置课里就有 并行提问
- 一杯水 ☕——每课都是一个完整小项目：真实数据 + 问题定义 + 能跑的代码
📚 选择你的路线
这一阶段的 15 课，全部改编自官方 Cookbooks。官方对 cookbook 的定义就三样：一份真实数据集、一组对它做判断的 TypeSafe 问题、把判断变成可用系统的代码。
所以每课都不是玩具 demo——数据是真的（SEC 年报、CLERC 法律查询、GitHub 服务条款、疫苗扫描件），代码是完整的，官方也明说：抄走一个，当你自己项目的起点。
怎么选路线？官方的 Example use cases 把所有用法归纳成十种「判断形状」，本阶段的 15 个应用场景覆盖其中最常用的几种。对号入座：
| 你要做的判断 | 官方术语 | 去哪条路线 |
|---|---|---|
| 该贴什么标签、归哪个类、要不要拦下 | Classification 分类 / Detection 检测 | 路线 A：内容审核与分类 |
| LLM 的输入输出安不安全、检索段落该不该进上下文、该调哪个工具 | Verification 核查 / Retrieval 检索 / Routing 路由 | 路线 B：LLM 与 Agent 应用 |
| 从文本和图像里提哪些字段、哪几条最相关、谁和谁是一个东西 | Structured Data Extraction 提取 / Search 搜索 / Ranking 排序 | 路线 C：文档与数据 |
每课的时长和难度都标在课程表里，难度是官方 cookbook 索引原样标的：入门（Beginner）照着做就能跑；进阶（Intermediate）结构更复杂——多次请求、更大的问题组或跨模型配合，前置课补齐再动手更顺。
💡 你的行业没出现在表里？
官方 use-case map 还按行业列了一批判断点子：招聘、线索筛选、客户支持、保险理赔、金融犯罪、法务合规、电商商品、社区信任与安全、广告、游戏、风险评估、需求预测……拿去对号入座，再用本栏目教过的题型和模式拼出来。
⚠️ 中文内容先测再上线
官方说明：英语是 Jev 的主要训练语言，其他语言（包括中文）能用但准确度较低。弹幕过滤、文档提取这类中文场景，上线前先拿自己的真实数据测一轮，重点看 confidence 和概率分布，再定阈值。
路线 A：内容审核与分类（A1–A4，约 65 分钟）
适合谁：主播和直播运营、社区与内容平台的风控开发，以及所有要「给内容贴标签、按标签行动」的人。
你可能正被这些问题缠着：
- 直播间弹幕里辱骂、剧透、垃圾广告混着刷，人工盯不过来，关键词规则又总被绕过
- 商品、邮件、文档要分进几十层深的类目，浅层好分，越深越没人说得准
- 审核系统对边界内容一会儿放行一会儿删帖，用户截图来质问：标准是掷骰子吗？
| 课程 | 你将做出什么 | 时长 | 难度 |
|---|---|---|---|
| A1 直播聊天过滤 | 每条弹幕一次请求、三个问题，并发处理；辱骂、剧透、垃圾消息一起判断，代码规则决定观众看到什么 | 15 分钟 | 入门 |
| A2 深层级分类 | 并行 beam search 沿 Choice 概率往下走，把文档分到专利、零售、生物医学、源码类目的最深处 | 20 分钟 | 进阶 |
| A3 75 类行业分类 | SEC 年报分进 75 个行业组；答案自带的 confidence 不够，就上报它上面的行业大类 | 15 分钟 | 入门 |
| A4 自一致性 | 给审核系统加「不确定」出口：top 概率不过阈值就转人工。官方实测决策一致率 90.8% → 99.2% | 15 分钟 | 入门 |
路线 B：LLM 与 Agent 应用（B1–B5，约 82 分钟）
适合谁：正在做 RAG、Agent、Chatbot 或任何「LLM 在中间干活」产品的开发者。
你可能正被这些问题缠着：
- LLM 应用的入口出口没有安检：越狱、提示注入、敏感数据直接进出
- RAG 检索回来的段落不管相不相关都塞进上下文，回答质量跟着漂
- Agent 面对上百个技能不知道调哪个；自然语言转函数调用，全靠解析模型吐的 JSON
| 课程 | 你将做出什么 | 时长 | 难度 |
|---|---|---|---|
| B1 LLM 护栏 | 一次请求给出入 LLM 应用的每条消息做全套安检，按你设的阈值放行、复核、拦截或转支持 | 20 分钟 | 进阶 |
| B2 引用核查 | 一个 Choice 问题判断引文上下文是否支持论断，拦住幻觉引文 | 12 分钟 | 入门 |
| B3 RAG 段落把关 | 每个检索段落一次请求打相关分，代码决定哪些段落能进 answering model | 15 分钟 | 进阶 |
| B4 Agent 决策 | 从 Hermes 目录 194 个技能里至多挑一个（两次请求：排序 + 复查前三）；自然语言交易请求转类型化函数调用 | 20 分钟 | 进阶 |
| B5 简单记忆系统 | 让 Jev 决定哪些请求和答案值得记住，一个小函数把记忆带进后续调用 | 15 分钟 | 入门 |
路线 C：文档与数据（C1–C6，约 105 分钟）
适合谁：做数据管道、文档处理、企业搜索、OCR 后处理的开发者——凡是「从乱格式输入里救回结构化数据」的活。
你可能正被这些问题缠着：
- 邮箱、电话、金额、日期散落在乱文本里，正则捞出一堆候选，不知道哪个对
- 复制粘贴丢掉格式的纯文本，要还原成 Markdown 才能进知识库
- BM25 搜出来的结果不够准；OCR 读出来的值没人核对就进了数据库
| 课程 | 你将做出什么 | 时长 | 难度 |
|---|---|---|---|
| C1 值提取 | 日期按文档问部件、代码解析校验；邮箱、电话、金额用正则找候选、Jev 挑对的那个再规范化 | 15 分钟 | 入门 |
| C2 结构恢复 | 两次请求把丢了格式的纯文本还原成 Markdown：一次拼回被硬换行切断的行，一次给每个块分类 | 15 分钟 | 入门 |
| C3 自然语言点单 | 咖啡订单变结构化购物车：Choice 收缩选项循环找出每样商品，每样再发一批量请求填字段 | 15 分钟 | 入门 |
| C4 搜索与匹配 | 重排序把 CLERC 法律查询 top-1 命中从 5% 提到 18%、top-10 从 38% 提到 62%；GitHub ToS 218 行逐行语义搜索；两份啤酒目录 450 对实体对齐 | 20 分钟 | 入门 |
| C5 级联提取 | 便宜模型先提取，Jev 逐字段核查，只有核查报警才升级推理模型 | 20 分钟 | 进阶 |
| C6 图像实战 | 疫苗扫描件上 Noul + Box 找记录、Choice 读年份（可答「看不清」）；发票 OCR 值逐项核对，低分转人工；喂鸟相机帧生成物种到访日志 | 20 分钟 | 进阶 |
官方 25 个 cookbook，这里覆盖了哪些？
官方 TypeSafe cookbook 索引共 25 个案例，本阶段 15 课覆盖其中 22 个（一课多案例的合并讲解）。另外三个的去处：
- Parallel questions（并行提问）——已在 3.1 并行提问与投机扇出 展开：13 个问题一次请求，官方实测便宜 12.2 倍、快 10.0 倍，答案不变
- Intelliprompter（演讲提词）——现场发言对着未覆盖的笔记逐条打分，过阈值就划勾；暂不单独成课，可读官方原文
- Autoresearch feature discovery（特征发现，官方难度 Advanced）——用 TypeSafe 问题把自由文本变成数值特征，再用模型误差改进一个 CatBoost 回归；暂不单独成课，可读官方原文
🎒 你将收获
- 15 个 Jev 实战案例的中文完整拆解：真实数据、问题定义、能跑的代码，每课标好时长与难度
- 一套「对号入座」的拆解方法：拿到业务问题先说出它的判断形状——分类、核查还是提取——再选路线、选题型、选模式
- 每条路线至少一个能直接改造进你项目的模板：弹幕过滤流水线、RAG 段落把关、级联提取管道
- 中文场景的上线习惯：先用真实数据测一轮、盯住 confidence，再定阈值——官方明说 CJK 准确度较低
三条路线之外还有两条延伸路：想系统补「怎么把业务流程拆成原子判断」的方法论，回头看 高效工作流 的四种架构模式；想让 Jev 直接替你操作浏览器完成任务，去 进阶手册 认识 Jev Ultrafast 浏览器 Agent。
准备好了吗？开始第一课：直播聊天过滤 →