← 所有用例
数据提取
把一段自由文本记录转化为结构化的类型字段。
在线试用
这是真实的东西,不是模型演示。编辑输入、点击运行,Jev 会在一次往返中返回每一个类型化答案——免费、无需注册。现在想象同一次调用并行地跑在数千条数据上。
state — 软件传给 Jev 的输入97c
questions — 你想拿回的类型化决策
choicedepartment
这件事应该由哪个部门处理?
→ 其中之一: receiving, sales, finance, it
noulis_complaint
来电者是否在反映某个问题或缺陷?
→ 概率 0.0 … 1.0
scorepriority
回电的时效性有多强?
→ 0…3 · 4 个等级
真实 API · 免费 · 无需注册
类型化、已校准的输出将显示在这里。
选一个示例,调整输入,然后点击 运行 Jev.
选一个示例,调整输入,然后点击 运行 Jev.
Jev 做出的决策
在一次调用中，Jev 针对同一份输入并行评估以下每一项：
choicedepartment
这件事应该由哪个部门处理?
从这些选项中挑一个：
receiving— 仓库收货 / 物流sales— 销售finance— 财务 / 应付账款it— IT 支持
noulis_complaint
来电者是否在反映某个问题或缺陷?
返回一个已校准的是/否概率。
scorepriority
回电的时效性有多强?
在一个有序量表上给它打分：
- 随时都行
- 本周内
- 今天
- 立即
确切的请求
这就是实时演示背后真实的载荷——复制它，改一下 state，你就开始构建了：
{
"model": "jev-latest",
"state": "语音留言转录:‘嘿,我是装卸区的 Marco,呃,Kellerman 那边的货到了,但有两个托盘损坏了,看起来是进水了。是上周二的那个订单。能不能找人给我回个电话,有点急,这些货我们没法上架。’",
"questions": {
"department": {
"type": "choice",
"instructions": "这件事应该由哪个部门处理?",
"criteria": {
"receiving": "仓库收货 / 物流",
"sales": "销售",
"finance": "财务 / 应付账款",
"it": "IT 支持"
}
},
"is_complaint": {
"type": "noul",
"instructions": "来电者是否在反映某个问题或缺陷?"
},
"priority": {
"type": "score",
"instructions": "回电的时效性有多强?",
"criteria": [
"随时都行",
"本周内",
"今天",
"立即"
]
}
}
}把它接进你的代码
读取类型化的答案，用普通代码分支判断——无需解析。自动处理高置信度的情形，把不确定的路由给更大的模型或人工。这只是一次 API 调用，而且输出免费，所以把你需要的每个问题一次都问了吧。