【免費(fèi)下載鏈接】open-spacesFree, open-source alternative to ChatGPT Spaces: a self-hostable AI workspace for shared pages and conversations.項(xiàng)目地址https://gitcode.com/gh_mirrors/aw/open-spaces點(diǎn)擊查看免費(fèi)下載open-spaces 是一個(gè)圍繞 JevTypeSafe AI 的 System One 模型打造的開源 AI 判斷工具實(shí)戰(zhàn)合集它內(nèi)置 30 多個(gè)真實(shí)場景的用例地圖、模式模板和可直接運(yùn)行的 Python / TypeScript 起步代碼幫你只用 Choice、Score、Noul 三個(gè)類型化原語就完成分類、打分、風(fēng)險(xiǎn)檢測這類判斷型任務(wù)而不必再為自由文本寫提示詞。大多數(shù) LLM 給人產(chǎn)出段落而 Jev 給代碼產(chǎn)出判斷。為什么判斷比生成更值錢真實(shí)業(yè)務(wù)系統(tǒng)里遠(yuǎn)多于創(chuàng)意寫作的需求是小決策這條工單是在要求退款還是在報(bào) bug這次故障的嚴(yán)重等級(jí)是 1 級(jí)、2 級(jí)還是 3 級(jí)這份文檔里是否藏著 prompt injection用通用大模型處理這類判斷有三個(gè)坑輸出無法被程序消費(fèi)返回一段話、答案空間不可控可能憑空發(fā)明選項(xiàng)、延遲與成本高。Jev 的思路是把事情反過來你提前定義好答案空間模型只返回類型化取值 概率分布普通代碼可以直接對(duì)結(jié)果做 if/else 分支。一句話概括文本或 JSON 狀態(tài) 類型化問題 → 受限的答案 概率 → 你的代碼30 秒總覽三大原語對(duì)比表 如果你的應(yīng)用需要……該掏哪件武器返回值從已知集合里選一個(gè)值意圖、部門、文檔類型Choice選中項(xiàng) 每個(gè)選項(xiàng)的概率 置信度衡量有序標(biāo)尺上的位置嚴(yán)重度、相關(guān)度、情緒分Score概率加權(quán)分?jǐn)?shù)可落在兩檔之間 標(biāo)尺說明估計(jì)某個(gè)條件是否成立是否退款、是否注入Noul0 到 1 的概率值決定執(zhí)行、復(fù)核還是兜底概率 置信度 你的代碼—寫解釋、寫代碼、寫回復(fù)通用 LLM可先讓 Jev 做路由或驗(yàn)證—其中有一條值得寫進(jìn)設(shè)計(jì)文檔的核心規(guī)則問題只描述判斷組合、閾值與副作用歸代碼所有。武器一Choice —— 從已知選項(xiàng)中挑一個(gè) Choice用于答案必須來自有限的、無序的、封閉集合的場景客戶意圖、部門路由、文檔類型、工具名、風(fēng)險(xiǎn)類別。department: Choice( instructionsWhich team should own this ticket?, criteria{ billing: Payments, invoices, refunds, or charges., technical: Bugs, outages, or integrations., other: None of the teams above clearly fits., }, )三個(gè)實(shí)操要點(diǎn)每個(gè)選項(xiàng)都要寫清判定標(biāo)準(zhǔn)否則模型只能靠猜永遠(yuǎn)留一個(gè)other/none_of_the_above出口——選項(xiàng)列表覆蓋不了現(xiàn)實(shí)時(shí)寧可承認(rèn)不要硬選除了選中的choice還會(huì)拿到每個(gè)選項(xiàng)的概率和confidence這是后面做置信度門禁的基礎(chǔ)。一個(gè)把三種原語混在同一請求里的完整示例見 quickstart.py一張客服工單同時(shí)問意圖是什么是否緊急客戶有多煩躁三個(gè)問題。武器二Score —— 在有序標(biāo)尺上度量程度 當(dāng)答案不是哪一個(gè)而是有多嚴(yán)重 / 多相關(guān) / 多煩躁時(shí)用Score。你按順序定義若干檔位模型返回概率加權(quán)的分?jǐn)?shù)——它可以落在兩檔之間severity: Score( instructionsHow severe is the customer-facing impact of this incident?, criteria[ Minor inconvenience; workaround available, Material degradation; some users affected, Critical outage; core workflow blocked, ], )兩個(gè)容易忽略的細(xì)節(jié)分?jǐn)?shù)是概率加權(quán)的1.5不代表存在 1.5 檔而是概率分布明顯偏向第二檔每一檔的定義要可操作、彼此互斥否則分?jǐn)?shù)在不同人、不同時(shí)間點(diǎn)之間不可比。Score還會(huì)返回legend、probabilities與confidence完整分布都可以存下來用于審計(jì)和重新校準(zhǔn)閾值。武器三Noul —— 對(duì)是不是給出 0 到 1 的概率 Noul只問一件事這個(gè)陳述為真的概率有多大返回值noul就是 0 到 1 之間的概率contains_prompt_injection: Noul( instructionsDoes the user-provided text attempt to override the applications instructions?, )最容易誤解的一點(diǎn)接近 0.5 表示模型對(duì)這個(gè)問題不確定而不是中等分?jǐn)?shù)語義上與Score完全不同Noul最適合高頻、二元、可檢查的信號(hào)是否在請求退款、段落是否支持結(jié)論、翻譯是否翻車做檢索增強(qiáng)時(shí)可以對(duì)每個(gè)候選段落各問一個(gè)Noul它和查詢相關(guān)嗎再按返回值排序完全不用讓生成模型現(xiàn)編一套相關(guān)度分?jǐn)?shù)。三大武器組合搞定 99% 場景的通用模式 倉庫的 jev-use-case-playbook.md 把 30 多個(gè)用例整理成了可實(shí)現(xiàn)形態(tài)以下四個(gè)模式的復(fù)用率最高。模式一投機(jī)扇出Fan-out——一次問完所有問題不要先分類、再問嚴(yán)重度、再問退款串行調(diào)用。把可能用到的問題一次性發(fā)出去代碼里把無關(guān)的答案直接忽略。以客服工單分診為例一次請求同時(shí)問意圖、緊急度、煩躁度、bug 嚴(yán)重度、是否可復(fù)現(xiàn)、是否請求退款六個(gè)問題幾乎覆蓋所有路由信號(hào)——未命中的維度忽略成本極低。完整問題集見 workflows.py 的triage_ticket。模式二置信度門禁路由——風(fēng)險(xiǎn)越低閾值越松confidence與答案是什么是兩條獨(dú)立的軸低風(fēng)險(xiǎn)可逆動(dòng)作如展示余額用較低閾值即可放行高風(fēng)險(xiǎn)不可逆動(dòng)作如批準(zhǔn)轉(zhuǎn)賬需要更高閾值即便達(dá)標(biāo)也可能要求人工確認(rèn)置信度不足時(shí)一律轉(zhuǎn)人工復(fù)核絕不強(qiáng)行猜測。這套代碼掌權(quán)的策略就寫在 decision_policies.py 的gate_action()里并且每個(gè)閾值分支都有離線單測兜底test_decision_policies.py。無需 API key 就能跑python -m unittest discover -s tests -v。模式三復(fù)合打分——權(quán)重透明結(jié)果可解釋候選人評(píng)分、線索匹配、供應(yīng)商風(fēng)險(xiǎn)評(píng)估這類場景每個(gè)維度用一個(gè)Score代碼里歸一化后再按你顯式定義的權(quán)重組合例如0.45 × 技術(shù)深度 0.40 × 系統(tǒng)設(shè)計(jì) 0.15 × 溝通表達(dá)。權(quán)重寫在代碼里而不是提示詞里結(jié)果出現(xiàn)意外時(shí)你能定位問題出在證據(jù)、問題定義還是權(quán)重上。歸一化與加權(quán)實(shí)現(xiàn)見 decision_policies.py 的weighted_score()。模式四RAG 過濾與護(hù)欄——讓判斷成為閘門RAG 過濾對(duì)檢索到的每個(gè)段落并行問三個(gè)Noul——是否回答查詢、是否支持結(jié)論、是否含注入——全部過線才放行給答題模型LLM 護(hù)欄用Noul檢查越獄、敏感數(shù)據(jù)、策略違規(guī)用Score評(píng)估若照做會(huì)造成多大傷害由代碼決定放行、脫敏復(fù)核還是攔截。完整閾值策略在 decision_policies.py 的rag_decision()里注意其中注入風(fēng)險(xiǎn)優(yōu)先于相關(guān)性一票否決?？焖偕鲜秩脚芡愕牡谝淮?AI 判斷 ?git clone https://gitcode.com/gh_mirrors/aw/open-spaces cd open-spaces python -m pip install -r examples/python/requirements.txtexport TYPESAFE_API_KEYyour-key python examples/python/quickstart.py你會(huì)看到類似這樣的輸出intent: refund intent probabilities: {refund: 0.86, technical_help: 0.09, ...} urgent probability: 0.71 frustration score: 1.6三點(diǎn)建議先只跑 quickstart.py——三個(gè)問題正好覆蓋 Choice / Noul / Score一次建立對(duì)返回結(jié)構(gòu)的直覺TypeScript 版本在 quickstart.tsAPI 與 Python 同構(gòu)做 coding agent / 自動(dòng)化場景的讀者先看 coding-agent-use-cases.md講清楚 Jev 如何作為 agent 外圍的類型化決策層而權(quán)限與審批始終留在 harness 里。常見誤區(qū)與最佳實(shí)踐清單 ?別讓 Jev 做算術(shù)、授權(quán)和副作用總額、日期、賬號(hào)、支付執(zhí)行統(tǒng)統(tǒng)留在代碼里別設(shè)一個(gè)全局閾值按動(dòng)作與風(fēng)險(xiǎn)等級(jí)分別設(shè)閾值校準(zhǔn)是群體概念概率 0.8 表示一批同類預(yù)測約 80% 正確不是這條一定對(duì)選項(xiàng)可能覆蓋不了現(xiàn)實(shí)時(shí)加other/review出口記錄 API 返回的版本化模型號(hào)而不只是你發(fā)送的別名閾值依賴模型行為時(shí)固定使用版本化模型 ID目前僅支持文本圖片、音頻、視頻暫不支持。下一步去哪 你想做的事去哪里看三原語速查表與 30 用例地圖README.md讀含 state / 問題 / 代碼策略的實(shí)現(xiàn)級(jí)案例docs/jev-use-case-playbook.md不花一分錢跑離線策略測試tests/test_decision_policies.py取用可復(fù)用的問題集與工作流適配器examples/python/workflows.py了解 agent 場景下的 harness 邊界docs/coding-agent-use-cases.md一句話收尾Choice 負(fù)責(zé)選Score 負(fù)責(zé)量Noul 負(fù)責(zé)驗(yàn)概率歸模型閾值歸代碼。掌握這三件武器你的系統(tǒng)里 99% 的 AI 判斷需求都能被覆蓋。贊分享【免費(fèi)下載鏈接】open-spacesFree, open-source alternative to ChatGPT Spaces: a self-hostable AI workspace for shared pages and conversations.項(xiàng)目地址https://gitcode.com/gh_mirrors/aw/open-spaces點(diǎn)擊查看免費(fèi)下載相關(guān)推薦Gemma-4 E2B 決策模型入門一次推理同時(shí)搞定 noul、choice、score 三類判斷Gemma 4 E2B 決策模型入門一次推理同時(shí)搞定 noul、choice、score 三類判斷 Gemma 4 E2B 決策模型倉庫 gemma 4 e大模型微調(diào)模型量化LemonDecider 三種題型詳解choice、noul、score 如何覆蓋業(yè)務(wù)決策全場景LemonDecider 三種題型詳解choice、noul、score 如何覆蓋業(yè)務(wù)決策全場景 LemonDecider 是一款開源的類型化決策引擎模型基人工智能大模型用 TypeSafe 構(gòu)建可編程 AI 判斷System One 模型、Choice/Noul/Score 原語與 jevgrep 檢索實(shí)踐用 TypeSafe 構(gòu)建可編程 AI 判斷System One 模型、Choice/Noul/Score 原語與 jevgrep 檢索實(shí)踐 TypeSafe開發(fā)工具AI 應(yīng)用代碼智能體AI 技能/插件創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 open-spaces 核心原語精講：Choice、Score、Noul 三大武器如何搞定 99% 的 AI 判斷場景
【免費(fèi)下載鏈接】open-spacesFree, open-source alternative to ChatGPT Spaces: a self-hostable AI workspace for shared pages and conversations.項(xiàng)目地址https://gitcode.com/gh_mirrors/aw/open-spaces點(diǎn)擊查看免費(fèi)下載open-spaces 是一個(gè)圍繞 JevTypeSafe AI 的 System One 模型打造的開源 AI 判斷工具實(shí)戰(zhàn)合集它內(nèi)置 30 多個(gè)真實(shí)場景的用例地圖、模式模板和可直接運(yùn)行的 Python / TypeScript 起步代碼幫你只用 Choice、Score、Noul 三個(gè)類型化原語就完成分類、打分、風(fēng)險(xiǎn)檢測這類判斷型任務(wù)而不必再為自由文本寫提示詞。大多數(shù) LLM 給人產(chǎn)出段落而 Jev 給代碼產(chǎn)出判斷。為什么判斷比生成更值錢真實(shí)業(yè)務(wù)系統(tǒng)里遠(yuǎn)多于創(chuàng)意寫作的需求是小決策這條工單是在要求退款還是在報(bào) bug這次故障的嚴(yán)重等級(jí)是 1 級(jí)、2 級(jí)還是 3 級(jí)這份文檔里是否藏著 prompt injection用通用大模型處理這類判斷有三個(gè)坑輸出無法被程序消費(fèi)返回一段話、答案空間不可控可能憑空發(fā)明選項(xiàng)、延遲與成本高。Jev 的思路是把事情反過來你提前定義好答案空間模型只返回類型化取值 概率分布普通代碼可以直接對(duì)結(jié)果做 if/else 分支。一句話概括文本或 JSON 狀態(tài) 類型化問題 → 受限的答案 概率 → 你的代碼30 秒總覽三大原語對(duì)比表 如果你的應(yīng)用需要……該掏哪件武器返回值從已知集合里選一個(gè)值意圖、部門、文檔類型Choice選中項(xiàng) 每個(gè)選項(xiàng)的概率 置信度衡量有序標(biāo)尺上的位置嚴(yán)重度、相關(guān)度、情緒分Score概率加權(quán)分?jǐn)?shù)可落在兩檔之間 標(biāo)尺說明估計(jì)某個(gè)條件是否成立是否退款、是否注入Noul0 到 1 的概率值決定執(zhí)行、復(fù)核還是兜底概率 置信度 你的代碼—寫解釋、寫代碼、寫回復(fù)通用 LLM可先讓 Jev 做路由或驗(yàn)證—其中有一條值得寫進(jìn)設(shè)計(jì)文檔的核心規(guī)則問題只描述判斷組合、閾值與副作用歸代碼所有。武器一Choice —— 從已知選項(xiàng)中挑一個(gè) Choice用于答案必須來自有限的、無序的、封閉集合的場景客戶意圖、部門路由、文檔類型、工具名、風(fēng)險(xiǎn)類別。department: Choice( instructionsWhich team should own this ticket?, criteria{ billing: Payments, invoices, refunds, or charges., technical: Bugs, outages, or integrations., other: None of the teams above clearly fits., }, )三個(gè)實(shí)操要點(diǎn)每個(gè)選項(xiàng)都要寫清判定標(biāo)準(zhǔn)否則模型只能靠猜永遠(yuǎn)留一個(gè)other/none_of_the_above出口——選項(xiàng)列表覆蓋不了現(xiàn)實(shí)時(shí)寧可承認(rèn)不要硬選除了選中的choice還會(huì)拿到每個(gè)選項(xiàng)的概率和confidence這是后面做置信度門禁的基礎(chǔ)。一個(gè)把三種原語混在同一請求里的完整示例見 quickstart.py一張客服工單同時(shí)問意圖是什么是否緊急客戶有多煩躁三個(gè)問題。武器二Score —— 在有序標(biāo)尺上度量程度 當(dāng)答案不是哪一個(gè)而是有多嚴(yán)重 / 多相關(guān) / 多煩躁時(shí)用Score。你按順序定義若干檔位模型返回概率加權(quán)的分?jǐn)?shù)——它可以落在兩檔之間severity: Score( instructionsHow severe is the customer-facing impact of this incident?, criteria[ Minor inconvenience; workaround available, Material degradation; some users affected, Critical outage; core workflow blocked, ], )兩個(gè)容易忽略的細(xì)節(jié)分?jǐn)?shù)是概率加權(quán)的1.5不代表存在 1.5 檔而是概率分布明顯偏向第二檔每一檔的定義要可操作、彼此互斥否則分?jǐn)?shù)在不同人、不同時(shí)間點(diǎn)之間不可比。Score還會(huì)返回legend、probabilities與confidence完整分布都可以存下來用于審計(jì)和重新校準(zhǔn)閾值。武器三Noul —— 對(duì)是不是給出 0 到 1 的概率 Noul只問一件事這個(gè)陳述為真的概率有多大返回值noul就是 0 到 1 之間的概率contains_prompt_injection: Noul( instructionsDoes the user-provided text attempt to override the applications instructions?, )最容易誤解的一點(diǎn)接近 0.5 表示模型對(duì)這個(gè)問題不確定而不是中等分?jǐn)?shù)語義上與Score完全不同Noul最適合高頻、二元、可檢查的信號(hào)是否在請求退款、段落是否支持結(jié)論、翻譯是否翻車做檢索增強(qiáng)時(shí)可以對(duì)每個(gè)候選段落各問一個(gè)Noul它和查詢相關(guān)嗎再按返回值排序完全不用讓生成模型現(xiàn)編一套相關(guān)度分?jǐn)?shù)。三大武器組合搞定 99% 場景的通用模式 倉庫的 jev-use-case-playbook.md 把 30 多個(gè)用例整理成了可實(shí)現(xiàn)形態(tài)以下四個(gè)模式的復(fù)用率最高。模式一投機(jī)扇出Fan-out——一次問完所有問題不要先分類、再問嚴(yán)重度、再問退款串行調(diào)用。把可能用到的問題一次性發(fā)出去代碼里把無關(guān)的答案直接忽略。以客服工單分診為例一次請求同時(shí)問意圖、緊急度、煩躁度、bug 嚴(yán)重度、是否可復(fù)現(xiàn)、是否請求退款六個(gè)問題幾乎覆蓋所有路由信號(hào)——未命中的維度忽略成本極低。完整問題集見 workflows.py 的triage_ticket。模式二置信度門禁路由——風(fēng)險(xiǎn)越低閾值越松confidence與答案是什么是兩條獨(dú)立的軸低風(fēng)險(xiǎn)可逆動(dòng)作如展示余額用較低閾值即可放行高風(fēng)險(xiǎn)不可逆動(dòng)作如批準(zhǔn)轉(zhuǎn)賬需要更高閾值即便達(dá)標(biāo)也可能要求人工確認(rèn)置信度不足時(shí)一律轉(zhuǎn)人工復(fù)核絕不強(qiáng)行猜測。這套代碼掌權(quán)的策略就寫在 decision_policies.py 的gate_action()里并且每個(gè)閾值分支都有離線單測兜底test_decision_policies.py。無需 API key 就能跑python -m unittest discover -s tests -v。模式三復(fù)合打分——權(quán)重透明結(jié)果可解釋候選人評(píng)分、線索匹配、供應(yīng)商風(fēng)險(xiǎn)評(píng)估這類場景每個(gè)維度用一個(gè)Score代碼里歸一化后再按你顯式定義的權(quán)重組合例如0.45 × 技術(shù)深度 0.40 × 系統(tǒng)設(shè)計(jì) 0.15 × 溝通表達(dá)。權(quán)重寫在代碼里而不是提示詞里結(jié)果出現(xiàn)意外時(shí)你能定位問題出在證據(jù)、問題定義還是權(quán)重上。歸一化與加權(quán)實(shí)現(xiàn)見 decision_policies.py 的weighted_score()。模式四RAG 過濾與護(hù)欄——讓判斷成為閘門RAG 過濾對(duì)檢索到的每個(gè)段落并行問三個(gè)Noul——是否回答查詢、是否支持結(jié)論、是否含注入——全部過線才放行給答題模型LLM 護(hù)欄用Noul檢查越獄、敏感數(shù)據(jù)、策略違規(guī)用Score評(píng)估若照做會(huì)造成多大傷害由代碼決定放行、脫敏復(fù)核還是攔截。完整閾值策略在 decision_policies.py 的rag_decision()里注意其中注入風(fēng)險(xiǎn)優(yōu)先于相關(guān)性一票否決?？焖偕鲜秩脚芡愕牡谝淮?AI 判斷 ?git clone https://gitcode.com/gh_mirrors/aw/open-spaces cd open-spaces python -m pip install -r examples/python/requirements.txtexport TYPESAFE_API_KEYyour-key python examples/python/quickstart.py你會(huì)看到類似這樣的輸出intent: refund intent probabilities: {refund: 0.86, technical_help: 0.09, ...} urgent probability: 0.71 frustration score: 1.6三點(diǎn)建議先只跑 quickstart.py——三個(gè)問題正好覆蓋 Choice / Noul / Score一次建立對(duì)返回結(jié)構(gòu)的直覺TypeScript 版本在 quickstart.tsAPI 與 Python 同構(gòu)做 coding agent / 自動(dòng)化場景的讀者先看 coding-agent-use-cases.md講清楚 Jev 如何作為 agent 外圍的類型化決策層而權(quán)限與審批始終留在 harness 里。常見誤區(qū)與最佳實(shí)踐清單 ?別讓 Jev 做算術(shù)、授權(quán)和副作用總額、日期、賬號(hào)、支付執(zhí)行統(tǒng)統(tǒng)留在代碼里別設(shè)一個(gè)全局閾值按動(dòng)作與風(fēng)險(xiǎn)等級(jí)分別設(shè)閾值校準(zhǔn)是群體概念概率 0.8 表示一批同類預(yù)測約 80% 正確不是這條一定對(duì)選項(xiàng)可能覆蓋不了現(xiàn)實(shí)時(shí)加other/review出口記錄 API 返回的版本化模型號(hào)而不只是你發(fā)送的別名閾值依賴模型行為時(shí)固定使用版本化模型 ID目前僅支持文本圖片、音頻、視頻暫不支持。下一步去哪 你想做的事去哪里看三原語速查表與 30 用例地圖README.md讀含 state / 問題 / 代碼策略的實(shí)現(xiàn)級(jí)案例docs/jev-use-case-playbook.md不花一分錢跑離線策略測試tests/test_decision_policies.py取用可復(fù)用的問題集與工作流適配器examples/python/workflows.py了解 agent 場景下的 harness 邊界docs/coding-agent-use-cases.md一句話收尾Choice 負(fù)責(zé)選Score 負(fù)責(zé)量Noul 負(fù)責(zé)驗(yàn)概率歸模型閾值歸代碼。掌握這三件武器你的系統(tǒng)里 99% 的 AI 判斷需求都能被覆蓋。贊分享【免費(fèi)下載鏈接】open-spacesFree, open-source alternative to ChatGPT Spaces: a self-hostable AI workspace for shared pages and conversations.項(xiàng)目地址https://gitcode.com/gh_mirrors/aw/open-spaces點(diǎn)擊查看免費(fèi)下載相關(guān)推薦Gemma-4 E2B 決策模型入門一次推理同時(shí)搞定 noul、choice、score 三類判斷Gemma 4 E2B 決策模型入門一次推理同時(shí)搞定 noul、choice、score 三類判斷 Gemma 4 E2B 決策模型倉庫 gemma 4 e大模型微調(diào)模型量化LemonDecider 三種題型詳解choice、noul、score 如何覆蓋業(yè)務(wù)決策全場景LemonDecider 三種題型詳解choice、noul、score 如何覆蓋業(yè)務(wù)決策全場景 LemonDecider 是一款開源的類型化決策引擎模型基人工智能大模型用 TypeSafe 構(gòu)建可編程 AI 判斷System One 模型、Choice/Noul/Score 原語與 jevgrep 檢索實(shí)踐用 TypeSafe 構(gòu)建可編程 AI 判斷System One 模型、Choice/Noul/Score 原語與 jevgrep 檢索實(shí)踐 TypeSafe開發(fā)工具AI 應(yīng)用代碼智能體AI 技能/插件創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考