JEV 1.13 接入教程：Python 调用 Decisions API，实现分类、评分与 Agent 路由

JEV 1.13 接入教程：Python 调用 Decisions API，实现分类、评分与 Agent 路由

JEV 1.13 是 TypeSafe AI 推出的决策模型，适合客服分流、文档相关性判断、业务评分和 Agent 工具路由。开发者提供背景与问题定义，模型返回结构化选择、概率和评分，程序可以直接读取这些字段。

本文通过一个中文客服案例，介绍 Choice、Noul、Score 的参数写法、Python 接入方式、响应解析以及常见问题，并提供可直接操作的在线工作台。

测试日期：2026-09-23。 本文使用同日通过 Crazyrouter 完成的 API 与网页实测数据，包含成功和超时记录。

一、JEV 适合哪些开发任务

一个客服系统收到以下消息：

我尝试连接 Stripe 已经 3 天了，集成一直失败，正在损失销售额。请尽快处理。

系统需要判断：

1. 应该交给账单、技术还是销售团队？
2. 是否紧急？
3. 客户的情绪处于哪个等级？

JEV 可以在一次请求中回答这三个问题。取得结果后，程序选择队列和处理优先级，再由人工或生成式模型撰写回复。

它的主要特点包括：

• 输出结构明确。 开发者预先定义候选项和评分标准，程序读取指定字段。
• 支持多个独立问题。 官方文档说明，各问题针对同一背景独立、并行评估，结果可由业务代码组合。
• 提供概率信息。 Choice 和 Score 附带分布及 confidence，Noul 直接返回"是"的概率。
• 输入单价低。 本次核验的参考价为每百万输入 token 0.042 美元，输出单价为零。

通用大模型也可以完成结构化分类。JEV 的产品定位是专门处理这些判断节点；它不会生成文章、代码或自然语言解释，也不能直接替换 Claude Code、Codex 等编程 Agent 的主模型。

二、接口地址、模型名和认证方式

本文使用 Crazyrouter 的 Decisions 接口：

项目	配置
请求方法	POST
站点	https://crazyrouter.com
接口路径	/api/alpha/decisions
API 模型名	jev-1.13
认证	Authorization: Bearer <Crazyrouter API Token>
请求格式	application/json
响应方式	同步 JSON；不使用流式输出

本次先核验了 /v1/models，公开列表中包含 jev-1.13。在线工作台使用 typesafe/jev-1.13，也已实际调用成功。两种名称的成功响应都返回版本：

typesafe/jev-1.13-20260917

JEV 需要使用专门的 Decisions API。 不能只把聊天模型名换成 JEV，就继续向 /v1/chat/completions 或 /v1/responses 发送原来的请求。

三、请求参数：model、state、questions

字段	类型	用途
model	字符串	指定模型
state	字符串、JSON 对象或数组	提供待分析的事实与背景
questions	JSON 对象	以自定义问题名为键，定义每个问题

每个问题使用 type 指定判断类型，用 instructions 描述判断目标。criteria 的写法取决于类型：

类型	criteria 写法	主要结果字段
choice	选项键与含义组成的对象	choice、probabilities、confidence
noul	可省略；由 instructions 明确是非问题	noul，取值 0--1
score	从低到高排列的描述数组	score、legend、probabilities、confidence

例如，部门选择可以定义为：

{
  "department": {
    "type": "choice",
    "instructions": "应该由哪个团队处理该工单？",
    "criteria": {
      "billing": "支付、账单或订阅问题",
      "technical": "错误或集成故障",
      "sales": "价格或采购问题"
    }
  }
}

这里的 department 是自己定义的问题名，响应中的 answers.department 对应这个问题。上面是问题定义片段，完整请求还需要 model、state 和外层 questions。

问题说明应尽量聚焦一个维度。例如，把"这条反馈有多紧急、是否值得开发、客户是否重要"拆成三个问题，再由代码计算优先级。

同一请求中的问题独立评估。如果第二个判断依赖第一个判断的结果，需要由程序分步骤请求。

四、Python 完整调用示例

1. 安装依赖

python -m pip install requests

2. 配置 API Token

在本机设置环境变量 CRAZYROUTER_API_KEY。以下命令中的示例值需要替换为自己的 Crazyrouter API Token，不要把真实 Token 写入代码仓库。

Linux / macOS：

export CRAZYROUTER_API_KEY='替换为你的 Crazyrouter API Token'

Windows PowerShell：

$env:CRAZYROUTER_API_KEY = '替换为你的 Crazyrouter API Token'

3. 保存并运行脚本

将以下代码保存为 jev_decision.py。请求内容与本次中文客服实测一致，包含 Choice、Noul、Score 三种问题。

import json
import os

import requests

api_key = os.environ.get("CRAZYROUTER_API_KEY", "").strip()
if not api_key:
    raise SystemExit("请先设置环境变量 CRAZYROUTER_API_KEY。")

payload = {
    "model": "jev-1.13",
    "state": "我尝试连接 Stripe 已经 3 天了，集成一直失败，正在损失销售额。请尽快处理。",
    "questions": {
        "department": {
            "type": "choice",
            "instructions": "应该由哪个团队处理该工单？",
            "criteria": {
                "billing": "支付、账单或订阅问题",
                "technical": "错误或集成故障",
                "sales": "价格或采购问题",
            },
        },
        "is_urgent": {
            "type": "noul",
            "instructions": "这条消息是否表达了紧迫性？",
        },
        "frustration": {
            "type": "score",
            "instructions": "客户表现出的挫败程度如何？",
            "criteria": ["平静陈述事实", "不满但克制", "非常愤怒或使用激烈措辞"],
        },
    },
}

try:
    response = requests.post(
        "https://crazyrouter.com/api/alpha/decisions",
        headers={
            "Authorization": f"Bearer {api_key}",
            "Content-Type": "application/json",
        },
        json=payload,
        timeout=(10, 60),
    )
    response.raise_for_status()
except requests.Timeout as exc:
    raise SystemExit("请求超时，未取得判断。核对调用记录后再决定是否重试。") from exc
except requests.RequestException as exc:
    raise SystemExit(f"HTTP 请求失败：{exc}") from exc

try:
    data = response.json()
except ValueError as exc:
    raise SystemExit("服务没有返回有效 JSON，请检查响应和调用记录。") from exc

if not isinstance(data, dict):
    raise SystemExit("响应顶层结构不符合预期。")

answers = data.get("answers")
required = ("department", "is_urgent", "frustration")
if not isinstance(answers, dict) or not all(
    isinstance(answers.get(key), dict) for key in required
):
    raise SystemExit("响应缺少完整的 decisions answers。")

try:
    department = answers["department"]["choice"]
    urgent_probability = answers["is_urgent"]["noul"]
    frustration_score = answers["frustration"]["score"]
except KeyError as exc:
    raise SystemExit(f"响应缺少结果字段：{exc}") from exc

print("部门：", department)
print("紧急概率：", urgent_probability)
print("情绪评分：", frustration_score)
print("实际模型：", data.get("model"))
print("请求 ID：", data.get("id"))
print("用量：", json.dumps(data.get("usage"), ensure_ascii=False))
print("完整答案：", json.dumps(answers, ensure_ascii=False, indent=2))

执行：

python jev_decision.py

timeout=(10, 60) 分别设置连接超时和读取超时，不是整个业务流程的硬性总时限。脚本不会在超时后自动重试。

五、实际响应及字段解释

本次上述请求返回 HTTP 200，关键内容如下。为便于阅读，省略了情绪评分的等级说明与概率分布：

{
  "id": "gen-dec-1790095587-mts183W9F0rPWFGshpnx",
  "model": "typesafe/jev-1.13-20260917",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "technical",
      "probabilities": {
        "technical": 0.94,
        "billing": 0.06,
        "sales": 0
      },
      "confidence": 0.91
    },
    "is_urgent": {
      "type": "noul",
      "noul": 0.98
    },
    "frustration": {
      "type": "score",
      "score": 1.01,
      "confidence": 0.98
    }
  },
  "usage": {
    "input_tokens": 467,
    "output_tokens": 73,
    "cost": 0.000019614
  }
}

Choice：程序可以直接使用选项键

technical 对应请求里定义的"错误或集成故障"。业务代码读取 answers.department.choice 后，可以把工单送到相应队列。

probabilities 给出各选项概率；confidence 描述分布的确定程度。两者不能混作同一个字段，也不能将 confidence 直接视为经过验证的正确率。

Noul：需要由业务决定阈值

noul=0.98 是"这条消息表达紧迫性"的模型概率。是否升级处理，应根据已有标注样本、漏判代价和人工承接能力设置阈值。

Score：评分是等级索引的概率加权平均

三个等级对应 0、1、2。score=1.01 很接近"不满但克制"，不是百分制分数，也不代表不满程度为 1.01%。

usage：用量和实扣需要区分

input_tokens、output_tokens 是上游报告的用量。输出单价为零时，仍然可以有非零的 output_tokens。

在本文的接入路径中，usage.cost 是上游报告费用，账户最终实扣以 Crazyrouter 消费记录为准。

六、先在网页调试，再复制到项目

可以打开 JEV Decision Playground 在线工作台，切换为中文后调试请求。

页面提供 12 个示例，覆盖客服工单、退款、产品反馈、销售线索、交易风险、供应商准入、内容审核、账号接管、合规文档、RAG 片段、工具路由、生产事故分级。

操作步骤：

1. 从 Crazyrouter Token 管理页 获取 Token，填入页面。
2. 选择"客服工单分流"，检查 State 和 Questions。
3. 点击"运行决策"，查看答案、分布、耗时和用量。
4. 修改背景再测试；问题定义不变时，更容易比较输入变化带来的影响。
5. 通过"预览请求"查看 JSON、cURL、JavaScript 或 Python 示例。

这是实际计费调用，输入部分收费。页面不会自动重试，Token 不写入 localStorage、sessionStorage 或 Cookie。

截图是另一次网页调用：紧急概率为 0.97，页面显示 0.70 秒。上一节的 JSON 来自 Python 调用，紧急概率为 0.98；两次结果分别记录。

七、中文客服、退款和 RAG 测试结果

本轮测试使用 6 个不同输入，其中两个超时案例各复测一次，另外进行了上面的网页调用。

输入场景	结果	Python 客户端耗时
Stripe 集成失败，影响销售	technical；紧急概率 0.98；情绪 1.01/2	1.102 秒
提前询问下个月采购价格，不急	sales；紧急概率 0.04；情绪 0/2	0.784 秒
同一订单两笔付款均已核实结算	refund；已证实重复结算概率 0.95	0.675 秒
仅怀疑重复扣款，没有核实流水	首次和复测均读取超时	各约 60 秒
文档给出 Python 请求超时参数示例	相关性 1.98/2；可回答概率 0.80	2.293 秒
文档介绍图像模型，与超时问题无关	首次超时；复测相关性 0/2，可回答概率 0.01	复测 5.413 秒

共 9 次请求，6 次取得成功响应，3 次读取超时 。成功响应的上游报告费用合计 $0.000115962，不包含未核对的超时请求结算，也不是账户完整实扣金额。

这些结果展示了几个可用方向：客服可以同时判断部门与紧急程度；RAG 可以分别判断片段相关性和可回答性；退款建议可以结合已核实状态生成，再交给业务代码处理。

样本由我们编写，数量有限，不能据此计算通用准确率、概率校准水平或长期成功率。超时原因也不能仅凭客户端记录归因到模型。

八、价格和性能数据怎么理解

按本次核验的参考价计算，每次请求若使用 1,000 个输入 token：

单次输入费用 = 1,000 / 1,000,000 × $0.042 = $0.000042
10 万次请求的输入费用 = $4.20

背景、问题、选项都计入输入预算，实际用量以响应为准。当前价格可查看 Crazyrouter 模型列表。

TypeSafe 官方发布文章给出过 70--500 毫秒，以及特定工作流下 193.6 倍速度、444.6 倍成本优势的数字。它们带有明确的评测条件，不能直接套用到所有业务和网络路径。

本次成功 API 调用耗时为 0.675--5.413 秒，包含客户端、网关和上游调用路径。本轮没有与其他模型进行同题性能对照。

九、常见问题与排查方向

以下是接入排查建议；其中读取超时在本次实测中出现，其余项目不是本轮逐项触发的错误测试。

现象	优先检查
认证失败	是否使用 Crazyrouter Token；是否带 Bearer 前缀；Token 是否有效
提示模型或端点不可用	模型权限、当前可用性，以及是否误用了聊天接口
请求参数被拒绝	questions 是否为对象；Choice criteria 是否为对象；Score criteria 是否为数组
HTTP 成功但没有完整答案	检查响应中的错误信息和 answers，不要只凭状态码执行后续动作
读取超时	检查调用和消费记录，再决定重试；不要把无响应当成否定或零分
高 confidence 但分类不对	检查选项边界和事实是否充分，并用独立标注数据评估

1. 为什么不能直接换成聊天模型调用方式？

JEV 接收 state + questions，输出类型化判断。本文使用的 Decisions 接口不是 messages 聊天接口，不接受流式对话的接入方式。

2. JEV 可以看图片吗？

截至本次核对，官方说明支持文本输入，包括由文本组成的 JSON 对象和数组，不直接支持图像、音频和视频。

3. 怎么判断中文效果够不够用？

本次中文案例取得了有效结果。上线前仍应收集自己的业务样本，覆盖专业术语、否定句、缺失信息和多意图消息，保留一组不参与调参的验证数据。

4. 概率很高，是否一定正确？

不是。类型约束可以限制输出范围，但合法选项仍可能选错。confidence 反映分布的确定程度，不能代替实际准确率验证。

5. 如何让 JEV 参与 Agent 工作流？

先定义有限的动作，例如查订单、检索知识库、补充提问、转人工，让 JEV 选择动作，再由程序执行。涉及退款等操作时，还应由业务规则核对事实与执行条件。

6. 能直接用它替换编程 Agent 的主模型吗？

不能。JEV 不承担代码生成或连续对话。可以让编程 Agent 帮你开发调用 JEV 的分类器、评分器或路由器。

十、参考资料

1. TypeSafe 官方发布文章：产品定位、价格和性能指标的来源及限定条件。
2. TypeSafe Quick start：原生请求结构。
3. Score 文档与 Confidence 文档：评分和分布确定程度的定义。
4. Jev with coding agents：模型与编程 Agent 的能力边界。
5. 站内实测原文：本文使用的数据与截图来源。

本文为同一轮测试的 CSDN 技术教程版。示例截图为实际调用结果，代码中的请求体与已保存的测试请求一致。