第 2 課 · 五個核心概念

🎯 學完這一課，你將能夠

• 看懂 Jev 介面上的五個英文專業術語
• 區分三種基礎題型：Noul、Choice、Score
• 深入理解 confidence 的真實含義

術語中英對照

本質是精準判定器

過去使用 GPT，通常需藉由 Prompt 讓模型輸出文字，再以正規表示式抓取「退款」。Jev 將流程完全倒轉：你先界定合法答案集合，它在集合內進行機率判定，並回傳明確把握度。

單次調用的三要素

• State：輸入的原始業務文本或上下文材料。
• Questions：事先定義的判定問題（Noul、Choice、Score 三者之一）。
• Answers：依據你所設的 key 返回結構化結果。

三種題型涵蓋所有決策

• Noul：是非判斷，返回 0 到 1 的數值機率。
• Choice：單選分類，從給定選項中選出最符合者。
• Score：評分等級，依照有序條件給出階梯打分。

confidence 是機率集中程度

0.92 的 confidence 代表模型的預測機率高度集中在該選項上。實際落地時，應採用自身業務的歷史樣本進行驗證，劃定自動通行的信心門檻。

✅ 隨堂自我檢測

1. 【單選】一次完整的 Jev 調用由哪三個部分組成？ A. Prompt、Response、Token B. State、Questions、Answers C. Input、Model、Output 2. 【判斷】confidence 為 0.92 代表在業務環境中有 92% 的準確率。 3. 【單選】若要判定一條工單「是否需要緊急處理」，該選用哪種題型？ A. Noul B. Choice C. Score

答案

1. B。State 提供材料，Questions 定義題目，Answers 返回結構化判定。 2. 錯誤。其代表機率分佈集中度，業務準確率需經歷史樣本校準。 3. A。是非布林判斷使用 Noul，返回 0–1 的機率值。

📌 核心重點帶走

State + Questions + Answers：三種基礎題型足以建構完整判定流程。