Jev 的 Choice 类型专用于从固定列表中单选，需明确定义原子化选项、命名问题 ID、传入清晰 state；请求含 state/model/questions 三字段，响应直接返回结构化 choice 及概率分布，避免模糊描述或边界重叠。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

Kim 用 Jev 做判断任务，核心是把“人脑直觉式选择”变成程序可读的结构化输出。重点不在写提示词，而在定义清楚选项、命名问题、传对状态——Jev 不生成解释，只在你给的框里打分、挑项、判是非。

明确你要问什么类型的问题

Choice 专用于「从固定列表中选一个」。比如：用户情绪是「愤怒」「困惑」「满意」还是「中性」？简历匹配度属于「高」「中」「低」？这不是开放问答，而是封闭决策。一旦选项不全、描述模糊或混入歧义词（如“一般”“可能”），Jev 就无法保证结果落在你预期范围内。

• ✅ 正确示例：{"category": {"choice": ["order_issue", "payment_issue", "shipping_issue"]}}
• ❌ 错误示例：{"category": {"choice": ["订单问题", "支付相关", "物流方面可能有延迟"]}}（含主观描述、长度不一、非原子化）

构造合法的 Choice 请求体

请求必须包含三个字段：state（当前上下文）、model（固定为 jev-latest）、questions（字典，键是问题 ID，值是 Choice 对象）。每个 Choice 对象需带 options 列表和可选 description（用于辅助模型理解语义，不影响输出范围）。

• state 可以是纯文本（如一封客服对话）、JSON 字符串（如工单元数据），甚至带换行的多段日志
• questions 中每个 Choice 实例用 typesafe-sdk 写法是：Choice(options=["A", "B", "C"], description="请选择最符合当前场景的响应类型")
• 一次请求可混加多个 Choice、Noul、Score，它们并行执行，不互相干扰

调用后直接取结构化结果

响应里的 answers 是个字典，key 和你提问时设的 ID 一致，value 是带概率分布的对象。不用解析文本、不用正则提取、不担心模型加戏——它只会返回你列好的选项之一，附带每个选项的概率和整体置信度。

• 例如提问 ID 为 "sentiment"，response.answers["sentiment"] 返回：
  {"choice": "frustrated", "probabilities": {"calm": 0.02, "confused": 0.18, "frustrated": 0.75, "satisfied": 0.05}, "confidence": 0.91}
• 程序可直接用 choice 字段做 if-else 分支，用 confidence 判断是否需要 fallback 或人工复核

常见踩坑点提醒

不是所有分类都适合直接上 Choice。以下情况要先处理：

• 选项之间边界不清（如“高风险”和“中高风险”重叠）→ 合并或重定义档位
• 实际业务中存在“无法判断”类兜底项 → 必须显式加入 options，如 ["high", "medium", "low", "insufficient_data"]
• 原始 state 信息太杂乱（如整页 HTML 或未清洗日志）→ 提前抽关键句，Jev 对噪声敏感，不负责信息萃取