Jev模型不支持直接上传文档识别，仅接受结构化文本输入；需先用PyPDF2等工具提取并清洗文本，再按TypeSafe要求传入schema明确的任务指令。
☞☞☞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☜☜☜
Jev 模型本身不支持“上传文档识别”这类功能——它不是 OCR 工具，也不处理 PDF、Word 或图片等原始文件解析。所谓“上传文档识别失败”，大概率是误用了 Jev 的能力边界，或混淆了它与配套工具链（如文档解析服务、RAG 前置模块）的职责分工。
确认 Jev 的输入是否已结构化
Jev 只接受结构化文本输入，例如：一段清洗后的纯文本、JSON 格式的字段列表、或标准化日志条目。它不会读取文件二进制流，也不会自动提取 PDF 中的文字。
- 如果你传的是 文件路径（如
"./report.pdf"），Jev 会直接报错或返回空/无效响应； - 如果你传的是 Base64 编码的 PDF 内容，Jev 同样无法理解——它没有内置解码和解析逻辑；
- 正确做法是：先用 PyPDF2、pdfplumber 或 Unstructured 提取文本，再把干净文本切片后喂给 Jev。
检查文档预处理是否丢失关键语义
Jev 对输入噪声极度敏感。哪怕只是多了一个乱码字符、少了一个标点分隔，都可能导致分类置信度骤降或输出越界。
- 特别注意页眉页脚、表格跨页、扫描件 OCR 错字（如把“0”识别成“O”）；
- 建议对提取文本做三步清洗：去空行、合并换行符、正则过滤不可见控制字符；
- 如果原文含大量数字/代码/专有名词，可加
preserve_format=True参数（若 SDK 支持），避免自动标准化干扰判断。
验证调用方式是否匹配 Jev 的 TypeSafe 特性
Jev 不是自由生成模型，它的输出必须严格落在你定义的 schema 内。若你期望它“识别文档类型”，但没在请求中声明 output_schema 或 choices，它可能返回默认 fallback 值（如 {"decision": "unknown"}），看起来像“识别失败”。
- 务必在 API 请求中显式指定任务类型：是 分类（Choice）、打分（Score）还是 真值判断（Noul）；
- 示例：要识别合同/发票/简历，就传
{"choices": ["contract", "invoice", "resume"]}； - 使用 Python SDK 时，优先用
TypeSafeClassifier封装，而非裸调requests.post。
排查是否跳过了必要的上下文注入
Jev 的决策高度依赖上下文提示。它不会主动“猜”你想要什么——比如你只传一段文字“甲方应于30日内付款”，却不说明任务是“提取付款期限”，它大概率不会输出数字 30。
- 每次请求必须带明确指令，例如：
"从以下文本中提取‘最晚付款日期’，仅返回 YYYY-MM-DD 格式日期，无额外字符"； - 若涉及多段文档对比，需人工拼接上下文，不能指望 Jev 自动关联分散的片段；
- 长文本建议按语义块切分（如每段不超过 512 token），分别调用并聚合结果，而非强塞整份文档。
