场景：客服工单分流

问题：客服工单进来要先定部门、定优先级、识别退款诉求——人工分拣慢且贵，全自动又怕分错。

Jev 的角色：这是三种题型的“全家福”场景。官方 Quick start 与 Confidence-gated routing 模式的组合：一条请求问完所有判断，代码按 confidence 决定自动化边界。本站的可运行示例就是它（JavaScript / Python）。

请求设计

{
  "model": "jev-latest",
  "state": "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please refund my subscription and help ASAP.",
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this",
      "criteria": {
        "billing": "Payment or subscription issues",
        "technical": "Bugs or integration problems",
        "sales": "Pricing or account questions"
      }
    },
    "frustration": {
      "type": "score",
      "instructions": "How frustrated the customer appears",
      "criteria": ["Calm, just stating facts", "Frustrated but civil", "Very angry, strong language"]
    },
    "asks_refund": {
      "type": "noul",
      "instructions": "The customer explicitly requests a refund"
    }
  }
}

分流规则（全部在代码里）

// 部门：高置信自动派单，低置信转人工
const route =
  department.confidence >= 0.7
    ? `auto-assign to ${department.choice}`
    : 'route to human triage';

// 退款：错判代价不对称，阈值取保守，中间段转人工
const refund =
  asks_refund.noul >= 0.9 ? 'auto ticket'
  : asks_refund.noul >= 0.5 ? 'human review'
  : 'no action';

// 沮丧度：只影响 SLA 排序，不单独触发动作
priority = frustration.score >= 1.5 ? 'high' : 'normal';

阈值设计要点（官方 Noul 指南 + 本站建议）：

• department 用 confidence（0.7 起步）——分错部门只是慢一点，可接受较高自动化
• asks_refund 用 noul 概率且分三段——退款是钱，0.5–0.9 的灰色地带必须人工
• frustration 的 Score 只做排序输入，不当触发器——单一信号触发动作容易误伤

为什么一条请求而不是三次

三问共享同一段 state，合并成一次调用省 2/3 的输入 token 与往返延迟（官方并行提问模式的直接收益，见能力总览）。响应里 answers 的键与问题一一对应，解析零歧义。

落地清单（本站建议）

1. 先并行跑一周“影子模式”：Jev 分流结果与人工分拣同时记录，比对一致率
2. 按团队校准 criteria 描述——你们“技术支持”和“账务”的分界线只有你们自己清楚
3. 每个自动动作保留 probabilities/confidence 日志，申诉与审计都要用
4. 工单里出现 PII 时注意：state 会送到 API，按你们的合规要求先做脱敏

回到场景总览；错误处理与限流见 API 参考。